论文部分内容阅读
Chan-Vese模型是一种在图像力和外部约束力作用下从初始轮廓向目标边界运动的变形曲线，在图像分割、边缘检测等研究领域得到了广泛应用。但由于图像个体差异性较大，目前针对CV模型中初始轮廓的自动提取问题研究较少。本文提出了一种基于视觉认知的自适应CV模型图像分割方法，首先根据视觉注意机制和bottom-up的底层图像特征分析，自动获取图像中目标区域的先验形状信息，用于约束CV模型中的初始轮廓，在此基础上，构造一种简化的CV模型对图像进行分割。实验结果表明，本文方法具有鲁棒性和自适应性，能够有效降低初始轮廓位置对活动轮廓模型的影响，显著提高模型的收敛速度，同时减少算法迭代次数。