基于活动轮廓模型的图像分割

论文摘要

图像分割是图像处理和计算机视觉的基础。近年来，基于偏微分方程的活动轮廓模型在图像分割领域取得了重大的进步，研究成果可有效应用于医学图像分析，遥感图像处理，机器人视觉，视觉跟踪等领域，对推动我国工业的自动化进程、丰富和发展现有图像处理方法有着重要的理论与实际意义。而基于变分水平集的几何活动轮廓模型具有物理能量特性直观、数值解法稳定、能自动处理拓扑变化、便于融入约束信息等优点，在图像分割领域得到了广泛的应用。本文主要研究基于变分水平集的活动轮廓模型图像分割技术，主要工作如下：通过对CV模型的研究与分析，针对灰度分布均匀的分段常量图像，提出一种基于全局拟合信息的活动轮廓模型，并且为了避免重新初始化步骤，提高计算效率，文中采用了高斯平滑的方法，不但保持了数值稳定，而且提高了抗噪性能。GIF模型、LBF模型和边缘检测模型都只是利用单独的一种图像信息来分割图像。因此，为了充分利用图像信息，本文将这三种模型结合起来建立了一种集成的活动轮廓模型。该模型综合利用了全局灰度信息，局部灰度信息和边缘信息，并且同样采用高斯平滑的方法来避免重新初始化。通过实验证明了这种结合对灰度均匀与不均匀图像分割的有效性，并在与CV模型、GIF模型和LBF模型的实验对比中，显示出这种模型具有很好的鲁棒性，和高效稳定的特点。模糊聚类和变分水平集两类方法均是通过最小化目标函数实现图像分割。通过对模糊聚类中隶属度函数的改造，提出了一种融合模糊聚类的变分水平集模型，从而将两种方法的优点相结合。实验充分验证了该模型可以在较少的迭代时间内准确的将目标分割出来，并且能自动处理拓扑变化，对初始轮廓的位置不敏感。

论文目录

• 摘要
• Abstract
• 目录
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 图像分割的研究背景和意义
• 1.2 图像分割方法的定义及分类
• 1.2.1 基于数据的图像分割算法
• 1.2.2 基于模型的图像分割算法
• 1.3 活动轮廓模型（ACM）的研究背景及发展状况
• 1.4 本文主要工作与内容安排
• 第2章 水平集理论与变分法
• 2.1 曲线演化理论
• 2.1.1 平面微分几何
• 2.1.2 曲线演化的一般方程式
• 2.2 水平集方法的基本理论
• 2.2.1 水平集方法
• 2.2.2 水平集函数的初始化
• 2.2.3 水平集方法的数值计算
• 2.3 变分法和梯度下降流
• 2.3.1 变分原理
• 2.3.2 梯度下降流
• 2.4 小结
• 第3章 集成的变分水平集活动轮廓模型
• 3.1 背景模型
• 3.1.1 边缘检测模型
• 3.1.2 Chan-Vese 模型
• 3.1.3 Local Binary Fitting 模型
• 3.2 一种基于全局信息的活动轮廓模型
• 3.2.1 算法原理
• 3.2.2 对照实验与分析
• 3.3 集成的活动轮廓模型
• 3.3.1 模型的建立
• 3.3.2 实验结果与分析
• 3.4 小结
• 第4章 融合模糊聚类的变分水平集模型
• 4.1 模糊 C 均值聚类
• 4.2 融合模糊聚类的变分水平集模型
• 4.2.1 模型的建立
• 4.2.2 模型的数值实现与求解步骤
• 4.3 实验结果与分析
• 4.4 小结
• 结论
• 参考文献
• 致谢
• 附录A 攻读学位期间完成的学术论文