基于广义模糊集及主动轮廓线模型的图像分割方法研究

论文摘要

图像分割是图像处理中一个基本而关键的环节,图像经过预处理只是得到了原始图像的最佳逼近,在进行特征提取识别之前,进行图像分割必不可少。对图像分割算法的评价主要是分割质量和分割效率,图像分割的准确与否直接影响到后续的图像分析结果,而分割效率则是保证视觉系统能够应用的重要条件。本文在提高图像分割质量和效率方面做了以下几个方面的工作:基于广义模糊算子（GFO）法的图像边缘检测与其它基于边缘强度依靠导数的边缘检测法明显不同,具有计算量小,检测到的边缘精度高等特点,但是GFO算法中的关键参数需经验、人为确定,影响了该方法的检测效果,限制了其在实际中的推广应用。针对这个问题,本文提出将遗传算法和Otsu法应用于GFO算法的参数确定中,实现了参数的自适应获取。将改进的GFO算法应用到灰度值变化复杂的图像边缘检测中,显著地提高了图像边缘检测效果,使得该方法易于在图像分割中应用。参数主动轮廓线模型通过定义一个能够反映目标轮廓与灰度等信息的能量函数,引入了高层次处理对低层次轮廓提取的反馈,是近年来图像处理中用于目标轮廓提取的一种主流模型,但是传统参数主动轮廓线模型存在着对初始轮廓要求高,进入凹面域困难及收敛速度慢等缺点。在本文中提出了一种改进的模型,分别改进了模型的能量构造函数和模型的数值迭代方法,提高了参数主动轮廓线模型图像分割的收敛速度和准确性。在很大程度上解决了传统模型搜索区域小,进入凹面域困难及收敛速度慢等问题。几何主动轮廓线模型克服了参数化模型拓扑结构不容易变化的缺陷,解决了参数主动轮廓线模型难以解决的问题,特别是水平集方法（Level Set Method）极大地推动几何主动轮廓线模型的发展,使得近年来对几何主动轮廓线模型逐渐成为研究热点。然而水平集方法存在着需要对整个图像定义域中所有点的水平集函数值进行更新,计算复杂、耗时等问题。本文在详细分析水平集方法的基础上,提出了将微粒群搜索算法、样条插值及水平集窄带法相结合的具体解决方案,降低计算量,同时避免了噪声影响,提高了分割效果。基于简化Mumford-Shah图像分割模型的C-V方法同时适用于梯度有意义和无意义的轮廓检测,很好地解决了轮廓线位于弱边缘的情况,防止了“冒顶”现象的发生,但是由于其每次迭代过程都需要对所有图像数据进行计算,因而很费时,同时,该方法不能直接使用窄带法。为此,本文提出了具体的解决方案,使得窄带法能够和简化Mumford-Shah模型的C-V方法进行有效的结合,可极大地减少计算量,提高分割效率。另外,本文还对C-V方法进行了改进,提出了减少迭代计算量算法及相应的迭代终止准则,一定程度上解决了C-V方法计算量大的问题。为了验证本文所提算法的有效性和促进理论到实际的应用,设计了以MOTOMAN-UP6机器人为实验平台的机器人视觉跟踪系统。在机器人视觉跟踪系统的设计、实现中不仅对计算机视觉领域中不可回避的目标图像识别技术进行了讨论,提出了基于Hough变换的RBF神经网络和不变矩特征的识别方法,而且给出了跟踪预测的详细算法。通过在此机器人上进行的视觉跟踪实验,验证了本文所提的图像分割算法的有效性,证明了课题所设计的视觉跟踪系统软件的正确性、有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 图像分割的意义
• 1.2 图像分割技术的研究现状
• 1.2.1 基于区域的分割算法
• 1.2.2 基于边缘的分割算法
• 1.3 基于主动轮廓线模型的图像分割
• 1.3.1 基于参数主动轮廓线模型的图像分割
• 1.3.2 基于几何主动轮廓线模型的图像分割
• 1.4 本文的主要工作及结构安排
• 第2章 改进的广义模糊算子在边缘检测中的应用
• 2.1 引言
• 2.2 广义模糊算子的定义与性质
• 2.3 基于广义模糊算子的灰度图像边缘检测
• 2.4 GFO 边缘检测算法的改进
• 2.4.1 最佳阈值理论在GFO 中的提出
• 2.4.2 Otsu 方法的应用
• 2.4.3 GA 理论在GFO 中的应用
• 2.4.4 实验结果与分析
• 2.5 改进的GFO 算法在复杂图像边缘检测中的应用
• 2.6 本章小结
• 第3章 改进的Snake 模型边缘检测算法研究
• 3.1 引言
• 3.2 基本的Snake 模型
• 3.2.1 Snake 模型概述
• 3.2.2 Snake 模型能量函数的定义
• 3.2.3 Snake 模型能量最小化算法
• 3.3 改进的Snake 模型
• 3.3.1 图像引力的提出
• 3.3.2 Snake 模型的改进
• 3.4 改进Snake 模型的贪婪算法实现
• 3.5 实验结果与分析
• 3.6 本章小结
• 第4章 基于水平集曲线演化的快速图像分割方法
• 4.1 引言
• 4.2 曲线演化理论和图像分割
• 4.2.1 曲线演化理论
• 4.2.2 曲线演化和图像分割关系分析
• 4.3 水平集理论
• 4.3.1 水平集实现曲线演化原理
• 4.3.2 水平集方程的数值计算
• 4.3.3 水平集函数的初始化
• 4.3.4 速度场的扩展
• 4.4 基于微粒群理论和窄带法的快速水平集算法
• 4.4.1 窄带水平集算法
• 4.4.2 PSO 快速搜索算法
• 4.4.3 样条插值算法的应用
• 4.4.4 迭代终止准则
• 4.5 实验结果与分析
• 4.6 本章小结
• 第5章 基于Mumford-Shah 模型的图像分割方法
• 5.1 引言
• 5.2 简化的M-S 图像分割模型的C-V 方法
• 5.2.1 简化的M-S 图像分割模型
• 5.2.2 求解简化M-S 图像分割模型的C-V 方法
• 5.2.3 C-V 图像分割方程的数值解法
• 5.3 基于窄带法求解简化M-S 图像分割模型的C-V 方法
• 5.3.1 基于窄带M-S 模型的图像分割方法
• 5.3.2 实验结果与分析
• 5.4 M-S 图像分割模型的C-V 方法改进
• 5.4.1 简化C-V 方法迭代计算量的算法
• 5.4.2 C-V 方法迭代终止条件的确定
• 5.4.3 ?t 的动态调整
• 5.4.4 实验结果与分析
• 5.5 本章小结
• 第6章 机器人视觉跟踪系统的设计与实现
• 6.1 引言
• 6.2 机器人视觉跟踪系统介绍
• 6.2.1 机器人视觉跟踪系统的硬件构成
• 6.2.2 机器人视觉跟踪系统软件设计
• 6.3 基于不变矩特征和RBF 神经网络的识别技术
• 6.3.1 图像不变矩特征
• 6.3.2 基于Hough 变换的RBF 神经网络自适应动态设计
• 6.3.3 基于矩的RBF 神经网络目标识别实验
• 6.4 跟踪预测算法
• 6.4.1 灰度质心的提取
• 6.4.2 预测算法
• 6.4.3 软件设计中的几点讨论
• 6.5 实验结果与分析
• 6.6 本章小结
• 结论
• 参考文献
• 攻读博士学位期间承担的科研任务与主要成果
• 致谢
• 作者简介