分割分片常值圖像的活動輪廓模型研究.pdf

1、圖像處理是圖像理解和分析的重要組成部分,也是模式識別和計算機視覺的基礎,而圖像分割則是圖像處理的重要前提與基礎,是圖像處理的一個關鍵步驟。圖像分割的目的是將給定圖像分割成一系列有意義的區(qū)域,從中選取出感興趣的目標區(qū)域。目前,基于偏微分方程的圖像分割方法(活動輪廓模型),由于其實現(xiàn)方法簡單且分割效果好的優(yōu)勢,受到了圖像分割研究領域的廣泛關注。現(xiàn)有的活動輪廓模型通?？煞譃閮纱箢?基于邊緣的分割模型和基于區(qū)域的分割模型。與基于邊緣的活動輪廓模

2、型相比,基于區(qū)域的活動輪廓模型具有很多獨特的優(yōu)勢,例如,能更好地提取圖像的弱邊緣(因為不使用圖像的梯度信息),同時對噪聲更具魯棒性(因為使用區(qū)域統(tǒng)計信息)等。
　　在圖像分割中,對于一些復雜圖像可以先做保邊界平滑預處理,得到近似的分片常值圖像,然后使用分割模型對其進行處理,從而獲得更有效的分割結果。因此,直接研究分片常值圖像的分割具有非常重要的意義。
　　本學位論文討論基于區(qū)域的活動輪廓模型及其在近似分片常值圖像分割中的應用

3、,主要圍繞用于近似分片常值圖像分割的經(jīng)典 C-V模型及其幾個改進模型展開研究。主要工作如下:
　　針對C-V模型的輪廓初始化、水平集函數(shù)的重新初始化、收斂速度以及多相圖像分割等問題,結合改進的C-V模型,提出一個分片常值圖像分割的活動輪廓模型。該模型基于全局區(qū)域信息并利用變異系數(shù)構造數(shù)據(jù)保真項,其水平集演化方程為常微分方程。實驗結果表明,該模型保持了C-V模型的優(yōu)點,同時無需輪廓初始化以及水平集函數(shù)的重新初始化,且收斂速度快。此外