基于Snake模型的纤维图像分割的研究与应用

论文摘要

纤维图像分割是纤维图像自动识别系统中的一个重要步骤,是纤维特征提取以及纤维识别的基础。在纤维图像采集过程中,由于纤维包埋和切片技术、图像采集系统中的环境、设备及人为等因素的限制,采集到的图像存在光斑、扭曲变形、光照不均等噪声,这给纤维图像分割带来困难。本文在深入分析现有的图像分割方法的基础上,为解决传统图像分割方法用于纤维图像分割存在双边缘、伪边缘和轮廓不连续的问题,将Snake模型引入到纤维图像分割中,提出了一种基于Snake模型的纤维图像分割算法。本文在研究了Snake模型的基础上,为解决传统Snake模型对初始轮廓线位置敏感和不能分割凹陷区域等问题,重点研究了GVFSnake模型在纤维图像分割领域中的应用.虽然GVF Snake模型有效解决了传统Snake模型的缺点,但运用到纤维图像分割中也存在着很多难点,比如时间效率、初始轮廓线的有效区域等问题。针对这些难点,本文首先结合GVF Snake模型的特点和纤维图像自有的特性,研究了适用于GVF Snake模型的纤维图像平滑去噪、去除光照不均的预处理方法；其次,提出融合聚类分割算法和GVF Snake模型的纤维图像分割方法,选取K-means聚类分割结果作为GVF Snake模型的初始轮廓线,充分发挥二者的优点,有效地解决了传统纤维图像分割存在的诸多问题；最后,由于纤维图像本身的特点,上一步的分割结果中可能存在毛刺,本文在轮廓跟踪方法的基础上找到毛刺并将其去除,得到完整、连续且单像素的纤维分割结果。大量实验数据表明,利用本文算法分割纤维图像,有效解决了传统图像分割方法分割结果的双边缘、伪边缘或者轮廓不连续等问题,得到的结果准确、完整,实现了准确分割各类较复杂的纤维图像的目的,而且有效缩短了纤维图像的分割时间。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题背景和研究意义
• 1.2 纤维图像识别的研究现状
• 1.3 本文的研究目标、内容和创新点
• 1.3.1 研究目标
• 1.3.2 研究内容
• 1.3.3 本文的创新点
• 1.3.4 本文章节安排
• 1.4 小结
• 2 纤维自动识别系统综述
• 2.1 纤维自动识别系统
• 2.1.1 系统概述
• 2.1.2 纤维图像采集
• 2.1.3 纤维图像预处理
• 2.1.4 纤维图像分割
• 2.1.5 纤维图像特征提取
• 2.1.6 纤维识别
• 2.2 纤维分割的重要性及其挑战
• 2.2.1 纤维分割的重要性
• 2.2.2 纤维图像分割中的困难和挑战
• 2.3 小结
• 3 纤维图像分割算法综述
• 3.1 图像分割的概念
• 3.2 纤维图像分割基本方法
• 3.2.1 基于边缘检测的分割方法
• 3.2.2 阈值分割方法
• 3.2.3 基于区域的分割方法
• 3.2.4 聚类分割算法
• 3.2.5 其他分割方法
• 3.3 小结
• 4 Snake模型在纤维图像分割中的应用
• 4.1 传统Snake模型原理及优缺点
• 4.1.1 传统Snake模型的原理
• 4.1.2 传统Snake模型用于纤维图像分割的优缺点
• 4.2 GVF Snake模型用于纤维图像分割
• 4.2.1 GVF Snake模型的原理
• 4.2.2 GVF Snake模型的用于纤维图像分割的优点
• 4.3 GVF Snake模型用于纤维图像分割的难点
• 4.3.1 力场迭代次数、初始轮廓线逼近次数与时间的关系
• 4.3.2 初始轮廓线设定位置的研究
• 4.4 小结
• 5 融合聚类算法和GVF Snake模型的纤维图像分割方法
• 5.1 本方法的总体过程
• 5.2 纤维图像预处理
• 5.3 GVF Snake模型中初始轮廓线的确定
• 5.3.1 聚类分割算法
• 5.3.2 GVF Snake模型初始轮廓线确定
• 5.4 去毛刺
• 5.5 实验结果分析
• 5.5.1 轮廓线的连续性
• 5.5.2 轮廓提取的准确度
• 5.6 小结
• 6 结论与展望
• 6.1 课题研究工作总结
• 6.2 研究课题展望
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢