圖像分割是圖像處理、目標(biāo)檢測、模式識別、計算機(jī)視覺以及機(jī)器視覺等方面必不可少的組成部分,其在醫(yī)學(xué)圖像分析和遙感影像的提取等方面起著十分重要的作用。自上世紀(jì)九十年代以來,基于活動輪廓的圖像分割方法在圖像分割領(lǐng)域應(yīng)用的越來越廣泛,鑒于此圖像分割法在獲取目標(biāo)邊界精度時,可以達(dá)到亞像素的級別,且所得到的輪廓是光滑封閉的,因此,對接下來進(jìn)行的圖像分析和目標(biāo)檢測提供了良好的基礎(chǔ)。本文旨在探索基于活動輪廓的圖像分割算法模型,這類模型有利于對灰度分布不均勻的圖像進(jìn)行分割,但同時也存在一些局限性和問題,例如該模型常常會出現(xiàn)對初始輪廓的設(shè)置敏感以及分割速度偏慢的情況�；谝陨系乃伎�,本文提出了兩種在原模型基礎(chǔ)上的創(chuàng)新點:1.對基于局部擬合的活動輪廓模型的演化方式進(jìn)行改進(jìn)。這個方法主要是在曲線演化時,將局部區(qū)域內(nèi)出現(xiàn)符號相反的函數(shù)值進(jìn)行變號處理,即將這些相反的函數(shù)值進(jìn)行符號的統(tǒng)一,這樣一來,在曲線不斷的演化過程中,輪廓內(nèi)部的擬合值就會一直比輪廓外部的擬合值大或者小,則整個曲線的演化都將沿著目標(biāo)的內(nèi)邊界或者外邊界,而不至于使最終的演化曲線停留在目標(biāo)的內(nèi)部,那么就可以解決當(dāng)能量最小化時陷入局部最優(yōu)解的問題。此改... 

【文章來源】：西北師范大學(xué)甘肅省

【文章頁數(shù)】：50 頁

【學(xué)位級別】：碩士

【部分圖文】：

改進(jìn)的LBF模型的算法流程圖

第4章基于局部預(yù)擬合活動輪廓模型24第4章基于局部預(yù)擬合活動輪廓模型4.1基于局部預(yù)擬合的方法由于上一章所提出的基于局部可變向擬合活動輪廓模型與經(jīng)典的活動輪廓模型相比只提高了分割的準(zhǔn)確率，但是卻沒有降低分割的時間，因此在本章中我們提出另一種改進(jìn)的活動輪廓模型，即對目標(biāo)圖像的局部能量進(jìn)行預(yù)擬合。和經(jīng)典的局部擬合的模型相比，此改進(jìn)模型的計算量相對較低，而且分割的速度相對較快，與此同時，選擇的初始輪廓也會有較好的魯棒性。本節(jié)所提出的改進(jìn)的模型可以很簡單的適用于大多數(shù)的經(jīng)典的基于局部區(qū)域擬合能量模型，并且可以提升分割效率，而且使改進(jìn)后的模型降低初始輪廓的選擇要求。根據(jù)模型的需要，我們先定義下面需要涉及到的函數(shù)：llssxmfmyyIeanxfmyyIeanxImyyIeanx|||1-4其中，yI所代表的是圖像上某一點y的灰度值，x代表的是在給定的圖像域內(nèi)，以x為活動中心的區(qū)域，區(qū)域的大小為ww。式中代表平均運算的是mean，代表lsx和、的平均灰度值的分別為xfxfxIlsm和、。s和l有以下的定義：xmlxmxyyxIIyyxII||2-4在區(qū)域x內(nèi)，所有灰度值小于平均灰度值的像素點組成的區(qū)域用s來表示，與之相反的是，所有灰度值大于平均灰度值的像素點組成的區(qū)域用l來表示。根據(jù)上述兩式，若給定一張圖片，假如已經(jīng)知道了某一點x還有對應(yīng)的x區(qū)域的尺寸，那么就可以直接的計算出xfs和xfl的值。如下圖4-1中將區(qū)域lsx和、以及分界線xC還有邊緣點x上的xfs和xfl的值都體現(xiàn)出來了。圖4-1模型示例圖，圖中白色粗壯線條為分界線xC,用來分開s和l，分割線左側(cè)為l，灰度均值為xfl，右側(cè)是s，灰度均值為xfs。

襝巒?2-5a，上述的能量函數(shù)的第一項近似于0，第2項也近似于0；當(dāng)所選取的曲線在目標(biāo)邊緣某一側(cè)的時候，像下圖2-5b，上述的能量函數(shù)的第一項遠(yuǎn)遠(yuǎn)的大于0，第二項近似于0；當(dāng)所選取的曲線穿過目標(biāo)邊緣的時候，像下圖2-5c，上述的能量函數(shù)的第一項遠(yuǎn)遠(yuǎn)的大于0，第二項也遠(yuǎn)遠(yuǎn)的大于0；當(dāng)所選取的曲線在目標(biāo)邊緣的另一側(cè)的時候，像下圖2-5d，上述的能量函數(shù)的第一項近似于0，第二項遠(yuǎn)遠(yuǎn)的大于0；因此，通過上面的對比分析可得，只有當(dāng)輪廓的位置處在在目標(biāo)邊界上的時候，上述公式得能量值才能被最小化。（a）（b）（c）(d)圖4-2曲線在不同位置對應(yīng)的能量值在普遍使用的局部擬合的活動輪廓模型中，高斯核函數(shù)K因為它的局部化的特征而被廣泛的應(yīng)用到眾多模型中，高斯核函數(shù)還可以用來替代局部窗口函數(shù)x，所以，上述公式我們可以改寫為：KydyxfyIxKCEydyxfyIxCoutsidesCoutsidesx22||||4-4根據(jù)上述分析，為了保證圖像域中的所有點的合理性，我們需要將能量函數(shù)xE的積分最小化，隨之可得到下面的能量方程：KydxdyxfyIxKCEydxdyxfyIxCinsidelCoutsidesBLBF22||||5-4當(dāng)BLBFE取得最小值的時候，曲線C會把所有的在邊緣上的分界線xC都包含在其中，但是，我們也會發(fā)現(xiàn)在不是邊緣的地方也會有一些冗余的曲線，對于出現(xiàn)的這種情況，我們需要加入一個長度約束項L，用此約束項來去除冗余的曲

【參考文獻(xiàn)】：
期刊論文
[1]自適應(yīng)步長下多閾值彩色圖像的全局分割方法[J]. 魯秋菊,拓守恒.  吉林大學(xué)學(xué)報(理學(xué)版). 2019(01)
[2]基于局部特征空間中智模糊C-均值聚類的視網(wǎng)膜血管分割[J]. 黃木連.  信息通信. 2018(08)
[3]一種結(jié)合GMM和活動輪廓的混合型圖像分割方法[J]. 陳明,林益賢.  小型微型計算機(jī)系統(tǒng). 2018(08)
[4]融入全局信息的局部擬合的活動輪廓模型[J]. 吳宜平,沈明.  福州大學(xué)學(xué)報(自然科學(xué)版). 2016(03)
[5]引入局部全局信息的區(qū)域自適應(yīng)局域化快速活動輪廓模型[J]. 廖祥云,袁志勇,鄭奇,童倩倩,賴虔葑,張貴安.  計算機(jī)學(xué)報. 2016(07)
[6]一種基于線性化Bregman迭代的圖像去模糊新方法[J]. 喬田田,王際朝,李維國,吳勃英.  中國石油大學(xué)學(xué)報(自然科學(xué)版). 2013(02)
[7]基于圖割的圖像分割方法及其新進(jìn)展[J]. 劉松濤,殷福亮.  自動化學(xué)報. 2012(06)
[8]基于Mean Shift隨機(jī)游走圖像分割算法[J]. 依玉峰,高立群,郭麗.  計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2011(11)
[9]基于相對模糊連接度的聯(lián)合主動輪廓模型及其在醫(yī)學(xué)圖像分割中的應(yīng)用[J]. 賴凱,劉軍偉,范亞,黃煜峰,王興家,馮煥清.  北京生物醫(yī)學(xué)工程. 2010 (06)
[10]圖像分割的新理論和新方法[J]. 許新征,丁世飛,史忠植,賈偉寬.  電子學(xué)報. 2010(S1)

博士論文
[1]魯棒的主動輪廓圖像分割模型研究及其應(yīng)用[D]. 黃臣程.重慶大學(xué) 2015
[2]基于變分水平集的圖像分割方法研究[D]. 方江雄.上海交通大學(xué) 2012
[3]幾何活動輪廓圖像分割模型的研究[D]. 孔丁科.浙江大學(xué) 2010

碩士論文
[1]基于邊緣信息的RGB-D圖像分割算法研究[D]. 董怡.南京郵電大學(xué) 2018
[2]融合局部和全局信息的活動輪廓分割模型研究[D]. 張陳.深圳大學(xué) 2017



本文編號：3141075