论文研究-自适应水平集模型在云图弱边界分割的应用.pdf

所需积分/C币:9 2019-09-11 12:03:41 597KB .PDF
25
收藏 收藏
举报

针对云图复杂且形态多变、边缘模糊,若利用单一分割模型进行云图的自动分割无法兼顾分割速度和分割精度的问题,提出了一种新的自适应水平集算法的云图分割方法。该算法根据零水平集上每一点所在邻域的灰度变化程度为其自动建立能量模型。运用改进后的算法,闭合曲线对边界分明的区域收敛迅速,对云图弱边界的区域降低收敛步径。实验结果表明,提出的新水平集图像分割算法能够有效实现对全天空云图弱边界的分割,提高了感兴趣区域云点识别的准确率。
1182013,49(12) Computer Engineering and Applications计算机工程与应用 最大值,该数值描述了某一点8领城内的灰度变化程度,归 interval4的不同取值对应不同的分割效率,不文经过大量 一化后的表达式为 实验确定阈值为灰度变化度最大值的15、14、3/4。 ∑∑|((+p,+q)-G(x,y) 因此本文提出的算法能够根据曲线上每一点所在处 (,y) (10)不同的灰度变化特征构造不同的能量函数使灰度变换明 8×255 显的区域能够较快收敛,而灰度渐变的区域也能够根据灰 注:G(x,y)为像素点的灰度值。 度渐变的程度自动寻找合适的模型,从而能够同时兼顾最 32自适应建模 终的分割速度和精度。 将灰度变化度划分为不同的区间,本文算法首先判断 对于灰度变化度落入不同区间的点选取不同的能量 曲线上每一点的灰度变化度落入了哪一个区间,再对其建函数但是它们对应的水平集演化方程都可表达为式(7 立对应合适的能量函数。灰度变化度与能量函数对应关 系如图1,其中n1<n2<n3c 即:,=FV,不同在于对F的建模方法不同 Local energy 对落入区间[ interval1的点选取CⅤ模型计算该点收 敛的能量值 Jin I/()-c'drdy+ 22 MI(x)-c2l'dxdy 1+f(·V Vo Interval 3 (11) Interval C-V 式中,u,v,,A2是各能量项的系数,≥0,v≥0,>0, d=n1:0 6= Interval 1 2>0,1为给定图像,v()为曲线曲率以下式子用 收敛曲线的点 到地方冋此处。闭合曲线内部和外部区域的灰度平均值 图1灰度变化度能量函数图 分别为 且 当α落入[ nterval1时,该点邻域内灰度变化极为微 「(x((x)xdy 弱,可以将其看做为冋质区域,此吋该点可能刚好落入日 (12) 标内部且邻域仍然为目标;或相反的情况,即:该点刚好落 J. H(D(x))drdy 入背景区域且邻域也仍然为背景,此时希望该点能够迅速 2(x)(1-f(x) (13) 向目标边界收敛,而没有必要在该点附近较小的邻域缓慢 S(-H(o(x)drdy 搜寻边界。因此利用CV模型的优势,即:从图像全局信Q是水平集函数和图像的定义域,Hx)是 Heaviside函数: 息来判断该点应该运动的方向 落入[ interval2][ interval_3]或 Tinterval4时,说明 H (9)-(+=arctan(-)) (14) 该点的邻域存在灰度不同程度的变化。当某点邻城的灰 对落入区间[ inter!2]、[ interval3]和[ interval4]的点 度变化程度较小,则需要对应一个较小尺度()的高斯核选取 Local Binary Fitting模型计算该点收敛的能量值,计 函数,如图2,以便利用该点较小邻域的局部特征,从而可算方法见式(15)。针对这三个区间不同之处在于对不同 以利用到该点周围更加细致的信息。 的区问选择不同尺度建立高斯函数。 ndo k(x-y)/()-fi(x)drdy)+ 2k(x-p)()-f2()dd)+y+ (15) 式中,n12,是各能量项的系数,n1>0,”2>0,v≥0 p≥0,y为以点x为中心的领域内的所有点。 f(x)=-[H((x)(x) xH(以x) (16) kox×[(1-H(以(x)(x) f, (x) 17) ax2×[1-H(9(x) 图2高斯核兩数示意图 当某点邻域的灰度变化程度相对较大的时候,说明该 (18) 点进入灰度渐进相对较为剧烈的区域,对应于高斯核函数 中的δ也应相对较大如图2中2、83,利用该点较大邻域为高斯核函数,H(x)见式(14) 范围内的局部信息,此时从相对较大的尺度上来观测该点 [ interval2][ interval3]和[ interval4对应的高斯核函 的邻域信息能够在保证分割正确的同时使该点沿着正确的数的尺度参数分别为:51-0263 方向较快收敛。其屮区间 interval1, interval2, interval3, 具体计算步骤为:第一步,针对闭合曲线上某一点根据 杨智鵬,杨玲:自适应水平集模型在云图弱边界分割的应用 2013,49(12)119 公式(10)计算灰度变化度。第二步,根据图1所示判断灰 度变化度属于哪一区间。第三步,若属于[ interval1则利 用公式(11)计算得到F;若属于区间 interva!2 Linterval 和[ interval4则利用公式(15)计算得到F。第四步,为了 避免不同模型计算出的能呈值差异过大,采用求对数的方 (a1)10次迭代结果 (b1)10次迭代结果 法进行数据压缩,以缩小不同模型的能量值之问的差异。 F-lg(F),F为第三步求得的不同模型对应的能量值。第 五步,遍历曲线上每一点,因此各点可由各自所处位置的 特征荻取合适的能量值,根据式(7)可建立水平集演化方 程进而驱动曲线收敛。 (a2)30次迭代结果 (b2)30次迭代结果 4实验结果 算法在全天空云图弱边界分割中的效果进行以下对 比实验:(1) Local Binary Fitting算法与自适应模型的对比 (a3)50次迭代结果 (b3)50次迭代结果 实验;(2)CV模型与自适应模型的对比实验;(3)自适应模 注:(a)序列图为 Local Binary Fitting算法;(b)序列图为 刊与颜色空间阙值在云点识别准确率的对比。用以测试 自适应模型 的模型参数设置如下: Local Binary Fitting算法δ选择4; 图3自适应模型与 Local Binary Fitting分割过程对比 臼适应模型:区间选择根据实验测试选取收敛曲线灰度变 化度最大值的15、14、34;5为3、52为4、为5本文测指),虽然这些虚假轮邮最终会收敛消尖,但使得计算过程 试图像为通过多相机和多角度拍摄后拼图得到全天空云非常耗时 图,测试了CⅤ模型和自适应模型分别对碎积云、淡积云 本文提出的白适应模型能够根据闭合曲线上每一点 高积云三种不同类型云的分割效果。感兴趣区域选定天邻域的灰度变換程度为其自动建立能量模型,定义新的速 顶角附近的云块。 度凶数。通过测试得到,曲线在分割灰度均匀、边界明显 图3为全天空碎积云图中云块截图,分别为 Local binar 的H标时自动为曲线建立CV模型,在处理灰度不均匀、弱 ring算法和白适应算法在同样初始轮廓情况下的迭代过边界目标时根据曲线上每一点邻城处度变换程度的不同 程,从上到下迭代次数分别为:10次、30次、50次。从分割自适应选择合适的高斯核函数中的尺度参数δ 结果屮可以看出新的自适应模型算法在收敛速度上优于 图4(b)、图5(b)、图6(b)为Cⅴ模型测试结果,但由于 固定尺度参数δ,能更快地寻找到边界。从 Local binary cv模型缺乏目标的局部信息,当曲线进入到灰度渐变区 Fitting算法分割过程的分析可以得出, Local Binary Fitting域,无法找到理想的目标边缘。自适应模型由于同时兼有 算法避免了“跨过”弱边界,并且在迭代次数足够的情况下全局和局部的信息,因而能准确介割出目标,并且满足云 能找到正确的边缘。但算法对整幅图像都采用固定的高图分割屮需要同时识别多个日标的要求(如图4(c),淡积 斯函数尺度参数δ,迭代过程曲线逼近目标缓慢;如果尺云分割结果)。碎积云的特点是轮廓不完整、碎块絮状、具 度太小会产生过多的中间“虚假”轮廓(如图3(a)箭头所有典型的弱边界特点;高积云较薄使得云图的对比度较 (a)手动分割参考图 (b)CV模型 (c)自适应模型 (d)颜色空问阈值法 (e)IBF算法 图4淡积云测试结果 (a)于动分割参考图 (b)CV模型 c)自适应模型d)颜色空间阈值法 (c)LBF算法 图5碎积云測试结果 1202013,49(12) Computer Engineering and Applications计算机工程与应用 (a)手动分割参考图 (b)CV模型 (c)白适应模型 d)颜色空间阈值法 (e)LBF算法 图6高积云测试结果 低;分割结果表明白适应模型在碎积云和高积云的分割应5结束语 用屮也能达到要求(如图5(c)、图6(c)) 本文提出了一种解决云图弱边界分割的方法,该方法 云量计算准确度取决于云点分制和识别的精度,为测融合局部信息和全局图像信息的自适应模型,通过灰度变 试算法的准确率,利用有经验的地面观测人员于动分割区化度自适应选择能量函数,结合了CV模型和局部模型的 域为参考图(如图4(d)、图5(d)图6(d)),将自适应模型结优点,既能提高收敛的速度,又兼有处理灰度不均匀和模 果与常用的颞色空问阈值法、CV模型法的计算精度进行糊边缘的能力。全天空云图的测试结果表明了新的自适 了对比阙值选取采用直方图双峰法。计算精度的评价方应模型为云量计算提供了更优的方法。 法采用文献[]中的方法 RUMA=l/-S (19) 参考文献 R [1]高太长,刘磊,赵世军,等全大空测云技术现状及进展门应用 R表示参考图像的云区城,S表不算法分割出的云区域,气象学报2010(1):101:109 R-S|表示参考图像和算法分割图像的差异;RCMA值2杨建沈彦燕基于图像处理技术的地基云图云量识别U气象 水文海洋仪器,2009,9(3):4245 越小说明分割的质量越高,表1是对自适应模型算法颜色3霍娟,吕达仁全天空数字相机观浏云量的初步研究[南京气 空间阈值法对感兴趣区域的分割精度的对比结果 象学院学报,2002,25(2):242-24 表1云区域分割精度表 14 Osher S, Sethian J A Fronts propagating with curvature depen dent speed: algorithms based on Ilamilton-lacobi formula- 云种自适应模型颜色空间阈值法Cⅴ模型LBF模型 tions[J]. J Comput Phys, 1988, 79(1): 12-49 淡积云0.2460 0.3351 4.97680.2721 [5] Casscllcs VA gcomctric modcl for activc contours[J]. Nu 碎积云 0.4286 0.5689 45.80611.7092 高积云0,2841 0.3928 12.50420.8921 L6」曹金发,曹功坤曲线演化的图像分割算法改进研究计算机 从表屮可以看出CⅤ模型的数值均大于1,说明分割精 仿真,2011.28(3):292-296 度很差,识别错误的云点数已大于日标数,结果是无法接「71 Li Chunming, Kao chiu- -Ycn Minimization of rcgion-scalablc 受的。LBF算法精度稍微低于其他两种算法,已有多个文 titting energy for image segmentation IEFE Transactions 献证明了LB算法对初始轮廓敏感,图4淡积云,岩选定与 on Image processing, 2008, 17(10):1940-1949 CⅤ模型和自适应模型相同的初始轮廓,见图4(b)(c)中红 J Li Chunming, Kao Chiu-Yen Implicit active contours driven 色轮廓线,由于该初始轮廓的中心处需要拓扑变化的区域 by local binary fitting cncrgy[C]/IEEE Confcrcncc on Com- 相距较远,而IBF算法忽略了全局信息,太过于强调局部 puter vision and Pattern Recognition, CVPR 2007, Minneap 信息,从而无法寻找到正确的边界,因此选取了更合适的 olis, Minnesota, USA, 2007: 1-7. [9]谢意,杨玲.自适应模圳的水平集图像分割方法[J计算机工程 初始轮廓,如图4(e),虽然分割精度得到了一定提高,但山 与应用,2011,47(27):221-224 此可见单独的LBF算法对图像的适应性较差,并且前面已 [10 Wang Li, Li Chunming, Sun Quansen, et al. Brain MR image 证实分割的速度也不如本研究的自适应模型。因此总体 segmentation using local and global intensity fitting active 来说白适应模型优于LBF算法。自适应模型在云区域分 contours/surfaces[J]. Medical Image Computing and Comput 割精度上则优于颜色空间阈值法和IBF算法,淡、碎、高积 cr-assisted Intervention, 2008.11(1) 云二种的计算精度在阙值法的基础上分别提高了26.6%、[11 Chang Y I Evaluation and comparison of different segmen 247%、277%识别精度得到提高,在后期的云量计算上 tation algorithms[J].Pattern Recognition Letters, 1997, 18(10) 也会得到更好的结果 963-964

...展开详情
试读 5P 论文研究-自适应水平集模型在云图弱边界分割的应用.pdf
立即下载
限时抽奖 低至0.43元/次
身份认证后 购VIP低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-自适应水平集模型在云图弱边界分割的应用.pdf 9积分/C币 立即下载
1/5
论文研究-自适应水平集模型在云图弱边界分割的应用.pdf第1页

试读结束, 可继续读1页

9积分/C币 立即下载