基于C-V模型的水平集图像分割算法

资 源 简 介

本项目复现了由Tony Chan和Zhuang Vese提出的经典无梯度主动轮廓模型（C-V模型），这是一种基于水平集方法的图像分割算法。该算法的核心思想是将图像分割问题转化为能量泛函最小化问题，不同于传统的依赖图像梯度（边缘）信息的几何主动轮廓模型，C-V模型利用图像区域内的统计信息（如对象内部和外部的平均灰度强度）来驱动曲线演化。这使得算法在处理边界模糊、梯度不明显、噪声干扰大或具有不连续边缘的图像时表现优异。项目采用了水平集函数（Level Set Function）的隐式表达方式，使得演化的轮廓能够自动适应并自然地处理拓扑结构的变化，例如轮廓的分裂、合并或孔洞的生成，而无需复杂的几何参数跟踪。程序完整实现了水平集函数的初始化、正则化Heaviside函数与Dirac函数的计算、曲率项的数值近似以及基于有限差分法的PDE迭代求解过程。作为水平集方法的入门级程序，代码结构清晰，能够帮助用户直观理解变分水平集方法的基本原理，适用于医学图像分割（如MRI、CT影像中的器官提取）、工业缺陷检测及通用计算机视觉研究。

详 情 说 明

基于Chan-Vese模型的无梯度主动轮廓水平集图像分割算法

项目介绍

本项目是一个基于MATLAB实现的图像分割程序，完整复现了经典的Chan-Vese (C-V) 主动轮廓模型。该模型由Tony Chan和Zhuang Vese提出，是一种基于水平集方法（Level Set Method）的变分图像分割算法。

不同于依赖图像梯度（边缘检测）的传统几何主动轮廓模型，本项目实现的C-V模型利用图像区域的全局统计信息（内部和外部的平均灰度强度）来驱动轮廓演化。这使得算法能够鲁棒地处理边界模糊、梯度不明显、存在噪声或甚至没有清晰边缘定义的图像（例如医学影像或纹理图像）。

程序采用水平集函数的隐式表达，通过最小化能量泛函将曲线演化为目标区域的边界，能够自动处理拓扑结构的变化（如轮廓的分裂和合并）。

功能特性

• 无梯度分割：不依赖图像边缘梯度信息，而是基于区域均值（Region-based）驱动，对高斯噪声和模糊边界具有极强的鲁棒性。
• 合成数据生成：内置合成图像生成器，自动创建包含背景噪声、高斯模糊、不同灰度几何形状（圆形、圆环、矩形）的测试图像，无需外部文件即可运行。
• 完整的水平集演化：实现了从初始化、曲率计算、正则化函数计算到PDE迭代更新的完整流程。
• 实时可视化：提供交互式的4窗口可视化界面，实时展示演化过程：

* 原始图像叠加演化轮廓 * 水平集函数 $Phi$ 的三维网格显示 * 当前的二值分割掩膜 * 能量最小化收敛曲线

• 数值稳定性处理：实现了Neumann边界条件处理及正规化Heaviside和Delta函数，增强了演化的数值稳定性。

系统要求

• MATLAB R2016a 或更高版本（代码仅依赖基础功能及图像处理工具箱的基本函数）。
• 推荐配置：标准PC即可，无需GPU加速。

使用方法

1. 启动程序：直接运行 main.m 即可。程序默认生成一张合成图像进行分割展示。
2. 替换图像：若需分割自己的图片，请在代码第一部分注释掉 createSyntheticImage 调用，取消 imread 的注释并修改路径。
3. 参数调整：在代码的“参数设置”部分可以调整以下核心参数以适应不同图像：

* mu (长度项系数)：控制轮廓的光滑度。值越大，边缘越圆滑，细小特征可能被忽略；值越小，能捕捉更多细节但易受噪声影响。 * max_iter (迭代次数)：根据图像复杂度调整演化步数。 * lambda1 / lambda2：控制内部和外部数据项的权重，通常设为1。

算法实现与核心逻辑

本项目主要通过求解偏微分方程 (PDE) 来最小化Chan-Vese能量泛函。代码的具体实现逻辑如下：

1. 图像预处理与初始化

• 代码首先生成或读取图像，将其转换为灰度图，并归一化到 [0, 1] 区间。
• 水平集初始化：构建一个初始的水平集函数 $Phi$。代码中采用二值化初始方法，在图像中心定义一个矩形区域，区域内部赋值为正常数 $c_0$，外部赋值为 $-c_0$，从而隐式定义了初始轮廓（零水平集）。

2. 核心演化循环 (PDE求解)

程序采用有限差分法在离散网格上迭代求解 Euler-Lagrange 方程，主要步骤包括：

• 边界条件处理：调用辅助函数，对 $Phi$ 矩阵应用 Neumann 边界条件。这确保了在计算差分时，图像边界处的导数为0，防止演化过程中的边界溢出或振荡。
• 曲率计算 ($kappa$)：

* 采用精细的有限差分方案计算曲率项 $text{div}(nablaPhi / |nablaPhi|)$。 * 代码通过前向差分、后向差分和中心差分结合的方式，计算出非线性扩散系数 $C_1, C_2, C_3, C_4$，显式地构建了曲率驱动项。这种离散化方法保证了曲率计算在数值上的准确性。

• 正则化函数计算：

* Heaviside函数 ($H$)：使用反正切函数 (atan) 进行平滑正则化，用于区分轮廓内外部区域。 * Delta函数 ($delta$)：作为Heaviside的导数计算，用于限制演化仅在零水平集附近发生。

• 区域统计信息更新：

* 计算轮廓内部 ($H(Phi)$) 的平均灰度 $c_1$。 * 计算轮廓外部 ($1-H(Phi)$) 的平均灰度 $c_2$。 * 这两个全局统计量是驱动C-V模型收敛的关键。

• 水平集更新：

* 根据显式时间推进方案更新 $Phi$。 * 更新公式包含三部分：曲率平滑项（$mu cdot kappa$）、内部数据拟合项（$-lambda_1(I-c_1)^2$）和外部数据拟合项（$lambda_2(I-c_2)^2$）。

• 能量计算：

* 计算当前状态的总能量（长度项 + 数据拟合项），用于绘制收敛曲线，帮助用户判断算法是否收敛。

关键函数说明

createSyntheticImage

• 功能：生成用于算法测试的合成图像。
• 细节：创建了一个 256x256 的图像，包含一个高亮圆形、一个带孔洞的圆形（圆环）和一个矩形。为了模拟真实场景，函数还特意添加了高斯平滑（模拟边界模糊）和高斯随机噪声，以验证算法在非理想条件下的性能。

applyNeumannBoundaries

• 功能：处理图像边界的边界条件。
• 细节：将图像矩阵最外圈像素填充为与其相邻的内部像素的值。这数学上对应于 $frac{partial Phi}{partial vec{n}} = 0$，保证了差分计算在边界处的合法性，防止演化曲线异常地吸附或逃离图像边界。

main (主逻辑)

• Heaviside与Delta近似：代码中使用了基于 $arctan$ 的平滑近似公式，其中 epsilon 参数控制平滑程度。这避免了传统阶跃函数在数值计算中的不连续性问题。
• 显式迭代格式：利用时间步长 dt 进行前向欧拉迭代。代码中严格按照变分法导出的梯度流公式进行编写，清晰地分离了长度项（平滑项）和数据项（驱动项）。