1.一种基于全局与局部拟合能量的模糊区域型活动轮廓分割模型，其特征在于：该模G

型能量泛函由全局数据项和模糊拟合项构成，全局数据项E定义如下：G m 2 m 2

E(u,g)＝λ1∫Ω[u(x)]g(I(x)‑c1) dx+λ2∫Ω[1‑u(x)]g(I(x)‑c2) dx其中，λ1和λ2是大于0的权重系数，x为像素点，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，I(x)是输入图像，g是边缘检测算子，其算子定义如下：其中，为输入图像I(x)的输入算子，Gσ是标准方差为σ的高斯核函数；

在模糊拟合项中，首先构建局部模糊拟合图像和全局模糊拟合图像，全局模糊拟合图像(GFFI)定义如下：

GFFI m m

I (x)＝[u(x)]c1+[1‑u(x)]c2其中，c1和c2的表达式如下：u(x)∈[0,1]为伪水平集函数，又称隶属度函数，其定义：其中C为图像域Ω内闭合曲线；

局部模糊拟合图像(LFFI)定义如下：LFFI m m

I (x)＝[u(x)]f1+[1‑u(x)]f2其中，f1和f2为局部区域像素平均灰度值；图像中任一像素x的局部区域平均灰度值，局部区域是指以图像中任一像素为中心的矩形区域(2k+1)×(2k+1)，k为正整数；假设y是独立于x的局部图像域Ωx的像素点，其函数f1和f2定义如下：其中，ωk(x)是标准方差为σ的高斯函数；

F

基于局部模糊拟合图像和全局模糊拟合图像，模糊拟合项E(u,g)定义如下：F LFFI GFFI

E(u,g)＝α1∫Ωg|I(x)‑I (x)|dx+α2∫Ωg|I(x)‑I (x)|dx其中，α1和α2是大于0的权重系数，|·|为L1范式；

因此，分割模型的能量函数表达式如下：m 2 m 2 LFFI

E(u,g)＝λ1∫Ω[u(x)]g(I(x)‑c1) dx+λ2∫Ω[1‑u(x)]g(I(x)‑c2) dx+α1∫Ωg|I(x)‑IGFFI

(x)|dx+α2∫Ωg|I(x)‑I (x)|dx假设P是为图像中某一像素点，对应的灰度值为I0和隶属度为u0；相应地，对同一固定点P的新隶属度为un，具体实施步骤包括如下：(1)输入分割图像，设置初始化参数：权重系数λ1,λ2,α1和α2，最大迭代次数，边缘检测算子矩阵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)计算图像的灰度均值c1和c2，像素的平均灰度均值f1和f2，以及两个拟合图像矩阵LFFI GFFI

I (x)和I (x)；

其中，I(x)为整个图像域Ω中的输入图像，ωk(x)是标准方差为σ的(2k+1)×(2k+1)矩m m

形区域高斯函数，t1＝∑Ω[u(x)]和t2＝∑Ω[1‑u(x)]；

F

(4)计算整个图像域中的模糊拟合项E(u,g)：F LFFI GFFI

E(u,g)＝α1∑Ωg|I(x)‑I (x)|+α2∑Ωg|I(x)‑I (x)|(5)更新如下参数：隶属度函数un(x)，图像的灰度均值 和 像素的平均灰度均值和 以及两个拟合图像矩阵 和(6)计算更新后的模糊拟合能量：(7)计算整个图像域中的能量变化值；

如果ΔE＞0，用un值代替u0，否则保持u0原始值不变；

(8)采用高斯滤波函数对伪水平集函数进行光滑和规则化：un(x)＝un(x)*Kξ，其中ξ为标准差，设置ξ＝1.5；

(9)重复步骤(3)‑(8)直至循环结束。