基于CV模型的多相水平集图像分割系统

资 源 简 介

本项目完整实现了基于Chan-Vese（CV）模型的变分水平集图像分割算法，通过引入多个水平集函数构建多相（Multi-phase）分割框架，解决了传统CV模型只能处理二值分割（前景/背景）的局限性。系统核心采用Mumford-Shah泛函的简化形式，利用m个水平集函数将图像域划分为N=2^m个不同的子区域，每个区域内的图像强度假设为分段常数。主要功能包括：1. 构建基于区域信息的多相能量泛函，该泛函包含数据拟合项（最小化区域内灰度方差）和正则化项（最小化轮廓长度和面积），从而在无需梯度信息的情况下实现分割，对噪声和边缘模糊具有鲁棒性；2. 使用变分法推导对应的Euler-Lagrange方程，并通过半隐式或显式差分格式求解偏微分方程（PDE），实现水平集函数的时间演化；3. 引入正则化的Heaviside函数和Dirac函数，确保数值计算的稳定性并处理拓扑结构变化（如曲线的分裂与合并）；4. 代码支持自定义水平集函数数量（通常为2个函数对应4相分割），能够同时分割出背景、不同灰度级的目标物体等多个区域；5. 提供完整的可视化界面或脚本，实时显示零水平集轮廓的演化过程，并记录能量收敛曲线。该项目适用于医学影像（如脑部MRI组织分类）、显微图像细胞计数以及一般复杂场景下的多目标提取任务。

详 情 说 明

基于CV模型的多相水平集图像分割系统 README

项目简介

本项目实现了一个基于Chan-Vese（CV）模型的多相变分水平集图像分割系统。传统的CV模型通常用于二相分割（前景与背景），而本系统通过引入两个水平集函数（$phi_1, phi_2$），构建了一个能够处理四相（4个不同区域）的分割框架。系统基于简化的Mumford-Shah泛函，假设图像由多个分段常数区域组成，通过最小化能量泛函（包含数据拟合项和长度正则化项）来演化曲线，从而在无需图像梯度信息的情况下，有效地分割出具有不同灰度级别的目标区域。

该算法对高斯噪声具有显著的鲁棒性，并且能够自动处理拓扑结构的变化（如轮廓的分裂与合并）。代码使用MATLAB编写，包含完整的合成数据生成、核心算法求解及多视图实时可视化功能。

功能特性

• 多相分割能力：利用2个水平集函数将图像域划分为 $N=2^2=4$ 个子区域，能够同时识别背景及多个不同灰度的目标物体。
• 抗噪鲁棒性：基于区域的全局统计信息（平均灰度）而非局部梯度信息驱动曲线演化，对含噪图像表现优异。
• 变分法求解：实现了Euler-Lagrange方程的数值求解，包括正则化的Heaviside和Dirac Delta函数计算。
• 自适应拓扑变化：无需重新参数化即可自然处理曲线的合并与分裂。
• 全流程可视化：提供包含原始图像、实时轮廓演化、能量收敛曲线、重构的分段常数图像、四相分类掩膜（Mask）及三维水平集曲面的多窗口实时显示。
• 合成数据演示：内置合成图像生成逻辑，包含不同灰度级的几何图形（矩形、圆形）及高斯噪声，便于直接测试算法性能。

系统要求

• 环境：MATLAB R2016a 及以上版本
• 工具箱：Standard MATLAB Functions（无需特殊工具箱，核心计算均为基础矩阵操作）

快速开始

1. 启动：在MATLAB环境中直接运行主程序脚本。
2. 流程：

* 程序首先生成一张包含4个不同灰度区域（背景、两个矩形、一个圆形）的合成图像，并添加高斯噪声。 * 初始化两个水平集函数为特定的几何形状。 * 进入迭代循环，实时显示分割演化过程。

1. 结果：迭代完成后，控制台输出“分割完成”，窗口最终展示分割结果及能量收敛情况。
2. 自定义图像：若需处理真实图像，只需修改代码第一部分的图像读取逻辑（imread），并将图像转换为灰度及 double 类型即可。

算法实现与代码逻辑详解

本项目的核心逻辑严格对应代码实现，主要步骤分析如下：

1. 图像生成与预处理

代码首先构建了一个 $200 times 200$ 的仿真场景，预设了四个灰度层级（20, 80, 140, 200），分别代表背景、左上矩形、右下矩形和中心圆形。随后叠加高斯白噪声以模拟真实环境下的复杂性。图像数据被转换为双精度（double）以确保数值计算的精度。

2. 水平集函数初始化

系统初始化了两个水平集函数 $phi_1$ 和 $phi_2$。

• $phi_1$ 被初始化为一个覆盖左上区域的锥形/符号距离函数。
• $phi_2$ 被初始化为一个覆盖右下区域的函数。

这两个函数的零水平集（Zero Level Set）构成了初始的演化轮廓。

3. 多相水平集演化核心（主循环）

在400次迭代循环中，算法执行以下关键步骤：

• 计算正则化函数：使用反正切（atan）函数构造光滑的 Heaviside 函数 ($H$) 和 Dirac Delta 函数 ($delta$)，参数 epsilon 控制平滑程度，防止数值计算中的奇异性。
• 计算区域平均灰度：

利用两个 Heaviside 函数 $H_1, H_2$ 的组合，将图像域划分为四个互不重叠的区域： * 区域11 ($H_1H_2$): $phi_1 > 0, phi_2 > 0$ * 区域10 ($H_1(1-H_2)$): $phi_1 > 0, phi_2 < 0$ * 区域01 ($(1-H_1)H_2$): $phi_1 < 0, phi_2 > 0$ * 区域00 ($(1-H_1)(1-H_2)$): $phi_1 < 0, phi_2 < 0$ 代码分别计算这四个区域内的图像平均灰度值（$c_{11}, c_{10}, c_{01}, c_{00}$）。

• 计算数据拟合项：

计算原始图像与各区域平均灰度之间的平方误差，这些误差项驱动轮廓向目标边缘移动。

• 演化方程求解 (Euler-Lagrange)：

代码显式实现了多相CV模型的梯度下降流。 * $phi_1$ 的更新：受自身曲率项（平滑项）和数据拟合力驱动。数据拟合力由 $phi_2$ 的状态加权决定（即考虑区域11与01的差异，以及区域10与00的差异）。 * $phi_2$ 的更新：同理，受自身曲率项和由 $phi_1$ 状态加权的数据拟合力驱动。 * 边界处理：每次迭代后调用 neumann_bc 函数，对水平集函数应用Neumann边界条件（边界法向导数为零），通过镜像填充防止演化过程中的边界数值震荡。

• 能量计算：

计算包含数据拟合误差和轮廓长度的全局能量。该能量值被记录并绘制，用于观察算法的收敛性（能量应随迭代单调递减）。

4. 辅助算法细节

• 曲率计算 (calc_curvature)：

采用中心差分法计算水平集函数的一阶和二阶偏导数（$u_x, u_y, u_{xx}, u_{yy}, u_{xy}$），并利用公式 $K = text{div}(frac{nabla phi}{|nabla phi|})$ 计算平均曲率。分母中添加了微小量以避免除零错误。

• 可视化逻辑：

每20次迭代刷新一次视图，展示6个子图： 1. 原始图像。 2. 叠加了 $phi_1$（红）和 $phi_2$（绿）零水平集轮廓的图像。 3. 能量下降曲线。 4. 基于当前分割结果重构的分段常数（Piecewise Constant）图像。 5. 四相分类的伪彩色掩膜，直观展示四个区域的划分。 6. $phi_1$ 函数的三维网格图，展示水平集曲面的演化形态。

总结

该项目完整展示了基于变分法的多相图像分割技术，通过严格的数学推导和数值实现，解决了复杂图像的多目标提取问题。代码逻辑清晰，将理论公式转化为具体的矩阵运算，适合用于理解水平集方法、图像分割算法以及偏微分方程在图像处理中的应用。