隨著計(jì)算機(jī)科學(xué)技術(shù)的快速發(fā)展,圖像已成為人們傳輸和獲取信息的重要途徑。人們往往僅對(duì)圖像中的某些部分感興趣,因此需要對(duì)圖像進(jìn)行分割,提取人們感興趣的區(qū)域。圖像分割是圖像分析和圖像理解的基礎(chǔ),已廣泛應(yīng)用于醫(yī)學(xué)影像、遙感工程、氣象預(yù)測(cè)、智能交通和國(guó)防軍事等領(lǐng)域。由于圖像本身的質(zhì)量和內(nèi)容多樣性等問題,圖像分割仍然面臨著很多困難和挑戰(zhàn),如對(duì)存在灰度不均勻性、噪聲和復(fù)雜背景等圖像的分割。水平集方法是一種經(jīng)典的基于主動(dòng)輪廓模型的圖像分割方法,其可以得到亞像素級(jí)精度以及光滑、封閉的輪廓曲線,并能夠處理復(fù)雜的拓?fù)渥兓?已廣泛應(yīng)用到圖像分割領(lǐng)域。然而,水平集方法本身仍存在一些需要改進(jìn)的方面,如對(duì)初始輪廓敏感、容易陷入局部極小解和水平集演化速度慢等。本文以水平集理論為基礎(chǔ),針對(duì)存在灰度不均勻性、噪聲和復(fù)雜背景等圖像的分割算法展開研究,同時(shí),將水平集分割方法與相關(guān)濾波相結(jié)合,應(yīng)用于視頻目標(biāo)跟蹤。論文的主要研究?jī)?nèi)容和成果如下:1.針對(duì)灰度不均勻圖像分割效率低的問題,提出一種尺度自適應(yīng)快速水平集圖像分割算法。首先,根據(jù)灰度不均勻圖像模型,提出一種基于區(qū)域信息的壓力函數(shù),并用來(lái)構(gòu)建一種新的能量泛函。然后,通過(guò)最小化... 

【文章頁(yè)數(shù)】：149 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 圖像分割方法研究現(xiàn)狀
        1.2.1 傳統(tǒng)圖像分割方法
        1.2.2 基于特定理論的圖像分割方法
    1.3 基于水平集的圖像分割算法研究現(xiàn)狀
    1.4 論文主要研究?jī)?nèi)容和章節(jié)安排
第二章 水平集方法理論基礎(chǔ)
    2.1 引言
    2.2 曲線演化理論
    2.3 水平集方法基本原理
        2.3.1 曲線的水平集表示
        2.3.2 變分法和梯度下降流
        2.3.3 數(shù)值實(shí)現(xiàn)
    2.4 水平集分割模型
    2.5 本章小結(jié)
第三章 尺度自適應(yīng)快速水平集圖像分割方法
    3.1 引言
    3.2 灰度不均勻圖像模型
    3.3 尺度自適應(yīng)快速水平集分割算法
        3.3.1 基于區(qū)域的壓力函數(shù)
        3.3.2 偏移場(chǎng)初始化
        3.3.3 自適應(yīng)尺度算子
        3.3.4 數(shù)值實(shí)現(xiàn)
        3.3.5 多相水平集
    3.4 仿真實(shí)驗(yàn)與分析
        3.4.1 評(píng)價(jià)準(zhǔn)則
        3.4.2 兩相分割
        3.4.3 多相分割
    3.5 本章小結(jié)
第四章 自適應(yīng)多層水平集圖像分割方法
    4.1 引言
    4.2 改進(jìn)的局部強(qiáng)度聚類水平集分割算法
        4.2.1 自適應(yīng)尺度算子
        4.2.2 改進(jìn)的局部強(qiáng)度聚類分割算法
        4.2.3 仿真實(shí)驗(yàn)與分析
    4.3 自適應(yīng)多層水平集分割算法
        4.3.1 自適應(yīng)多層水平集結(jié)構(gòu)
        4.3.2 水平集演化和數(shù)值計(jì)算
        4.3.3 仿真實(shí)驗(yàn)與分析
    4.4 本章小結(jié)
第五章 基于核度量的混合水平集圖像分割方法
    5.1 引言
    5.2 核度量
    5.3 基于核度量的混合水平集分割算法
        5.3.1 改進(jìn)的多尺度均值濾波器
        5.3.2 能量泛函
        5.3.3 水平集演化和數(shù)值實(shí)現(xiàn)
        5.3.4 多相水平集
    5.4 仿真實(shí)驗(yàn)與分析
        5.4.1 兩相分割
        5.4.2 多相分割
    5.5 本章小結(jié)
第六章 基于相關(guān)濾波和水平集的視頻目標(biāo)跟蹤方法
    6.1 引言
    6.2 CSR-DCF模型
        6.2.1 相關(guān)濾波
        6.2.2 空間約束相關(guān)濾波
    6.3 基于相關(guān)濾波和水平集的視頻跟蹤算法
        6.3.1 基于水平集的目標(biāo)區(qū)域估計(jì)
        6.3.2 自適應(yīng)權(quán)重約束相關(guān)濾波
        6.3.3 尺度估計(jì)和目標(biāo)定位
        6.3.4 模型更新
    6.4 仿真實(shí)驗(yàn)與分析
        6.4.1 數(shù)據(jù)集和評(píng)價(jià)準(zhǔn)則
        6.4.2 定量分析
        6.4.3 定性分析
        6.4.4 消融分析
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 工作總結(jié)
    7.2 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的圖像語(yǔ)義分割方法綜述[J]. 田萱,王亮,丁琪.  軟件學(xué)報(bào). 2019(02)
[2]彩色圖像分割方法綜述[J]. 楊紅亞,趙景秀,徐冠華,劉爽.  軟件導(dǎo)刊. 2018(04)
[3]圖像分割方法綜述研究[J]. 周莉莉,姜楓.  計(jì)算機(jī)應(yīng)用研究. 2017(07)
[4]圖像分割綜述[J]. 趙春燕,閆長(zhǎng)青,時(shí)秀芳.  中國(guó)科技信息. 2009(01)
[5]圖像分割方法綜述[J]. 羅希平,田捷,諸葛嬰,王靖,戴汝為.  模式識(shí)別與人工智能. 1999(03)



本文編號(hào)：3674898