基于模糊聚類(lèi)及活動(dòng)輪廓模型的圖像分割技術(shù)研究.pdf

1、隨著電子計(jì)算機(jī)技術(shù)的發(fā)展，數(shù)字圖像處理作為一門(mén)新興的學(xué)科已經(jīng)成為信息社會(huì)中必不可少的工具。圖像分割作為圖像處理和計(jì)算機(jī)視覺(jué)、目標(biāo)跟蹤、以及醫(yī)療成像的基本課題，其主要目的是把圖像分割成一系列具有均勻特性（灰度、顏色、紋理等）的子區(qū)域，進(jìn)而將感興趣的目標(biāo)從背景中提取出來(lái)。在過(guò)去的幾十年中，研究人員已經(jīng)做出很大的努力來(lái)解決圖像的分割問(wèn)題，并提出了很多分割算法。然而，由于存在噪聲、復(fù)雜背景、低信噪比和灰度不均勻性等問(wèn)題，圖像分割仍然是一項(xiàng)具有挑

2、戰(zhàn)性的任務(wù)。為了改善圖像分割算法的性能，國(guó)內(nèi)外學(xué)者至今仍在探索和開(kāi)發(fā)新的圖像分割算法和分割理論，以得到通用性更好、精度更高的分割結(jié)果，這也是本論文選題的意義所在。
　　模糊C均值(Fuzzy C-Means，F(xiàn)CM)算法以最小平方誤差和來(lái)衡量樣本點(diǎn)與聚類(lèi)中心之間的相似性，利用迭代法優(yōu)化目標(biāo)函數(shù)，從而實(shí)現(xiàn)圖像數(shù)據(jù)的最優(yōu)聚類(lèi)。由于成功地將模糊關(guān)系引入到聚類(lèi)方法中，使得FCM算法保留了更多的原始圖像信息?；谄⒎址匠痰幕顒?dòng)輪廓模型憑借

3、其自由的拓?fù)浜挽`活的結(jié)構(gòu)，得到了眾多研究者們的青睞。該方法既利用了低層的圖像信息，又融入了高層的理解機(jī)制，因而能獲得精確的分割結(jié)果，具有較強(qiáng)的魯棒性和實(shí)用性。
　　本學(xué)位論文主要探討圖像分割領(lǐng)域中的模糊聚類(lèi)和活動(dòng)輪廓模型這兩類(lèi)分割方法，在原有算法的基礎(chǔ)上進(jìn)行改進(jìn)，取得了如下研究成果:
　　(1)提出了一種基于局部變異系數(shù)的模糊C均值圖像分割算法。首先，利用局部窗口內(nèi)所有像素點(diǎn)灰度的中值來(lái)代替中心點(diǎn)像素的灰度值，對(duì)快速?gòu)V義模糊

4、C均值（Fast Generalized Fuzzy C-Means，F(xiàn)GFCM）算法中的局部灰度相關(guān)性矩陣Sg_ij進(jìn)行修正，提高了算法抑制噪聲的能力;然后，引入局部變異系數(shù)來(lái)重新構(gòu)造像素間的局部相似性度量，使其能更好地控制鄰域內(nèi)各點(diǎn)對(duì)中心像素的權(quán)重;最后，利用快速分割的思想使分割過(guò)程僅依賴(lài)于圖像的灰度級(jí)，從而可以進(jìn)一步提高算法的運(yùn)行效率。與同類(lèi)方法相比，該算法在一定程度上提升了圖像的分割效果，且對(duì)噪聲有很強(qiáng)的魯棒性。
　　(2

5、)提出了一種局部交叉熵度量模糊C均值的水平集圖像分割算法以及它的簡(jiǎn)化模型。首先，鑒于交叉熵準(zhǔn)則在處理噪聲方面有較大的優(yōu)勢(shì)，將其取代平方誤差和準(zhǔn)則來(lái)重新構(gòu)造FCM_S（Fuzzy C-Means with Spatial Constraints）算法的目標(biāo)函數(shù)，這樣處理可以自適應(yīng)地增加或減小樣本點(diǎn)屬于某個(gè)聚類(lèi)的程度;其次，將改進(jìn)后的聚類(lèi)算法融入到變分水平集框架中，使得模型可準(zhǔn)確地對(duì)像素點(diǎn)進(jìn)行歸類(lèi);最后，采用加權(quán)迭代法和梯度下降流法來(lái)求解本

6、章模型。實(shí)驗(yàn)結(jié)果顯示，相對(duì)于傳統(tǒng)的水平集算法，該方法能成功地處理弱邊緣和灰度不均勻目標(biāo)，且具有一定的抗噪性。
　　(3)提出了一種基于局部符號(hào)差和局部高斯分布擬合能量的活動(dòng)輪廓模型。該模型以引入圖像局部熵的局部符號(hào)差（Local Signed Difference，LSD）能量項(xiàng)和局部高斯分布擬合(Local Gaussian Distribution Fitting，LGDF)能量項(xiàng)的線(xiàn)性組合來(lái)構(gòu)造水平集函數(shù)的演化力，并運(yùn)用梯度

7、下降流法來(lái)求解該能量泛函，從而驅(qū)使曲線(xiàn)向目標(biāo)邊緣運(yùn)動(dòng)。與傳統(tǒng)的活動(dòng)輪廓模型相比，新方法能正確地提取灰度不均勻圖像中的目標(biāo)，且對(duì)初始輪廓曲線(xiàn)的大小、位置和形狀更不敏感。
　　(4)提出了一種基于區(qū)域生長(zhǎng)初始化的水平集海馬圖像分割算法。首先，通過(guò)自適應(yīng)區(qū)域生長(zhǎng)算法來(lái)獲取海馬體的大致區(qū)域;其次，對(duì)生長(zhǎng)出的結(jié)果進(jìn)行形態(tài)學(xué)操作，以消除內(nèi)部斑點(diǎn)，并進(jìn)一步利用輪廓跟蹤算子得到有序的海馬輪廓線(xiàn);最后，將此輪廓曲線(xiàn)作為先驗(yàn)信息，運(yùn)用改進(jìn)的水平集方法