基于動態(tài)輪廓模型的圖像分割算法研究.pdf

1、圖像分割已經(jīng)成為一種重要的圖像分析技術(shù)。在對圖像的研究和應(yīng)用中，人們往往僅對圖像中的某些部分感興趣，這些部分常稱之為目標(biāo)或者前景，對應(yīng)圖像中特定的、具有獨(dú)特性質(zhì)的區(qū)域。為了辨識和分析圖像中的目標(biāo)，需要將它們從圖像中分離提取出來，進(jìn)一步測量和利用。作為圖像分析與圖像理解的基礎(chǔ)，圖像分割是計(jì)算機(jī)識別領(lǐng)域中最基本、也是最困難的問題之一?，F(xiàn)有的圖像分割算法各有千秋，這些方法都是針對特定圖像提出來的。由于圖像的多樣性和復(fù)雜性，目前還沒有統(tǒng)一的分割

2、實(shí)現(xiàn)方案。通過分析國內(nèi)外圖像分割領(lǐng)域的研究現(xiàn)狀和發(fā)展趨勢，本文整理、歸納和總結(jié)了一般的圖像分割理論、方法，對基于動態(tài)輪廓的分割算法進(jìn)行了深入研究，重點(diǎn)研究適用于分割灰度分布不均勻的非同質(zhì)特性圖像的動態(tài)輪廓模型。
　　 Chan-Vese(C-V)模型是最經(jīng)典的動態(tài)輪廓模型，建立在邊界演化理論和水平集方法基礎(chǔ)上，通過動態(tài)輪廓不斷演化來檢測圖像中的目標(biāo)，輪廓能夠在期望的邊界處停止演化，演化的動力來自動態(tài)輪廓內(nèi)部和外部的全局灰度統(tǒng)計(jì)信

3、息，是一種基于區(qū)域信息的算法。該模型的顯著特點(diǎn)是，待檢測目標(biāo)的邊界不用通過梯度來定義，降低了模型對圖像中噪聲的敏感度，分割效果較好，但C-V模型在分割非同質(zhì)特性圖像時(shí)容易出現(xiàn)誤分割。為改善C-V模型在分割非同質(zhì)特性圖像時(shí)出現(xiàn)的誤分割問題，本文提出一種局部特性函數(shù)，用來限制輪廓演化所依據(jù)的統(tǒng)計(jì)信息參考范圍。并將其引入到動態(tài)輪廓模型中，依據(jù)輪廓上各點(diǎn)的局部內(nèi)部和局部外部統(tǒng)計(jì)信息來演化輪廓，構(gòu)建由局部灰度統(tǒng)計(jì)信息驅(qū)動的動態(tài)輪廓模型。仿真實(shí)驗(yàn)表