论文部分内容阅读
图像分割在图像工程中占有重要地位,它决定着图像分析、图像理解的性能,在计算机视觉、模式识别、医学图像处理等领域具有广泛的应用。目前复杂场景下特别是灰度不均匀图像的分割算法仍然面临着诸多挑战,初始条件常常很容易影响水平集算法的分割效果、图像分割效果及速度仍然有待于提升。因此,本文主要研究结合模糊理论的灰度不均匀图像水平集分割算法,旨在避免初始条件对分割效果的影响,提高算法的分割速度并获得较好的分割效果,主要工作包括以下三个首先,针对LBF模型及LIF模型灰度不均匀图像水平集分割算法存在的问题,对LIF模型灰度不均匀图像水平集分割算法进行改进。改进的算法采用经典的FCM聚类分割算法得到的分割结果对水平集函数进行初始化,再利用LIF模型对初始化水平集函数进行迭代演化最终达到分割目的。灰度不均匀图像上的大量实验证明：改进的算法较之于LBF模型、LIF模型灰度不均匀图像水平集分割算法,算法避免了手动初始化水平集函数对分割效果的影响,在分割效果及分割速度方面存在明显优势。其次,针对模糊水平集图像分割算法数值精度不高的问题,本文利用DRLSE模型对模糊水平集图像分割算法中的能量函数进行修正,提出一种改进的模糊灰度不均匀图像水平集分割算法。灰度不均匀图像上的大量实验证明：改进后的算法避免了手动初始化水平集函数对分割效果的影响,并在灰度不均匀图像上的分割效果及分割速度方面有明显提高。最后,本文提出一种改进的基于偏移场估计的灰度不均匀图像水平集分割算法以解决原算法对初始化水平集函数敏感及其导致的分割效果差、分割速度慢的问题。改进的算法采用空间域FCM聚类分割算法得到的结果对水平集函数进行初始化,并利用DRLSE模型对原算法中的能量函数进行修正。大量灰度不均匀图像上的实验证明：改进后的算法较之于改进前的算法,避免了手动初始化水平集函数对分割效果的影响,在分割效果及分割速度方面都具有明显优势。