论文部分内容阅读
在过去的近二十年时间里，主动轮廓模型作为计算机视觉领域的重要研究方向吸引了越来越多的研究者的注意。该模型不同于D．Marr的视觉计算理论所描述的自下而上的处理过程，而是一种充分利用高层信息的自上而下的处理过程。它为轮廓提取、立体匹配和目标跟踪等一系列视觉问题提供了一个统一的理论框架，并已在图像分割、医学图像处理、人机交互、监视和监控等许多领域获得了广泛的应用。但该模型仍然存在许多问题，因此有必要对它做深入研究，以提出新的改进算法。 本文阐述了主动轮廓模型的基本原理，研究了传统参数化主动轮廓模型能量函数最小化的改进算法。因为传统参数化主动轮廓模型对轮廓线的初始位置非常敏感，如果初始轮廓线不能足够接近目标的实际边界，那么所得结果容易受图像噪声和强边界等因素的影响而不准确。针对这个问题，首先基于目标与背景区域灰度值服从不同的高斯分布的假设，依据Bayes判决准则在传统的主动轮廓模型中引入了区域能量；为进一步减小轮廓线受强边界的影响，在引入区域能量的基础上，又在弹性能量中引入了区域统计信息和自适应调节策略，从而得到了一种改进的主动轮廓模型。最后，把这种改进的主动轮廓模型与基于块匹配的运动估计算法相结合，用于大噪声图像中的目标分割和复杂背景下单个刚体运动目标的跟踪，并进行了仿真。 实验结果表明，在传统主动轮廓模型中引入改进的区域能量，可以减少轮廓线受噪声影响，在一定程度上提高了分割的准确性；在弹性能量中引入区域信息和自适应调节机制后，使弹性能量在目标与背景区域内有相反的作用，在很大程度上减少了只引入区域能量的不足，进一步提高了分割的精度。基于改进的主动轮廓模型的目标跟踪实验说明，引入运动估计可以提高跟踪的可靠性，扩大整个跟踪算法的适用范围，同时也说明，文中的改进模型比传统模型更适于目标跟踪，特别是复杂背景下运动较快的单个刚体目标的跟踪。