Chan-Vese图像分割实现：从数学原理到Python实战

1次阅读

共计 2405 个字符，预计需要花费 7 分钟才能阅读完成。

在图像分割领域，像阈值法和边缘检测这些传统方法虽然简单直接，但面对复杂场景时就显得力不从心了。比如医学影像中经常遇到的边界模糊、灰度不均匀的情况，用这些方法处理效果往往不理想。阈值法对光照变化特别敏感，而边缘检测在噪声干扰下容易产生断断续续的轮廓线。

Chan-Vese 模型的核心思想是通过最小化能量函数来实现分割。这个能量函数定义如下：

$$E(\phi) = \mu \cdot \text{Length}(C) + \nu \cdot \text{Area}(inside(C)) + \lambda_1 \int_{inside(C)} |I(x,y)-c_1|^2 dxdy + \lambda_2 \int_{outside(C)} |I(x,y)-c_2|^2 dxdy$$

其中：
– $\phi$ 是水平集函数
– $C$ 是分割边界
– $c_1$ 和 $c_2$ 分别是内部和外部区域的平均灰度值
– $\mu$, $\nu$, $\lambda_1$, $\lambda_2$ 是权重参数

通过变分法推导，可以得到水平集函数的演化方程：

$$\frac{\partial \phi}{\partial t} = \delta(\phi) \left[\mu \text{div}\left(\frac{\nabla \phi}{|\nabla \phi|}\right) – \nu – \lambda_1(I-c_1)^2 + \lambda_2(I-c_2)^2 \right]$$

下面是基于 OpenCV 和 NumPy 的实现代码，包含完整的参数调整逻辑：

import cv2
import numpy as np
from typing import Tuple, Optional

def chan_vese_segmentation(
    image: np.ndarray,
    max_iter: int = 1000,
    mu: float = 0.2,
    lambda1: float = 1.0,
    lambda2: float = 1.0,
    tol: float = 1e-3,
    init_contour: Optional[np.ndarray] = None
) -> Tuple[np.ndarray, np.ndarray]:
    """
    Chan-Vese 图像分割实现

    参数:
        image: 输入灰度图像 (0-255)
        max_iter: 最大迭代次数
        mu: 长度项权重
        lambda1: 内部区域权重
        lambda2: 外部区域权重
        tol: 收敛阈值
        init_contour: 初始轮廓 (可选)

    返回:
        tuple: (分割结果, 演化过程能量值)
    """
    # 图像预处理
    img = image.astype(np.float32)
    if len(img.shape) > 2:
        img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 初始化水平集函数
    phi = np.ones_like(img) * -1
    if init_contour is None:
        # 默认初始化为中心圆
        h, w = img.shape
        Y, X = np.ogrid[:h, :w]
        center = (h//2, w//2)
        radius = min(h, w) // 4
        phi = np.sqrt((X - center[1])**2 + (Y - center[0])**2) - radius
    else:
        phi = init_contour.copy()

    # 迭代求解
    energies = []
    for i in range(max_iter):
        # 计算内部外部均值
        inside = phi <= 0
        c1 = img[inside].mean() if np.any(inside) else 0
        c2 = img[~inside].mean() if np.any(~inside) else 0

        # 计算能量项
        length_term = mu * curvature(phi)
        area_term = np.ones_like(phi)
        data_term = lambda1 * (img - c1)**2 - lambda2 * (img - c2)**2

        # 更新水平集函数 (显式欧拉)
        delta_phi = delta(phi)
        dphi_dt = delta_phi * (length_term + area_term + data_term)
        phi += 0.5 * dphi_dt

        # 计算当前能量
        energy = compute_energy(phi, img, mu, lambda1, lambda2, c1, c2)
        energies.append(energy)

        # 检查收敛
        if i > 10 and abs(energies[-1] - energies[-2]) < tol:
            break

    return (phi <= 0).astype(np.uint8) * 255, np.array(energies)

# 辅助函数...