论文部分内容阅读
图像分割是数字图像处理和计算机视觉的一个基础问题，也是影响后续工作的关键技术之一。近年来，基于活动轮廓模型的图像分割技术由于其具有统一的描述形式、灵活的结构以及优越的性能，已成为图像分割领域中的研究热点。然而，活动轮廓模型本身尚存在一些亟待改进之处，如计算效率不高、对初始条件敏感、易陷入局部极小值解等。针对上述问题，本文以提高分割精度、提升分割效率和增强初始化的鲁棒性为目标，对经典的活动轮廓模型进行了优化和改进，并将其应用于图像分割领域，主要的研究成果包括: (1)提出了一种基于凸优化技术的自适应活动轮廓模型。通过引入了自适应权重项，对目标区域和背景区域拟合中心进行加权计算，从而提高了拟合的准确性。新模型关于图像分割变量是凸的，可以获取全局最优解，对初始化也具有较好的鲁棒性。另外，为了克服梯度下降法收敛速度慢的缺点，模型采用了Split-Bregman方法进行快速求解，使得模型的分割效率大大提高。 (2)提出了一种基于全局图像信息和局部图像区域特征的活动轮廓模型。模型的能量函数主要包括三项:全局能量项、局部能量项和自适应调节项。全局能量项利用了图像的全局信息，局部能量项则考虑了图像的局部特征，而自适应调节项可以根据图像上下文自动调整二者的权重。由于在模型中充分利用了图像全局信息和局部特征，因而有效地提高了分割精度。此外，在模型中加入了凸优化技术，可以获取全局最优解，因而模型对初始化不敏感。最后，模型采用了Split-Bregman方法进行快速求解，大大缩短了模型的分割时间。 (3)提出了一种基于核诱导距离的活动轮廓模型，其基本思想是利用核诱导函数去构造能量泛函，在模型中引入了鲁棒的核诱导距离，提高了距离测量的正确性，使得该模型具有更高的分割精度，并且由于选择了指数类型的核诱导函数，从而减少了迭代的次数，模型的分割效率大大提升。最后，模型中还加入了正则项，从而避免了重新初始化。 (4)提出了一种克服灰度不均匀性的局部活动轮廓分割模型。模型利用窗口函数定义像素的局部拟合能量，再对所有像素的局部拟合能量进一步积分得到整幅图像的拟合能量。由于在局部能量中引入了核诱导距离，使得该模型不但可以很好地克服灰度不均匀性的影响，而且具有较好的分割精度和较快的分割速度。 (5)提出了一种基于Multi-Layer水平集方法的活动轮廓模型。该模型能够同时进行偏移场去除和图像分割，可以有效地克服灰度不均匀性的影响。由于采用了Multi-Layer水平集方法，模型只需演化一个水平集函数，就可以分割出多个区域，大大降低了运算工作量，提高了计算的效率。而且，由于Multi-Layer水平集的嵌套式水平线的结构与脑组织的层次结构相匹配，因而该方法特别适用于脑MRI图像分割。最后，针对水平集方法比较依赖初始化的弊端，还提出了一种简单而有效的初始化方法，使得模型的初始化过程不再需要人工干预。