基于能量最小化模型的圖像處理技術(shù)研究.pdf

1、圖像處理技術(shù)作為一種通過計算機對圖像進行數(shù)字化處理從而滿足對圖像各種需求的方法,一直都在被國內(nèi)外眾多學者和研究者不斷努力探索、創(chuàng)新和完善。圖像分割是圖像處理技術(shù)的重要環(huán)節(jié),它將需要獲得的目標通過各種圖像算法從圖像中分割出來,為進一步的研究工作做出了準備。
　　在多種多樣的圖像分割算法中,以數(shù)學模型中的能量函數(shù)作為基本結(jié)構(gòu)的分割算法獨樹一幟,并且日趨成為一種廣泛使用的分割方法,其在分割精度或分割效率等方面較其它算法具有一定的優(yōu)勢。本

2、文主要研究基于能量最小化模型的圖像處理技術(shù),重點研究水平集的C-V模型和基于圖割理論的GraphCut及GrabCut算法,以及這些算法在數(shù)字醫(yī)學圖像和數(shù)字摳圖中的應(yīng)用。文章創(chuàng)新點如下:
　　(1)提出了基于圖割的水平集函數(shù)離散化分割算法。針對水平集C-V模型在迭代過程中存在的容易出現(xiàn)局部極值問題,結(jié)合GraphCut算法在能量函數(shù)迭代中的優(yōu)勢,將C-V模型的能量函數(shù)離散化,轉(zhuǎn)化成符合GraphCut條件的離散能量函數(shù),并給出滿足

3、圖表達式定理的證明。算法應(yīng)用于醫(yī)學圖像分割,取得了比C-V模型更好的分割效果,提高了迭代效率。
　　(2)提出了基于HSV空間的改進GrabCut摳圖算法。GrabCut算法是基于高斯混合模型的能量函數(shù)模型,主要用于數(shù)字摳圖,算法的初始分割效果依賴于模型的參數(shù)設(shè)置。改進算法利用圖像的HSV空間特征,通過求取圖像的主色波形圖,計算波峰個數(shù)動態(tài)設(shè)定高斯混合模型的參數(shù),再通過引入迭代能量差值函數(shù)優(yōu)化算法的迭代次數(shù),提高了運行效率。改進算

4、法應(yīng)用于背景顏色較少的自然圖像摳圖,取得了比原GrabCut算法更好的分割效果。
　　(3)提出了基于最大類間方差的改進免疫組化圖像識別算法。免疫組化圖像是用于鑒別肝臟等器官病變的重要依據(jù),最大類間方差法是識別此類圖像的常用方法之一。然而該方法在區(qū)分陰性區(qū)域時容易出現(xiàn)誤差,針對此問題本文提出結(jié)合圖像色度和飽和度分量的優(yōu)化算法。新算法融合了圖像自身的特征信息,可以更好的實現(xiàn)對陽性區(qū)域和陰性區(qū)域的識別,實驗表明本文算法比單獨應(yīng)用最大類