买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆邮电大学

摘要：本发明属于图像处理领域，具体涉及一种基于改进的主动轮廓算法的指静脉图像分割方法，该方法包括：采用局部二值拟合主动轮廓算法构建指静脉图像分割模型；采用改进的模糊均值聚类算法计算待分割的指静脉图像的初始轮廓，将初始轮廓作为指静脉图像分割模型的初始指静脉轮廓；根据初始指静脉轮廓采用指静脉图像分割模型对待分割的指静脉图像进行分割处理；本发明对每张静脉图像均会进行迭代优化运算，输出最优的手指静脉初始分割结果，然后在该基础上进一步进行手指静脉图像分割，保证分割模型的稳定性及准确率。

主权项：1.一种基于改进的主动轮廓算法的指静脉图像分割方法，其特征在于，包括：获取待分割的指静脉图像；采用改进的主动轮廓算法对待分割的指静脉图像进行分割处理，得到分割后的指静脉图像；采用改进的主动轮廓算法对待分割的指静脉图像进行处理的过程包括：S1：采用局部二值拟合主动轮廓算法构建指静脉图像分割模型；具体过程包括：获取Heaviside函数、水平集函数以及高斯核函数；根据Heaviside函数、水平集函数和高斯核函数计算以x为圆心的圆与零水平集轮廓相交的内部均值f1和以x为圆心的圆与零水平集轮廓相交的外部均值f2；获取像素集合到像素的强度映射，根据内部均值f1、外部均值f2以及强度映射构建能量泛函模型，该能量泛函模型为手指静脉结构特征分割模型；能量泛函模型表达式为： 其中，εlbf表示能量泛函模型，φ表示水平集函数，f1表示以x为圆心的圆与零水平集轮廓相交的内部均值，f2表示以x为圆心的圆与零水平集轮廓相交的外部均值，α1和α2均表示大于0的常数，Kσ表示尺度因子为σ的高斯核函数，I.表示像素集合到像素的强度映射，y表示像素点，x表示以x为中心的圆，Hτ表示赫维赛德函数，Ω表示图像中的所有像素点；S2：采用改进的模糊均值聚类算法计算待分割的指静脉图像的初始轮廓，将初始轮廓作为指静脉图像分割模型的初始指静脉轮廓；计算待分割的指静脉图像的初始轮廓的过程包括：采用基于果蝇优化算法的模糊C均值聚类算法获取初始轮廓，其步骤为：步骤1：初始化参数；初始化参数包括设置初始聚类中心个数n，最大聚类中心个数；步骤2：采用果蝇优化算法获取全局最优解，最优解为当前聚类中心n条件下的最优聚类中心；步骤3：记录当前聚类中心数n对应最优值时的味道浓度值Sm；步骤4：当聚类中心数n大于设置的最大聚类中心个数时，结束果蝇寻优算法；当聚类中心数n小于等于设置的最大聚类中心个数时，设置n＝n+1，返回步骤2继续进行寻优算法；步骤5：比较所有n的取值，获取最优解时的味道浓度值Sm，即当味道浓度值最大时聚类中心数为最佳的聚类中心数，输出聚类中心对应的位置值；将该位置值作为初始聚类中心位置；步骤6：根据初始聚类中心位置采用模糊C均值聚类算法对待分割图像进行分割，输出手指静脉图像的初始分割结果，并将其设置为分割模型的初始轮廓；S3：根据初始指静脉轮廓采用指静脉图像分割模型对待分割的指静脉图像进行分割处理；具体包括：步骤1：初始化参数α1和α2；步骤2：获取初始指静脉轮廓，根据初始指静脉轮廓初始化指静脉图像分割模型中的水平集；步骤3：采用梯度下降算法求解能量泛函模型对于水平集函数φ的极小化；即计算与零水平集轮廓相交的内部均值f1、与零水平集轮廓相交的外部均值f2、曲线内拟合能量项e1以及曲线外拟合能量项e2；步骤4：采用变分法表示能量泛函模型的梯度下降流，对梯度下降流公式进行正则化，得到正则化后的梯度流方程；步骤5：根据正则化后的梯度流方程对水平集函数进行更新；步骤6：判断正则化后的梯度流方程是否收敛，若不收敛，则返回步骤3继续迭代，若收敛，则输出更新后的水平集函数。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于改进的主动轮廓算法的指静脉图像分割方法