1.一种基于显著感知先验的模糊区域型活动轮廓分割模型，其能量泛函由区域型模糊img

项和显著感知先验项构成；区域性模糊项E 定义如下：img m 2 m 2

E (u)＝λ∫Ω[u(x)](S(x)‑c1) dx+λ∫Ω[1‑u(x)](S(x)‑c2) dx其中，λ是大于0的权重系数，Ω为图像域，c1和c2是图像像素均值，u(x)是模糊成员函数，m是权重幂指数，可取值为1或2，S(x)为局部区域图；为简化计算，假设I(x)是输入图像，为尺度为r1方差σ1的图像高斯卷积特征图，其中 为尺度为r1方差σ1的图像高斯函数；图像灰度值c1和c2定义如下：显著感知先验项定义如下：

sal 2 m 2 m

E (u)＝α∫Ωg(h(x)‑s1)·[u(x)]dx+α∫Ωg(h(x)‑s2)·[1‑u(x)]dx其中，α是大于0的权重系数，s1和s2是显著特征图像素均值，h(x)为显著性检测函数，其定义为 Iu是图像的区域特征均值， 是尺度为r2方差σ2的高斯核函数，g是边缘检测算子，其算子定义如下：其中，g是奇数行为N的方阵，▽di为当前点到邻近点的距离，K是矩阵元素个数；显著特征图像素均值s1和s2定义为：因此，分割模型的能量函数表达式如下：

2.根据权利要求1所述的基于显著感知先验的模糊区域型活动轮廓分割模型，为了计算能量泛函的差值ΔE，假设P是为图像中某一像素点，对应的局部特征图灰度值为s0和隶属度为u0，对应的图像灰度值为h0；相应地，对同一固定点P的新隶属度为un，能量泛函的变化值ΔE计算公式如下：

m m

其中t1＝∑Ω[u(x)]和t2＝∑Ω[1‑u(x)]，λ和α为大于0的权重系数，g是边缘检测算子，新灰度值 和 显著特征图的新像素值 和 以及un(x)定义如下：具体实施步骤如下：

(1)输入分割图像，设置初始化参数：权重系数λ和α，最大迭代次数，边缘检测算子g；

(2)初始化水平集函数：目标区域u0(x)＞0.5，背景区域u0(x)＜0.5；

(3)根据公式 计算区域显著性特征图，并计算图像的新灰度值和 显著特征图的新像素值 和

m m

其中t1＝∑Ω[u(x)]和t2＝∑Ω[1‑u(x)]；

(4)计算隶属度函数un(x)，并更新对应的新灰度值 和 显著特征图的新像素值 和(5)根据如下公式计算某一像素点P能量变化差值，如果ΔE＞0，用un值代替u0，否则保持u0原始值不变：

其中，λ和α为大于0的权重系数，g是边缘检测算子；

(6)用Jacobi迭代重复计算所有像素的能量变化值，一次迭代过程结束；

(7)重复步骤(4)‑(6)直至循环结束。