论文部分内容阅读
图像分割是图像处理和计算机视觉中一个基本问题.高斯混合模型(Gaussian mixture model,GMM)和活动轮廓(Active contour models,ACM s)是两类典型的分割模型,它们在目标函数和分割效果上均表现出互补性.引入logistic函数来衡量ACM中前景归属的不确定性,并与GM M的隐变量后验概率建立对应关系,从而搭建了ACM和GM M的双向通信桥梁.分别利用期望最大算法(Expectation-Maximization,EM)和梯度下降流优化这两类目标,结合区域统计信息和轮廓曲线的几何信息,提出了一个新型分割方法.首先,GMM传递自身的状态至ACM中,用于初始化活动轮廓曲线并构建区域项,进一步协助重表达Dirac函数并用于活动轮廓的演化.然后,EM过程从当前梯度下降流中获得反馈信息,用于高斯分支先验分布的动态估计.实验结果表明,通过双向通信,该分割方法可以快速收敛,在分割效果上也表现良好.