基于變分水平集理論的活動輪廓模型在圖像分割中的應(yīng)用研究.pdf

1、基于變分水平集的活動輪廓模型（Active Contour Model）是圖像分割技術(shù)的熱門理論，由于這種圖像分割算法綜合了人們對各種圖像數(shù)據(jù)的解釋和認(rèn)識，更接近人類的視覺理解，因此得到了學(xué)者的廣泛關(guān)注和研究。水平集方法雖取得了諸多成果，但仍然處于發(fā)展階段，特別是在其理論和應(yīng)用方面的研究還需要不斷探索和完善。本論文針對經(jīng)典的水平集圖像分割模型對灰度不均勻和強(qiáng)噪聲圖像不能有效分割、容易陷入局部極小、運(yùn)行速度慢等問題，做了以下創(chuàng)新性的工作：

2、
　　（1）針對低對比度和弱邊界對醫(yī)學(xué)圖像分割精度的影響，提出一種基于局部信息和全局信息動態(tài)結(jié)合的測地線活動輪廓模型。該模型結(jié)合圖像的局部和全局灰度信息構(gòu)造一個基于區(qū)域統(tǒng)計信息的符號壓力函數(shù)（SPF）來代替GAC模型中的邊緣檢測函數(shù)，能夠提高演化曲線在圖像分割過程中對弱邊界的識別能力；實現(xiàn)了權(quán)重參數(shù)的動態(tài)調(diào)節(jié)，使得全局項和局部項在分割過程中的不同區(qū)域所起的作用更加合理地分布（在靠近目標(biāo)區(qū)域時局部信息起主導(dǎo)作用，遠(yuǎn)離目標(biāo)邊界時全局信

3、息起主導(dǎo)作用）；同時將提出的模型擴(kuò)展到多相位，可成功應(yīng)用到腦核磁共振圖像的分割中。我們利用高斯濾波器代替?zhèn)鹘y(tǒng)水平集所用到的耗時的重新初始化過程來對水平集函數(shù)進(jìn)行規(guī)則化，使之保持為一個符號距離函數(shù)。實驗結(jié)果表明，相對于一些經(jīng)典的模型而言，本文提出的模型對輪廓的初始化具有較強(qiáng)的魯棒性，分割精度和運(yùn)行速度都有了較大提高。
　?。?）針對傳統(tǒng)活動輪廓模型不能準(zhǔn)確分割灰度不均勻和高噪聲圖像，且計算效率比較低的缺點(diǎn)，將核函數(shù)引入基于變分水平集

4、的活動輪廓模型，提出一種基于核函數(shù)和局部信息的凸優(yōu)化分割模型。與CV模型類似，該模型也是基于分段常量的假設(shè)，對于圖像域中的每一點(diǎn)，利用該點(diǎn)所在區(qū)域的平均灰度值和其鄰域內(nèi)其它點(diǎn)灰度值的核函數(shù)來度量定義局部能量項，然后對圖像域上所有點(diǎn)的局部能量進(jìn)行積分定義整體能量泛函。由于局部信息和核函數(shù)的引入使得區(qū)域均值的更新更加準(zhǔn)確，具有較強(qiáng)的抗噪性；使得輪廓的演化能夠克服灰度不均勻性和噪聲對分割結(jié)果的影響，從而提高了分割的準(zhǔn)確性。此外，采用全局最優(yōu)化

5、技術(shù)，得到全局凸分割模型并獲取最優(yōu)解，克服了分割結(jié)果對初始值的依賴。最后，為了提高計算效率，采用 Split-Bregman方法進(jìn)行快速求解。實驗結(jié)果表明，與 CV、LBF、Li和RLSM等傳統(tǒng)模型相比較，該模型能夠很好的克服灰度不均勻性對分割結(jié)果的影響，且對噪聲和奇異值具有較強(qiáng)的魯棒性，可獲得更高的分割精度和更快的分割速度。
　?。?）針對LBF模型容易陷入局部極小且對背景比較復(fù)雜的圖像不能準(zhǔn)確分割的問題，提出一種融合圖像局部灰

6、度信息和全局約束函數(shù)的變分水平集圖像分割模型。在LBF模型的基礎(chǔ)上，引進(jìn)一種新的全局梯度約束函數(shù)用于消除活動輪廓外部區(qū)域具有大梯度幅值的線或點(diǎn)，而局部灰度能量項和全局函數(shù)這種組合方式的能量能夠共同驅(qū)動活動輪廓曲線更加準(zhǔn)確地達(dá)到目標(biāo)邊界，從而避免能量泛函在演化過程中陷于局部極小，增加分割的準(zhǔn)確性和穩(wěn)定性。此外，在能量泛函中，引入水平集函數(shù)正則項，可以避免不斷地重新初始化水平集函數(shù)。實驗結(jié)果表明，本文模型不僅可以有效地處理低對比度的灰度不均