论文部分内容阅读
人通过视觉感知半数以上的外界信息，因此图像处理领域的进展对我们感知外部世界有很大帮助。随着计算机处理速度的提高和图像处理技术的成熟，数字图像作为一种直接而丰富的信息载体，已成为计算机科学领域越来越重要的研究对象。在对图像的研究和应用中，人们往往只对图像的某些部分感兴趣，这些部分被称为前景，余下的部分被称为背景。图像分割就是将图像分为各具特色的区域并提取出前景的技术和过程。另一方面，前景的边界是我们感兴趣的对象，如果我们能检测出这些边缘，就可以提取出前景。这种基于边缘的图像分割，也被称为边缘检测。本文首先简单介绍了一些常见的边缘检测方法和算子，给出了不同算子对同一幅图像进行分割的结果，并对结果进行了分析。随后讨论了基于可变模型的分割。可变模型分参数可变模型和几何可变模型两大类，前者通过参数显式表达，如本文将讨论Snake模型。后者，又称水平集方法(Level Set Method)，通过高维函数隐含表达目标对象。本文将以可变模型为重点，详细讨论基于这两类模型的分割方法。Snake，又被称为参数主动轮廓，是定义在图像域中的一条弹性曲线。该曲线在内部能量和以边界为特征的外部能量的驱使下不断变形。当总能量达到局部极小时，曲线就刻画了目标的边界，从而给出了目标边缘一个有意义的描述。本文详细描述了Snake模型的原理，算法，并给出了实例。但该方法也存在某些不足，针对这些不足，本文介绍了相应的改进。水平集方法是本文的重中之重。该模型因有较好的数学理论基础，具有很强的改变拓扑的能力，在分割复杂结构时有着巨大的优势。本文详细描述了该模型的原理，算法和重要的改进，并在原始Fast marching methods的基础上做了较大的改动，使之能够处理由离散点构成的区域。还针对水平集方法效率不高的缺点提出了一种改进方案：预先将象素分为两类，对两类象素定义不同的演化速度，以达到提高效率的目的，并在最后通过实验证明了新思路的优势。