基于主动轮廓模型的图像分割方法研究

论文摘要

在图像处理和计算机视觉的研究领域中,图像分割作为其中的一个重要环节,同样在图像处理技术的研究和应用中,也起着重要作用。对于彩色图像的分割,可以看作是灰度图像分割模型的一种扩展,但是一些传统的灰度图像分割模型并不能够直接用于彩色图像的分割。Chan-Vese模型是基于M-S模型和水平集方法的一种经典主动轮廓模型。C-V模型由于利用图像的区域信息,因此对边界模糊的图像,该模型具有一定的抗噪声能力。经典的C-V模型仅利用图像的灰度信息,对于彩色图像分割时需将其转换为灰度图像,但是分割效果却不理想,为此,将其扩展到多通道C-V模型（Multi-Channel C-V Model）,从而适合于彩色图像的分割。由于C-V模型和多通道C-V模型都是基于演化曲线内部和外部特征一致的假设,因此对于演化过程中曲线内部和外部属性不一致的情况不能得到正确的图像分割结果。针对此问题,本文提出了基于超像素的图像分割主动轮廓模型,区别于传统的像素水平上的研究。利用超像素具有紧密性,尺寸均匀,保持图像边界的优点,同时为了得到更精确的分割结果,本文引入图像的边缘指示函数,结合在多通道C-V模型中。在图像颜色特征的提取方面,本文采用8-HSV空间中的颜色索引表示。实验验证了基于超像素的主动轮廓模型可以有效地解决演化曲线内部和外部特征属性不一致时的图像分割问题。同样地针对C-V模型和多通道C-V模型存在的问题,考虑到此两种模型都是基于图像的全局信息,而在曲线演化过程中曲线内部和外部特征属性不一致时,模型的全局最小值未必是图像的真实边界。已有的局域化的主动轮廓模型（Localizing Region-Based Active Contour）可以正确的分割具有不均匀特征属性的图像,但当演化曲线在均匀区域且离目标边界较远时,却不能得到正确的分割结果。因此,本文提出了另一种解决办法,即基于局域和全局信息的主动轮廓模型。本文算法通过寻找陷入背景的均匀区域中的点和引入图像的边缘指示函数,来更新演化曲线解决了演化曲线在均匀区域不能正确收敛的情况,并结合图像的全局信息作为约束,避免了更新后的演化曲线越过目标边界。此外我们在协同分割的框架下,将提出的基于局域和全局信息的主动轮廓模型用于两幅图像的协同分割。实验验证了该方法对于自然图像分割的准确性和有效性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 本课题研究的背景和意义
• 1.2 图像分割的定义和分类
• 1.2.1 图像分割的定义
• 1.2.2 图像分割的分类
• 1.3 研究目标及主要工作
• 1.4 论文内容安排
• 2 水平集方法
• 2.1 曲线演化理论
• 2.2 水平集方法理论
• 2.3 水平集方法数值计算
• 3 基于区域的主动轮廓模型算法分析
• 3.1 C-V分割模型
• 3.2 多通道C-V模型
• 3.3 局域化C-V模型
• 3.4 本章小结
• 4 基于超像素的主动轮廓模型研究
• 4.1 超像素
• 4.1.1 N-Cuts方法
• 4.1.2 Turbopixels方法
• 4.2 颜色空间及图像的颜色索引表示
• 4.2.1 颜色空间
• 4.2.2 图像的颜色索引表示
• 4.3 基于超像素的图像分割模型算法
• 4.3.1 将超像素嵌入到多通道C-V模型
• 4.3.2 基于超像素的含边缘信息的多通道C-V模型
• 4.4 实验结果及分析
• 4.4.1 实验结果
• 4.4.2 实验分析
• 4.5 本章小结
• 5 结合局域和全局的分割模型研究
• 5.1 局域化的多通道C-V模型
• 5.1.1 局域化C-V模型在合成图像同质区域的分析研究
• 5.1.2 局域化的多通道C-V模型在自然图像同质区域的分析研究
• 5.2 结合全局和局域信息的单幅图像主动轮廓模型
• 5.3 结合全局和局域信息的协同分割主动轮廓模型
• 5.4 实验结果及分析
• 5.4.1 与多通道C-V模型的比较
• 5.4.2 与局域化的多通道C-V模型的比较
• 5.4.3 协同分割的实验结果
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢