基于非負矩陣分解與活動輪廓模型的紋理圖像分割方法研究.pdf

1、圖像分割是圖像處理過程的一項關鍵技術，也是當今技術領域的一個經典難題。作為圖像的一種視覺信息，紋理描述了圖像中灰度值的空間結構，可用于復雜圖像的分割過程。與現有分割模型相比，活動輪廓模型由于其使用平滑曲線描述目標邊界，且能夠提供亞像素分割準確率的特點，得到了廣泛的關注與研究。其基本原理是通過對能量函數的最小化過程，引導活動輪廓向真實的目標邊界移動。
　　在現有用于紋理圖像分割的活動輪廓模型中，主要存在以下幾個因素導致了分割結果的不

2、理想：
　　1）對輸入圖像的結構描述通常比較單一，使模型對圖像噪聲、復雜紋理以及弱邊界等干擾更加敏感；
　　2）對像素點屬于某個區(qū)域的可能性，大多使用距離度量方法實現，但由于區(qū)域邊界附近的特征向量的構成較復雜，很難實現準確的邊界定位結果；
　　3）現有的模型大多基于傳統(tǒng)的水平集框架構造，然而近年來的研究結果表明，該框架在最小化過程中容易陷入局部極值。
　　為了解決上述問題，本文提出了一種新的活動輪廓模型，用于更精

3、準的實現紋理圖像的分割。在特征提取、區(qū)域特征計算以及能量函數的構造與優(yōu)化等方面做出了改進與提升，具體工作如下：
　?。?）為獲得更全面的紋理信息描述，提出了一種基于直方圖特征融合的方法提取紋理特征。首先對于輸入圖像，使用灰度局部變化度（Local Variation Degree,LVD）與Gabor濾波器得到輸入圖像的多重特征映射，接下來對每個特征映射，計算每個像素點固定大小鄰域內的特征直方圖，最后通過對每個特征映射的特征直方圖

4、的收尾串聯得到最終的紋理描述，這種融合方式能夠有效提升待分割區(qū)域的可分性以及模型對噪聲與復雜結構的魯棒性。
　?。?）提出了一種新的計算區(qū)域代表性特征的方式，即輪廓收縮方法（Contour Shrinking Method,CSM），通過使當前演化輪廓分別向目標內外收縮一定距離，避免將輪廓附近由多個區(qū)域特征混合的特征直方圖計算在代表性特征中。
　?。?）為了更精準的實現區(qū)域邊界定位，非負矩陣分解方法（Non-negative

5、 Matrix Factorization,NMF）被整合到了本文的能量函數中。在分割過程中，基于NMF的能量能夠準確的估計待分割區(qū)域在每個像素點局部鄰域內的覆蓋面積，并以此作為像素點落入某個區(qū)域的可能性。因而，可自然的實現像素點的區(qū)域劃分。
　?。?）根據全局優(yōu)化理論，我們在確保最小值不變的前提下將本文的分割模型轉化為一個全局最小化問題。通過對該優(yōu)化問題的求解，可實現本文能量函數的全局最小化，從而避免模型在分割過程中陷入局部最小