Chan-Vese图像分割实现：从数学原理到Python实战

1次阅读

共计 2517 个字符，预计需要花费 7 分钟才能阅读完成。

在图像分析领域，分割是许多任务的基础步骤。传统方法如阈值分割、边缘检测等虽然简单易用，但在实际应用中存在明显局限：

阈值法 ：依赖全局或局部灰度分布，难以处理光照不均或低对比度区域
边缘检测 （如 Canny 算子）：对噪声敏感，容易产生断裂边界
区域生长 ：需要人工设定种子点，缺乏自动适应能力

这些方法在遇到以下场景时表现欠佳：
1. 目标与背景灰度相近
2. 边界模糊或存在间断
3. 图像含有强噪声干扰

Chan-Vese 模型基于 Mumford-Shah 泛函简化形式，通过最小化能量函数实现分割：

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

其中：
– $\phi$：水平集函数
– $c_1,c_2$：内外区域灰度均值
– $\mu,\nu,\lambda$：权重参数

通过变分法推导得到演化方程：

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

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

def chan_vese_segmentation(
    image: np.ndarray,
    max_iter: int = 200,
    mu: float = 0.2,
    lambda1: float = 1.0,
    lambda2: float = 1.0,
    tol: float = 1e-3
) -> Tuple[np.ndarray, np.ndarray]:
    """
    Chan-Vese 主动轮廓图像分割实现

    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

    返回:
        phi: 最终水平集函数
        mask: 二值分割结果
    """
    # 图像预处理
    img_normalized = image.astype(np.float32) / 255.0

    # 初始化水平集函数（圆形初始轮廓）h, w = image.shape
    phi = np.ones((h, w)) * -1
    radius = min(h, w) // 4
    center = (w//2, h//2)
    cv2.circle(phi, center, radius, 1, -1)

    for _ in range(max_iter):
        # 计算 Heaviside 函数近似
        H = 0.5 * (1 + (2/np.pi) * np.arctan(phi))

        # 计算内外区域均值
        c1 = np.sum(img_normalized * H) / (np.sum(H) + 1e-8)
        c2 = np.sum(img_normalized * (1-H)) / (np.sum(1-H) + 1e-8)

        # 计算能量项
        term1 = (img_normalized - c1)**2
        term2 = (img_normalized - c2)**2

        # 计算曲率（保持边界平滑）phi_x, phi_y = np.gradient(phi)
        grad_norm = np.sqrt(phi_x**2 + phi_y**2 + 1e-8)
        curvature = cv2.Laplacian(phi, cv2.CV_64F) / grad_norm

        # 显式欧拉迭代
        dphi = (mu * curvature - 
                lambda1 * term1 + 
                lambda2 * term2) * grad_norm

        phi += 0.5 * dphi  # 添加时间步长控制

        # 检查收敛条件
        if np.max(np.abs(dphi)) < tol:
            break

    return phi, (phi > 0).astype(np.uint8) * 255

构建图像金字塔：先在小尺度图像上快速收敛
将粗分割结果上采样作为精细尺度初始轮廓

def multi_scale_segmentation(image, levels=3):
    pyramid = [image]
    for _ in range(levels-1):
        pyramid.append(cv2.pyrDown(pyramid[-1]))

    # 从最底层开始处理
    phi = None
    for img in reversed(pyramid):
        if phi is not None:
            phi = cv2.resize(phi, (img.shape[1], img.shape[0]))
        phi, mask = chan_vese_segmentation(img, initial_phi=phi)

    return phi, mask

使用 CuPy 替换 NumPy 运算，关键步骤：

import cupy as cp

def gpu_chan_vese(image):
    img_gpu = cp.asarray(image)
    phi_gpu = cp.ones_like(img_gpu) * -1
    # ... 其余计算移植到 GPU...
    return cp.asnumpy(phi_gpu)