本文關(guān)鍵詞： 變分水平集 幀間差分算法 K-means聚類算法 形態(tài)學(xué) 復(fù)雜背景　出處：《軟件學(xué)報》2017年10期 　論文類型：期刊論文

【摘要】：無需重新初始化的變分水平集模型能夠避免經(jīng)典水平集模型的重復(fù)初始化步驟,進(jìn)而簡化計算,縮短檢測所需時間,同時能夠有效利用圖像的邊緣梯度信息,從而準(zhǔn)確定位圖像的局部結(jié)構(gòu).但該模型不能自適應(yīng)地獲得初始化曲線,水平集的拓?fù)浣Y(jié)構(gòu)也無法改變,不能解決多個目標(biāo)的檢測問題.針對以上問題,提出了一種基于自適應(yīng)輪廓的變分水平集復(fù)雜背景多目標(biāo)檢測方法,該方法采用幀間差分算法與K-means聚類算法相結(jié)合,以獲得多個運(yùn)動目標(biāo)的初始化曲線,通過形態(tài)學(xué)方法來降低圖像噪聲的干擾,從而快速自適應(yīng)地估計復(fù)雜背景下運(yùn)動目標(biāo)的位置和輪廓大小.該算法進(jìn)一步對無需初始化的變分水平集進(jìn)行改進(jìn),將其由單目標(biāo)檢測模型擴(kuò)展為多目標(biāo)檢測模型,并修正原模型難以處理圖像灰度不均勻的問題,最終實(shí)現(xiàn)對復(fù)雜背景下多個目標(biāo)的檢測.在標(biāo)準(zhǔn)數(shù)據(jù)庫和實(shí)際數(shù)據(jù)集上的測試結(jié)果表明,所提方法能夠準(zhǔn)確地定位不同尺度和灰度目標(biāo)的輪廓,從而提高算法的演化迭代效率及準(zhǔn)確性.
[Abstract]:Repeat initialization steps without re initialization of the variational level set model can avoid the classical level set model, so as to simplify calculation, shorten the detection time required, and can effectively use the edge information of the image gradient, local structure so as to accurately locate image. But the model can adaptively obtain the initial curve, the topological structure of the level set can not change, can not solve the detection problem of multiple targets. To solve the above problems, put forward a set of multi target detection method in complex background based on adaptive contour, the method of mining algorithm and K-means clustering algorithm combined with the frame difference, to initialize the curve of multiple moving targets to reduce. Image noise by morphological method, and fast adaptive estimation of moving target under complex background position and outline size. The algorithm of step on To initialize the variational level set is improved, which consists of a single target detection model is extended to multi target detection model, and modified the original model is difficult to deal with the problem of uneven gray image, finally realize the detection of multiple targets in complex background. In the standard database and the actual data set on the test results show that the the proposed method can accurately locate the different gray scale and the outline of the target, so as to improve the efficiency and accuracy of the iterative evolution algorithm.

【作者單位】： 西安電子科技大學(xué)空間科學(xué)與技術(shù)學(xué)院;西安電子科技大學(xué)電子工程學(xué)院;
【基金】：國家自然科學(xué)基金(61501352,61503292,61203202) 陜西省自然科學(xué)基礎(chǔ)研究計劃-青年人才項(xiàng)目(S2015YFJQ0573) 中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金(JB151308,JB150228,JB161308,XJS16075)~~
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林亞忠;程躍斌;陳武凡;;一種水平集分割的快速算法[J];南方醫(yī)科大學(xué)學(xué)報;2006年06期

2 段先華;夏德深;;基于橢圓約束分割心臟MRI圖像的水平集模型[J];計算機(jī)工程;2007年16期

3 孫涌;王志堅;索麗生;;水平集法對流場相界面應(yīng)用的分析與研究[J];蘇州大學(xué)學(xué)報(工科版);2007年03期

4 王超逸;湯盈盈;;形狀敏度及水平集在結(jié)構(gòu)優(yōu)化中的運(yùn)用[J];山西建筑;2008年07期

5 李宏友;汪同慶;葉俊勇;劉青;;一種新的水平集進(jìn)化模型[J];儀器儀表學(xué)報;2008年07期

6 余瑞星;朱冰;呂梅柏;;一種新的水平集停止項(xiàng)函數(shù)選取方法研究[J];系統(tǒng)仿真學(xué)報;2008年22期

7 董建園;郝重陽;齊敏;;基于策略演化水平集的醫(yī)學(xué)圖像快速分割[J];中國圖象圖形學(xué)報;2009年08期

8 陸意駿;陳一民;黃詩華;陳明;姚爭為;;基于粒子濾波與改進(jìn)水平集的人手跟蹤[J];計算機(jī)工程;2010年13期

9 李靜;王軍政;梁少敏;沈偉;;基于改進(jìn)水平集的多運(yùn)動目標(biāo)檢測方法[J];北京理工大學(xué)學(xué)報;2011年05期

10 熊友誼;張瑩;;基于水平集的海島(礁)提取[J];測繪與空間地理信息;2012年03期

相關(guān)會議論文 前6條

1 王一波;胡仲翔;姚耀;;基于水平集的激光條紋提取方法[A];2009全國虛擬儀器大會論文集（一）[C];2009年

2 田昊;楊劍;李國輝;;基于變分水平集的遙感影像建筑物檢測[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

3 曹曉光;崔林艷;;基于閾值和水平集的尿沉渣圖像分割組合算法[A];第六屆全國信息獲取與處理學(xué)術(shù)會議論文集（1）[C];2008年

4 王斐;趙杰煜;;基于多重網(wǎng)格的水平集圖像分割方法[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

5 梅立超;姜慧研;張柳青;劉洪娟;;基于GPU和水平集的肝臟快速分割方法的研究[A];第九屆全國信息獲取與處理學(xué)術(shù)會議論文集Ⅱ[C];2011年

6 程俊霞;;水平集方程在四邊形網(wǎng)格上的數(shù)值離散方法[A];中國工程物理研究院科技年報(2008年版)[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 韓明;基于水平集表示和均值漂移的運(yùn)動目標(biāo)檢測與跟蹤研究[D];燕山大學(xué);2015年

2 劉宇;基于水平集方法和模糊模型的醫(yī)學(xué)圖像分割算法研究[D];吉林大學(xué);2016年

3 趙悅;基于能量極小化方法的腦影像分割算法研究[D];吉林大學(xué);2017年

4 張玲;基于變分水平集理論的活動輪廓模型在圖像分割中的應(yīng)用研究[D];太原理工大學(xué);2016年

5 紀(jì)東升;圖像分割的水平集模型及其在醫(yī)學(xué)圖像分割中的應(yīng)用研究[D];蘭州大學(xué);2016年

6 楊紅U，

本文編號：1512133