基于水平集的灰度不均勻圖像分割算法研究.pdf

1、圖像分割技術(shù)是圖像處理領(lǐng)域中的一項重要研究內(nèi)容，也是圖像分析與目標(biāo)識別的重要步驟。迄今為止，國內(nèi)外學(xué)者提出了多種圖像分割方法，然而由于圖像的復(fù)雜性和多樣性，圖像分割依然是一項重要而富有挑戰(zhàn)性的研究課題。
　　在所有的圖像分割算法中，基于曲線演化理論的水平集算法是受到了極大的關(guān)注。其利用了輪廓曲線動態(tài)演化的思想，并且具有嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)理論基礎(chǔ)，能夠解決很多其他分割方法難以解決的問題。本論文深入研究了一些經(jīng)典的水平集模型，針對存在的缺陷和

2、不足提出了一些改進(jìn)，并最終能夠獲得理想的分割效果。具體的研究工作如下:
　　(1)針對邊緣型水平集模型對曲線初始輪廓比較敏感的問題，給出了一種基于空間模糊聚類的邊緣型水平集分割模型。首先采用空間模糊聚類算法對圖像預(yù)分割，然后根據(jù)預(yù)分割的結(jié)果對邊緣型水平集演化模型中水平集函數(shù)進(jìn)行初始化，并加入使用雙阱勢函數(shù)的距離規(guī)則項來避免在演化過程中水平集函數(shù)周期性初始化的問題。該算法引入了圖像空間域信息，克服了初始輪廓與參數(shù)均需要手動設(shè)定的缺點

3、，并由于確定的初始位置，有效緩解了邊緣型模型對初始輪廓敏感的問題，使得分割結(jié)果更加準(zhǔn)確。通過邊界十分模糊的乳腺腫塊圖像對該算法進(jìn)行驗證。經(jīng)過試驗驗證該算法能夠自動初始化并正確分割圖像。
　　(2)針對LBF模型對初始輪廓比較敏感且容易陷入局部最優(yōu)的問題，給出了一種引入全局信息的局部區(qū)域型水平集分割模型。該模型將提供全局信息的C-V模型和提供局部信息的LBF模型通過局部熵結(jié)合起來，構(gòu)建能量泛函，同時給出水平集演化的理論推導(dǎo)和數(shù)值求解

4、。有效解決了LBF模型對輪廓初始化敏感且容易陷入局部最優(yōu)的問題，同時也可以解決C-V模型不能處理灰度不均勻圖像的問題，并且可自動設(shè)置權(quán)重。最后通過灰度不均勻圖像驗證該算法的有效性。
　　(3)針對LIC模型對圖像修正的偏置場沒有實質(zhì)性約束（偏置場平滑且緩慢變化），導(dǎo)致偏置場修正結(jié)果以及圖像分割結(jié)果不是十分理想的問題，給出了一種基于乘法優(yōu)化的局部聚類水平集圖像分割模型。通過一組平滑的線性基函數(shù)對偏置場進(jìn)行擬合，以在理論上保證偏置場的