论文部分内容阅读
图像分割是计算机视觉中的核心问题之一，是图像分析和理解的基础。传统的数据驱动的分割方法由于自身的局限性，使其分割结果很难满足医学等复杂图像分割应用的需求。因此，迫切需要一种能结合图像本身的低层视觉属性与待分割目标先验知识的灵活开放的框架，基于主动轮廓模型的图像分割方法正是这种需求下出现的。
近年来，基于主动轮廓模型的图像分割方法成为图像分割领域的一个研究热点。主动轮廓模型在处理图像分割问题时表现出的良好性能，使其研究成果在医学图像分析、遥感图像处理、视频跟踪等领域得到了广泛的应用。在此背景下，本文对基于主动轮廓模型的图像分割在理论与方法上进行了研究，在灰度分布不均匀图像的分割、结合边缘信息和区域信息的混合主动轮廓、C-V模型的全局极值等方面做了改进。
本文的主要工作概况如下：
1)针对现有主动轮廓方法在分割灰度分布不均匀图像方面存在的问题，提出了一种结合邻域信息的Neighborhood Image Fitting(NIF)模型。从待分割图像中的每个像素出发，定义邻域内各点与中心点的相似性度量函数，将其在图像域上的积分作为整幅图像的能量泛函，最小化该能量泛函，实现对灰度分布不均匀图像的分割。实验表明：与C－V模型相比，NIF模型可以准确的分割灰度分布不均匀图像；与LBF模型相比，NIF模型的正确率更高。
2)针对边缘和区域主动轮廓在分割复杂图像时存在的问题，提出了一种结合边缘和区域的Hybrid Geodesic Region－based Model(HGRM)模型。将NIF模型中相似性度量函数扩展为图像的局部能量函数，HGRM模型的能量泛函由边缘项、全局项和局部项三项构成。通过优化该能量泛函，实现对噪声图像、灰度分布不均匀图像的分割。实验表明：与使用边缘信息或区域信息的模型相比，HGRM模型在分割噪声图像、灰度分布不均匀等弱边缘图像时正确率更高，且对初始轮廓的设置不敏感。
3)针对C－V模型容易陷入局部极值的问题，提出了一种改进的Chan－Vese模型，证明了改进模型存在全局极值，给出了模型非迭代次数的算法停止条件；同时，为了使模型避免陷入局部极小值，提出一种Heaviside函数和Dirac函数的非紧支近似。实验表明：与C－V模型相比，改进模型对曲线的初始轮廓位置不敏感，且无需预先设定迭代次数；与Lee模型相比，改进模型的正确率更高。