結(jié)合分?jǐn)?shù)階微分和RSF模型的圖像分割方法研究.pdf

1、圖像分割是計(jì)算機(jī)視覺和圖像處理研究領(lǐng)域的重要問題之一，分割結(jié)果對(duì)后續(xù)的圖像分析以及理解起著關(guān)鍵性的作用。在自然場景中，由于成像設(shè)備和環(huán)境的原因，造成圖像存在噪聲、灰度不均勻、邊緣模糊、紋理結(jié)構(gòu)不清晰。在分割此類圖像時(shí)，傳統(tǒng)的分割方法往往得不到理想的分割結(jié)果。近年來，基于活動(dòng)輪廓模型的RSF(Region-Scalable Fitting)圖像分割算法得到了廣泛的應(yīng)用。但由于RSF模型存在對(duì)初始曲線的位置選擇敏感、易造成圖像邊界模糊、且曲

2、線演化容易陷入局部最優(yōu)等問題，從而限制了RSF模型在實(shí)際中的應(yīng)用。故進(jìn)一步探索這些問題并提出解決方案，其實(shí)際意義重大。
　　本文以灰度不均勻、邊緣模糊、存在紋理結(jié)構(gòu)的圖像為研究對(duì)象，針對(duì)RSF模型對(duì)這些圖像分割存在的不足展開研究，具體的工作內(nèi)容及研究成果如下：
　　1、RSF模型在分割弱紋理、弱邊緣圖像時(shí)，對(duì)曲線初始位置選擇很敏感，優(yōu)化易陷入局部極小導(dǎo)致演化速度緩慢。本文將全局Grümwald-Letnikov(G-L)分?jǐn)?shù)

3、階梯度融合到RSF模型中，增加了全局的分?jǐn)?shù)階梯度擬合項(xiàng)，以增強(qiáng)灰度不均勻和弱紋理區(qū)域的梯度信息,從而提高對(duì)曲線初始位置選擇的魯棒性，并提高圖像分割的速度。另外，通過研究不同階次α對(duì)分割結(jié)果的影響，得出能實(shí)現(xiàn)正確分割的階次α是在0~1之間的區(qū)間段。理論分析和實(shí)驗(yàn)結(jié)果均表明,提出的算法可以用于灰度不均勻和弱紋理區(qū)域的圖像分割，能解決RSF模型對(duì)曲線初始位置敏感問題，且能縮短分割時(shí)間，提高分割效率,并對(duì)噪聲圖像具有一定的魯棒性。
　　2

4、、RSF模型在演化過程中存在模糊邊界問題，并且融合G-L分?jǐn)?shù)階之后人工選擇合適的分?jǐn)?shù)階階次費(fèi)時(shí)費(fèi)力。本文首先通過利用雙邊濾波器替換局部擬合項(xiàng)的高斯核函數(shù)，增強(qiáng)保邊性能，避免高斯核函數(shù)在演化過程中造成邊界模糊，從而提高RSF模型的邊界定位能力。然后根據(jù)圖像的梯度模值和信息熵構(gòu)建自適應(yīng)分?jǐn)?shù)階階次的數(shù)學(xué)模型，并計(jì)算出最佳分?jǐn)?shù)階階次。理論分析和實(shí)驗(yàn)結(jié)果均表明,提出的算法可以用于灰度不均勻和弱紋理區(qū)域的圖像分割，并能根據(jù)圖像的特征自適應(yīng)計(jì)算最佳分