(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210384937.8 (22)申请日 2022.04.13 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 李章勇　纪佳佳　黎希　杨德伟　 周秦　徐佳豪　张帅　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 专利代理师 卢胜斌 (51)Int.Cl. G06T 7/12(2017.01) G06N 3/00(2006.01) G06K 9/62(2022.01) G06V 10/762(2022.01) (54)发明名称 一种基于改进的主动轮廓算法的指静脉图 像分割方法 (57)摘要 本发明属于图像处理领域， 具体涉及一种基 于改进的主动轮廓算法的指静脉图像 分割方法， 该方法包括： 采用局部二值拟合主动轮廓算法构 建指静脉图像 分割模型； 采用改进的模糊均值聚 类算法计算待分割的指静脉图像的初始轮廓， 将 初始轮廓作为指静脉图像分割模型的初始指静 脉轮廓； 根据初始指静脉轮廓采用指静脉图像分 割模型对待分割的指静脉图像进行分割处理； 本 发明对每张静脉图像均会进行迭代优化运算， 输 出最优的手指静脉初始分割结果， 然后 在该基础 上进一步进行手指静脉图像分割， 保证 分割模型 的稳定性及准确率。 权利要求书3页 说明书8页 附图4页 CN 114677395 A 2022.06.28 CN 114677395 A 1.一种基于改进的主动轮廓 算法的指静脉图像分割方法， 其特征在于， 包括： 获取待分 割的指静脉图像； 采用改进的主动轮廓算法对待分割的指静脉图像进行分割处理， 得到分 割后的指静脉图像； 采用改进的主动轮廓算法对待分割的指静脉图像进行处理的过程包 括： S1： 采用局部二 值拟合主动轮廓算法构建指静脉图像分割模型； S2： 采用改进的模糊均值聚类算法计算待分割的指静脉图像的初始轮廓， 将初始轮廓 作为指静脉图像分割模型的初始指静脉轮廓； S3： 根据初始指静脉轮廓采用指静脉图像分割模型对待分割的指静脉图像进行分割处 理。 2.根据权利要求1所述的一种基于改进的主动轮廓算法的指静脉图像分割方法， 其特 征在于， 构建指静脉图像分割模型的过程包括： 获取Heaviside函数、 水平集函数以及高斯 核函数； 根据Heaviside函数、 水平集函数和高斯核函数计算以x为圆心的圆与零水平集轮 廓相交的内部均值f1和以x为圆心的圆与零 水平集轮廓相交的外部均值f2； 获取像素集合到 像素的强度映射， 根据内部均值f1、 外部均值 f2以及强度映射构建能量泛函模型， 该能量泛 函模型为手指静脉 结构特征分割模型。 3.根据权利要求2所述的一种基于改进的主动轮廓算法的指静脉图像分割方法， 其特 征在于， 能量泛函模型的表达式为： εlbf(φ,f1,f2)＝α1∫ ∫ΩKσ(x‑y)|I(y)‑f1(x)|2Hτ(φ(y))dydx+α2∫ ∫ΩKσ(x‑y)|I(y)‑f2(x) |2(1‑Hτ(φ(y)))dydx 其中， εlbf表示能量泛函模型， φ表示水平集函数， f1表示以x为圆心的圆与零水平集轮 廓相交的内部均值， f2表示以x为圆心的圆与零水平集轮廓相交的外部均值， α1和α2均表示 大于0的常数， Kσ表示尺度因子为σ 的高斯核函数， I(.)表示像素集合到像素的强度映射， y 表示像素点， x表示以x为中心的圆， Hτ表示赫维赛德函数， Ω表示图像中的所有像素点。 4.根据权利要求1所述的一种基于改进的主动轮廓算法的指静脉图像分割方法， 其特 征在于， 计算待分割的指静脉图像的初始轮廓的过程包括： 采用基于果蝇优化算法的模糊C 均值聚类算法获取初始轮廓， 其 步骤包括： 步骤1： 初始化 参数； 初始化 参数包括设置初始聚类中心个数n， 最大聚类中心个数； 步骤2： 采用果蝇优化算法获取全局最优解， 最优解为当前聚类中心n条件下的最优聚 类中心； 步骤3： 记录当前聚类中心数n对应最优值时的味道浓度值Sm； 步骤4： 当聚类 中心数n大于设置的最大聚类 中心个数时， 结束果蝇寻优算法； 当聚类 中 心数n小于等于设置的最大聚类中心个数时， 设置n ＝n+1， 返回步骤2继续进行寻优算法； 步骤5： 比较所有n的取值， 获取最优解时的味道浓度值Sm， 即当味道浓度值最大时聚类 中心数为最佳 的聚类中心数， 输出聚类中心对应的位置值； 将该该位置值作为初始 聚类中 心位置； 步骤6： 根据初始聚类中心位置采用模糊C均值聚类算法对待分割图像进行分割， 输出 手指静脉图像的初始分割结果， 并将其设置为分割模型的初始轮廓。 5.根据权利要求4所述的一种基于改进的主动轮廓算法的指静脉图像分割方法， 其特 征在于， 采用果蝇优化 算法获取全局最优解的过程包括：权　利　要　求　书 1/3 页 2 CN 114677395 A 2步骤21： 获取果蝇种群位置范围Pr和果蝇单次飞行 范围Sr； 步骤22： 根据果蝇种群位置范围Pr和果蝇单次飞行范围Sr计算果蝇群体的初始位置x 和y； 步骤23： 群 体的果蝇根据食物气味进行随机 搜索， 得到新的位置坐标(xi,yi)； 步骤24： 计算个 体位置与原点的距离Di， 并根据距离计算味道浓度判定值si； 步骤25： 根据味道浓度判定值si计算该果蝇个 体所在位置的味道浓度值Smi； 步骤26： 在群体中选择味道浓度 值最优的果蝇个体， 记录浓度 值bestSm和位置bestId， 并求极大值max(Sm)， 该极大值 为味道浓度值 最优的位置； 步骤27： 不断重复步骤23～步骤26， 判断迭代后的的气味浓度是否比迭代更新前的浓 度值更优， 若是， 则执 行步骤28， 否则继续进行迭代操作； 步骤28： 其 他果蝇个体根据获取的最优 浓度值位置进行位置更新。 6.根据权利要求4所述的一种基于改进的主动轮廓算法的指静脉图像分割方法， 其特 征在于， 采用模糊C均值聚类算法对待分割图像进行分割的过程包括： 步骤61： 根据初始聚类中心位置获取模糊C均值聚类算法目标函数； 步骤62： 确定隶属度矩阵U＝{uij}的约束条件； 约束条件的表达式为： 其中， n表示聚类中心 数， uij表示第i个样本对应的第j类的隶属 度函数， c表示聚类中心 总数； 步骤63： 采用拉格朗日乘数法获取目标函数的极小值 函数； 步骤64： 对极小值 函数的隶属度uij求偏导， 得到隶属度的偏导 函数； 步骤65： 根据约束条件对目标函数的极小值函数进行化简， 将化简后的表达式带入到 隶属度偏导 函数中， 得到隶属度公式； 步骤66： 对目标函数的极小值 函数的cj求偏导， 得到聚类中心公式； 步骤67： 重复计算uij和cj， 根据求出的uij和cj对目标函数Z进行更新， 直到达到最优解， 采用最优值对图像进行分割。 7.根据权利要求6所述的一种基于改进的主动轮廓算法的指静脉图像分割方法， 其特 征在于， 目标函数表达式为： 其中， 表示经过加权后的第i个样本对应的第j类的隶属度函数值， l表示样本对聚类 中心的加权值， xi表示变量 参数， cj表示聚类中心。 8.根据权利要求6所述的一种基于改进的主动轮廓算法的指静脉图像分割方法， 其特 征在于， 隶属度公式为： 其中， n表示聚类中心 数， l表示样本对聚类中心的加权值， xi表示变量参数， cj表示聚类权　利　要　求　书 2/3 页 3 CN 114677395 A 3