论文部分内容阅读
图像分割是图像处理、目标检测、模式识别、计算机视觉以及机器视觉等方面必不可少的组成部分,其在医学图像分析和遥感影像的提取等方面起着十分重要的作用。自上世纪九十年代以来,基于活动轮廓的图像分割方法在图像分割领域应用的越来越广泛,鉴于此图像分割法在获取目标边界精度时,可以达到亚像素的级别,且所得到的轮廓是光滑封闭的,因此,对接下来进行的图像分析和目标检测提供了良好的基础。本文旨在探索基于活动轮廓的图像分割算法模型,这类模型有利于对灰度分布不均匀的图像进行分割,但同时也存在一些局限性和问题,例如该模型常常会出现对初始轮廓的设置敏感以及分割速度偏慢的情况。基于以上的思考,本文提出了两种在原模型基础上的创新点:1.对基于局部拟合的活动轮廓模型的演化方式进行改进。这个方法主要是在曲线演化时,将局部区域内出现符号相反的函数值进行变号处理,即将这些相反的函数值进行符号的统一,这样一来,在曲线不断的演化过程中,轮廓内部的拟合值就会一直比轮廓外部的拟合值大或者小,则整个曲线的演化都将沿着目标的内边界或者外边界,而不至于使最终的演化曲线停留在目标的内部,那么就可以解决当能量最小化时陷入局部最优解的问题。此改进的方法在保留传统方法优点的基础上,更提升了初始轮廓的鲁棒性。2.对基于局部拟合的活动轮廓模型进行预处理,即在基于局部拟合的活动模型驱使曲线演化之前,提前将局部图像的平均灰度值计算出来,用来表示轮廓线两侧的不同的平均灰度值,再将此平均灰度值定义为两个局部拟合函数。和传统的用于局部拟合的函数比起来,其不同之处在于,本文所提出的预拟合函数和水平集函数毫无关系,且在函数更新时,不需要每次都进行迭代。所以,跟一些传统的基于局部区域拟合的活动轮廓模型相比,此改进的模型具有更少的计算量和更快的分割速度等优点。另外由于此模型的初始水平集函数被设置为一个常数,所以其对初始轮廓具有很好的鲁棒性。从实验结果可以看出,本文所提出的两个改进点可以对灰度分布不均匀的图像有较好的分割结果,对边缘较弱或含有噪声的图像也有不错的分割效果。与传统的局部拟合模型相比,第一个改进的模型较好的解决了传统的活动轮廓模型对初始轮廓选取较为敏感的问题,而第二个改进的模型则针对传统的活动轮廓模型分割速度较慢的缺点,加快了分割速度,提高了分割效率,也增强了初始轮廓的鲁棒性。