1.一种基于视觉显著区域和主动轮廓的图像分割方法，其特征在于，所述方法包括：S1：使用视觉显著区域检测算法对待分割图像进行预处理操作，获取目标种子矩阵sal1和目标形状先验矩阵sal2；预处理操作中，将待分割图像中所有像素点聚类为K个簇，根据c′ k每个簇的紧凑程度，重新设计紧凑对比度测度ω (C)；

S2：使用将目标形状先验矩阵sal2分为两部分的边界作为初始轮廓曲线C，构造水平集函数φ：其中，(z1,z2)表示水平集函数φ在t时刻的坐标；

S3：构造基于待分割图像全局信息的自适应符号函数加权优化LoG能量项，即全局能量项；

S4：引入灰度变化统计信息与空间信息相结合，构建新的局部能量项；

S5：以线性方式融合局部能量项与全局能量项，并添加长度项和惩罚项，构造能量泛函，实现对于待分割图像的图像分割；

所述S3构造基于待分割图像全局信息的自适应符号函数加权优化LoG能量项，即全局能量项，包括：其中， 为权重系数； 为梯度算子；Gσ是模板大小为3×3、方差为1的高斯核函数；α,β均为正常数，Δ为拉普拉斯算子；I为像素点强度值；u为优化LoG算子；

结合目标种子矩阵sal1与彩色图像中R、G、B通道中最大对比度位图bγ，构建自适应符号函数sgn(·)，得到自适应符号函数加权的优化LoG能量项，即全局能量项其中，H(φ)为亥维赛函数，λ3，λ4为系数，in(C)表示初始轮廓曲线C演化后包围的内部区域，out(C)为图像域Ω除in(C)以外的区域；

所述彩色图像中R、G、B通道中最大对比度位图bγ获取步骤如下：记待分割图像的像素点强度值为样本X＝{Xi|i＝1,2,…,N}，其中Xi为像素点i处的强度值，N为像素总数；分别计算R、G、B通道内的四阶矩：其中， 为样本X的均值，M4为M4_sum的均值；

计算R、G、B各通道对比度：

其中，样本峰度 样本方差： 样本标准差：获取待分割图像R、G、B通道中具有最大对比度的位图：Fcon_x为R、G、B各通道对比度；

所述构建自适应符号函数sgn(·)，包括：使用f(p,q)表示位图bγ中任意像素点的强度值，(p,q)为坐标索引，分别计算目标种子点与非目标种子点对应的强度均值msal和mnsal：比较目标种子点与非目标种子点的强度均值大小，设计自适应符号函数：msal>mnsal表示目标种子点的强度大于非目标种子点的强度，msal

2.根据权利要求1所述的方法，其特征在于，所述S1使用视觉显著区域检测算法对待分割图像进行预处理操作，获取目标种子矩阵sal1和目标形状先验矩阵sal2，包括：

1.1将待分割图像中所有像素点聚类为K个簇；

k s k c k

1.2分别计算簇C对应的空间测度ω (C)和对比度测度ω (C)，k＝1,2,...,K；

其中，zi表示像素点i的空间索引，o为待分割图像中心的空间索引， 为高斯分布，|

2 k k

|·||2表示欧式距离，σn为归一化方差；ζ(i，C)表示当像素点i属于簇C时取值为1，否则取k k j j k j k j值为0；n是簇C所含像素的个数，n是簇C所含像素的个数；||μ ‑μ||2表示簇C与C聚类中k j心μ和μ之间的欧氏距离；N代表待分割图像像素的总个数；

c′ k

1.3根据每个簇的紧凑程度计算紧凑对比度测度ω (C)；

s k c′ k

1.4以非线性方式融合空间测度ω (C)和紧凑对比度测度ω (C)，计算每个簇对应的k显著值p(C)：

k s k c' k

p(C)＝Πω (C)·ω (C)

1.5计算每个像素点对应的显著值p(i)，获取待分割图像的基于像素的显著图：k k

其中， vi表示像素i的特征向量，μ 表示簇C 的聚类中心，σk表示高斯函数标准差；

1.6对待分割图像的基于像素的显著图进行初步分割，得到初始二值图；再利用半径为

2的圆形模板对初始二值图进行形态学腐蚀操作，得到优化二值图，并选取优化二值图连通域最大区域中所包含的像素点作为目标种子点，标记为1，其余为非目标种子点，标记为0；

得到目标种子矩阵sal1，再利用半径为2的圆形模板对优化二值图进行膨胀操作，得到目标形状先验矩阵sal2。

3.根据权利要求2所述的方法，其特征在于，所述1.3根据每个簇的紧凑程度计算紧凑c′ k对比度测度ω (C)，包括：

1.3.1计算待分割图像中基于簇的对比度测度显著值均值：

1.3.2计算簇内各像素点到该簇中心像素点的空间距离，并将其归一化为[0,1]：k k

dcom(C)＝norm(dcomo(C))k k k

其中，ckn表示簇C内含有的像素点个数， 表示簇C 内像素点i的空间索引， 为簇C中心的空间索引，norm(·)为归一化操作；

1.3.3计算紧凑对比度测度：

其中θ1＝0,θ2＝1。

4.根据权利要求3所述的方法，其特征在于，所述S4引入灰度变化统计信息与空间信息sgFit相结合，构建新的局部能量项ε ，包括：

4.1统计局部灰度信息δg_xy；

sgFit

4.2根据下式构建局部能量项ε ：sgFit 2

ε (φ,m1(x),m2(x))＝λ1∫δg_xy[∫δs_xy|I(y)‑m1(x)|H(φ)dy]dx+λ2∫δg_xy[∫δs_xy|I2

(y)‑m2(x)|(1‑H(φ))dy]dx其中，I(y)代表局部窗口中心像素点x的邻域像素点y强度值，m1(x),m2(x)分别为像素点x处目标边界两侧的局部近似拟合值，λ1＝λ2＝1。

5.根据权利要求4所述的方法，其特征在于，所述4.1统计局部灰度信息δg_xy，包括：

4.1.1图像中的任一局部窗口Nx，统计中心像素点x所在局部窗口的灰度分布均匀程度：其中 αs＝exp(‑99)，局部窗口Nx大小设置为3×3， 为归一化因子；

4.1.2采取负指数函数来定义灰度域上邻域点对中心点的影响权重：δg_xy＝exp(‑ωxy)。

6.根据权利要求5所述的方法，其特征在于，所述S5以线性方式融合局部能量项与全局能量项，添加长度项和惩罚项，实现对于待分割图像的图像分割，包括：sgFit

5.1以线性方式融合局部能量项ε 与全局能量项 并引入长度项和惩罚项，得aslrsf

到总能量泛函ε ：

其中，θ,μ,v分别为全局项系数、惩罚项系数及长度项系数，其中长度项惩罚项

aslrsf

5.2固定水平集φ，能量泛函ε 分别对m1(x)，m2(x)求导，得到m1(x)，m2(x)的更新公式：其中，δs_xy为高斯核函数，正则化函数aslrsf

5.3固定m1(x)，m2(x)，对能量泛函ε 关于水平集函数变分，由梯度下降流可得水平集函数演化方程：2

其中，狄拉克函数 eΓ＝λΓ∫Ωδs_xyδg_xy|I(y)‑mΓ|dy(Γ＝1,2)，Δ为拉普拉斯算子， 为梯度算子，div(·)为散度算子；

‑7

5.4每迭代6次，计算初始轮廓曲线C演化后所围面积Sn的变化，当满足|Sn+6‑Sn|<10 或迭代次数n>500，则停止迭代并输出分割结果，否则返回步骤5.2。

7.根据权利要求2所述的方法，其特征在于，所述1.1采用Kmeans++技术将待分割图像中所有像素点聚类为K个簇。