CN119418060A 基于方向加权模型的图像分割方法及系统 （国能大渡河大数据服务有限公司）

号本发明提供基于方向加权模型的图像分割数和最小最大凹惩罚函数构建的L2范数的缩放待分割图像；将待分割图像输入至方向加权模2基于Chan_Vese模型，结合基于Moreau包络函数和最小最大凹惩将所述待分割图像输入至所述方向加权模型，基于交替方向乘子法对是的外部子区域和内部子区域及均为常数，为区3.根据权利要求2所述的基于方向加权模型的图像分割方法，其特征在于，所述基于Moreau包络函数和最小最大凹惩罚函数构建的L2范数的缩放最小最大凹惩罚函值s为用b2x替换后的缩放Moreau35.根据权利要求2_4中任意一项所述的基于方向加权模型的图像分割方法，其特征在重复根据预设参数更新规则对所述方向加权模型的多个参数进行其中，为区域的特征向为取和0中的最大值，为4模型建立模块，用于基于Chan_Vese模型，结合基于Moreau包络函5基于Moreau包络函数和最小最大凹惩罚函数构建的L2范数的缩放最小最大凹惩罚函数， 6,为水平集函数，sw及r为权重系数，i为输为Heaviside函数，为Dirac函数，r为权重函数，v[0009]进一步地，所述基于Moreau包络函数和最小最大凹惩罚函数构建的L2范数的缩[0010]其中，为基于Moreau包络函数和最度。7正则化版本，用于根据第k次迭代的水平集函数的值将待分割图像分割为区域和区域更新后的的第二个分量，为取和0中的最大值，为取和0中的最大值。8大值。函数和最小最大凹惩罚函数构建的L2范数的缩放最小最大凹惩罚函数，建立方向加权模使用Moreau包络和最小最大凹惩罚函数构造范数的非凸正则化，结合正则项中的梯度算子v、自适应权重矩阵r和旋转矩阵，使得方向加权模型在图像分割过程图1是根据本说明书一些实施例所示的基于方向加权模型的图像分割方法的流程图6是根据本说明书一些实施例所示的基于方向加权模型的图像分割系统的模块9[0028]图1是根据本说明书一些实施例所示的基于方向加权模型的图像分割方法的流程,s是图像域。u的梯度为：Chan_Vese模型为：分别是r外部和内部的子区域。常数ci和分别是由r分离的每个区域的平均强度，。Chan_Vese模型的目标是找到一个分段光滑图像和最小轮廓。[0033]Dirac函数it:)实际上是Heaviside函数在分布意义上的导数:元素的数量,但求解带有范数的优化问题是一个NP难题。正则化是正则化的凸松弛，但范数不可微，并且它低估了稀疏解中的较大值。虽然正则化可以更有效地估计稀疏解的较大值，但由于目标函数本身是非凸的，在求解过程中可能会陷入局部最优值。因此，结合Moreau包络函数和最小最大凹凸全变分正则化的分割模型。所提出的非凸正则化可以有效避免凸正则化中对较大非零元当v=0时,F()的次微分不是一个值，而是一个具有无穷多个值的集合。L2范数和L2范数的Moreau包络如图2[0037]为了更好地控制MC惩罚的非凸性，引入一个平滑参数b(b>0)来构造范数的缩其中，为基于Moreau包络函数和最小最大凹惩罚函数构建的L2范数的缩梯度信息可以关联图像中物体的结构，直接识别感兴趣的特征以进行识别和分数r依赖于x和J轴方向的边缘指示函数，因此这个矩阵可以将梯度算子的方向旋转到较点(:,)处的局部结构信息耦合时选择合适的和，可以有效地描述局部特征,为待分,f(,)为待分割图像在(x,y)处沿y轴方向ae(0,1]的椭圆集Ee(o为：其中，角度测量相对于笛卡尔坐标系x=(,x)从轴到主半轴的[0047]其中，分别表示沿和方向确定的前向有限差分算子，分别表示沿水平和垂直方向的前向有限差分算子。[0052]交替方向乘子法(AlternatingDirectionMethodofMultipliers，ADMM)是一种简单有效的凸优化算法。其主要思想是通过分裂变量将无约束优化问题转化为约束问,为水平集函数，sw及r为权重系数，i为输为Heaviside函数，为Dirac函数，r为权重函数，vA和A是惩罚参数，a和p是拉格朗日乘子。其中，及i:为加速权重参数。为第k+1次迭代的区域的平均强度。[0057]为了避免数值实现中的奇异性,Heaviside函数和的更新是通过引入人工时间变量t并沿最陡下降方向移动来完成对于wkt1：为取和0中的最大值，[0066]定量地，为了验证所提出模型的有效性，使用Dice相似系数（DiceSimilar[0069]使用分割评估数据集来评估所使用方法的性能，该数据集包含200张灰度图像以[0074]图6是根据本说明书一些实施例所示的基于方向加权模型的图像分割系统的模块[0078]基于方向加权模型的图像分割系统可以用于执行基于方向加