论文部分内容阅读
如何有效分割复杂场景图像,一直是计算机视觉领域的研究热点之一。在分割含有未知噪声及灰度分布不均匀或异质的复杂场景图像时,目前很多分割算法要么无法进行精确分割,要么分割结果对初始轮廓依赖性很大。为了精确有效的分割含有未知噪声的灰度分布不均勾或异质的图像,增加分割结果对初始轮廓的鲁棒性,提高模型的可操作性,本文提出了基于相关熵的变分水平集分割模型,该模型主要用于对分割精度要求比较高的场景,如医学图像的分割等。本文主要研究内容如下: (1)针对在分割含有未知噪声图像时,分割结果对初始轮廓敏感的问题,本文将相关熵准则引入到CV模型中,提出基于全局相关熵的GCK模型,并用迭代加权算法和变分水平集方法进行求解。 (2)针对图像中灰度分布不均匀或异质的问题,本文将GCK模型和LCK模型进行组合,提出了基于全局和局部相关熵的GLCK组合模型,该模型分两步来完成分割,首先用GCK模型分割图像,得到目标的大致轮廓;然后将得到的大致轮廓作为LCK模型的初始轮廓,再进一步分割图像。这种组合方式保留了GCK模型和LCK模型的特点,使得GLCK模型能有效的分割含有未知噪声的灰度分布不均匀的复杂场景图像,且分割结果对初始轮廓具有鲁棒性。 (3)为提高GLCK模型的可操作性及分割精度,便于GLCK模型的推广和使用,本文提出了将GCK模型和LCK模型进行动态组合来优化GLCK模型的方法。