基于活动轮廓模型的选择性分割方法研究

• 作 者: 张敏怡
• 出 处: 中国石油大学(华东)
• 发表日期: 2004年期
• 关键词: 活动轮廓模型 水平集方法 选择性分割 灰度不均匀图像 分数阶微分 纹理图像 结构张量

基于偏微分方程的图像分割法是当前的一个研究热点。由于该方法具有严谨的数学基础以及高效的数值方案,成为计算机视觉领域中应用最广的算法之一。基于水平集方法的活动轮廓模型是偏微分方程方法进行图像处理中的典型应用。其基本思想是:首先将演化曲线用一个高维的嵌入函数表示,并将嵌入函数引入到能量泛函中,然后通过变分法得到关于嵌入函数的偏微分方程,最终的演化结果即为目标图像的边界。本文基于上述思想,针对现有选择性分割模型的不足进行改进,提出两种优化的选择性分割模型;并将选择性分割模型从灰度图像推广到纹理图像实现分割,使分割模型的应用范围更广泛。具体工作如下:1.针对选择性分割模型不能有效分割灰度不均匀及强烈噪声图像的不足,提出了基于原始图像和差分图像局部统计信息的选择性分割模型。其中,原始图像的局部信息有效改善了对灰度不均匀图像的分割效果,差分图像的统计信息降低了噪声对分割的影响。采用加法算子分裂算法进行数值求解以提高分割速度。仿真结果表明该模型能够准确地选择性分割灰度不均匀及被强烈噪声破坏的图像。2.针对基于原始图像和差分图像局部统计信息的选择性分割模型对于弱纹理、弱边缘图像分割容易陷入局部最优的问题,提出基于分数阶微分的选择性分割模型,该模型同时提高了对演化曲线初始位置的鲁棒性。利用分数阶微分掩膜算子对原始图像进行滤波,在增强图像边缘的同时,非线性地保留图像中平滑区域的纹理和灰度信息,然后构造一个分数阶微分拟合项引入到选择性分割模型中来驱动曲线演化,得到基于分数阶微分的选择性分割模型。通过实验对比,结果表明该模型对弱纹理和弱边界图像有更好的分割效果,同时对演化曲线初始位置鲁棒性更强。3.对上述改进的选择性模型进行推广,使其应用于纹理图像的选择性分割。本文采用非线性结构张量对纹理特征进行描述,其特征值用于重构选择性分割模型中的边缘停止函数,进一步,将非线性结构张量所包含的四个特征通道的平均值代替分数阶微分拟合项中的原始图像,得到了用于分割纹理图像的选择性分割模型。实验结果表明,基于结构张量的选择性分割模型能够有效实现纹理图像的选择性分割。