眼底图像血管分割数据集_水平集_图像分割_2

外文原址：https://wiseodd.github.io/techblog/2016/11/20/levelset-segmentation/

Part 2 ：图像分割

上一章我们先感性后理性地认识了LSM，它可以应用在很多方面，如波的仿真、野火仿真、气体仿真。本章我们将研究水平集方法在计算机视觉中的应用——图像分割。

基于LSM的图像分割

回忆下上一章中推导的曲面演化偏微分方程，式（1）：

ϕ′=ϕ+ΔtF∥∇ϕ∥

式（1）中的F速度函数(力函数)是需要特别关注的地方，需要针对不同的应用设计不同的F函数。直观理解，F就是推动曲线演变的力。换句话说，我们可以将F理解为速度场，F描述了ϕ曲面上 每一个点的运动速度和方向（结合法向量，方向向量为单位向量，也即用1、-1来指示方向，关键还是靠F来推动演化)

当要分割一幅图像时，我们需要 从图像中推导出函数F。假设我们有一张图:

图1

由于F是一个速度场，考虑到需要求解的偏微分方程PDE（1），我们希望F在远离目标轮廓时变化快，在目标轮廓附近时变化慢。

一种从 图像中推导F的方法是借助 边缘检测。边缘检测最简单 的方式是 取图像的梯度，式（2）：

(这个公式的意思就是梯度越大演化速度越慢，因为此时处于边界附近；梯度越小演化速度越快，因为此时距离边界较远)

Sooooooo，let's do it:

Import numpy as np

Import scipy.ndimage

Import scipy.signal

Import matplotlib.pyplot as plt

From skimage import color,io

Def grad(x):

Return np.array(np.gradient(x)) # 这个结果是2通道的哦

Def norm(x,axis=0)：

Return np.sqrt(np.sum(np.square(x),axis=axis))#横纵两个方向的梯度正则化为1个值

Def stopping_fun(x): #F函数

Return 1./(1.+norm(grad(x))**2)

img = io.imread('twoObj.bmp')

img = color.rgb2gray(img)

img = img - np.mean(img)

# Smooth the image to reduce noise and separation between noise and edge #becomes clear

img_smooth = scipy.ndimage.filters.gaussian_filter(img, sigma)

F = stopping_fun(img_smooth)

图2

有了F函数，我们就可以将其直接用于PDE的求解了：

Def default_phi(x):

Phi=np.ones(x.shape[:2])

Phi[5:-5,5：-5]=-1.

Return phi

n_iter=1000

Dt=1.

for i in range(n_iter):

dphi = grad(phi)

dphi_norm = norm(dphi)

dphi_t = F * dphi_norm

phi = phi + dt * dphi_t

多次迭代后，结果如下：

图3

这是一个非常简单的水平集分割方法。应用 更加复杂的F函数我们将得到更好 的结果。

测地线活动模型

在Geodesic Active Contour（GAC）模型中，F函数定义如下，式（3）：

式中，第一项为平滑项，它使曲线 沿曲率方向移动；第二项是气球项，用于控制曲线的演化速度；最后一项是附加项，用于帮助曲线收敛

# 曲率是这么计算的哦

Def curvature(f):

fy,fx=grad(f)

Norm=np.sqrt(fx**2+fy**2)

Nx=fx/(Norm+1e-8)

Ny=fy/(Norm+1e-8)

Return div(Nx,Ny)

Def div(fx,fy):

# 图像的散度对某幅图像连续求2次梯度得到的zx_x和zy_y的和是等于散度的。换句话说div(z) = zx_x +zy_y

Fyy,fyx=grad(fy)

Fxy,fxx=grad(fx)

Return fxx+fyy

Def dot(x,y,axis=0):

Return np.sum(x*y,axis=axis)

v=1.

Dt=1.

g=stopping_fun(img_smooth)#g=stopping_fun(img_smooth,alpha)

dg=grad(g)

for i in range(n_iter):

dphi = grad(phi)

dphi_norm = norm(dphi)

kappa = curvature(phi)

smoothing = g * kappa * dphi_norm

balloon = g * dphi_norm * v

attachment = dot(dphi, dg)

dphi_t = smoothing + balloon + attachment

phi = phi + dt * dphi_t

以下为分割结果：

图4

观测发现，该分割结果比图3更好，也即更平滑更贴合目标了

本章，我们实现了一个LSM在图像分割中的案例。我们发现 不同的速度函数F将实现不同的分割结果。