變分法圖像分割算法研究.pdf

1、變分法之所以成為圖像分割理論研究的熱點問題是因其建模過程比較容易、方法的擴展性較好、實現(xiàn)過程簡單，已成為圖像分割處理范圍中較為有效且廣泛使用的方法之一。針對圖像分割算法目前所存在的問題，本文意在提高分割結(jié)果的準確度和魯棒性，降低圖像分割的時間復雜度，對使用變分水平集法進行圖像的分割處理做了較深入的探討，研究兩種變分方法實現(xiàn)圖像分割。
　　由于傳統(tǒng)的活動輪廓存在對圖像分割魯棒性欠好的問題，本文將區(qū)域相關(guān)的輪廓模型(Active Co

2、ntours without Edge,CV模型)和梯度相關(guān)的輪廓模型（Geodesic Active Contour，GAC模型）結(jié)合使用，通過圖像熵與圖像的梯度和將兩部分進行結(jié)合。首先，將圖像熵與圖像梯度和擬合為權(quán)重因子，構(gòu)建基于圖像梯度的輪廓模型和基于圖像區(qū)域的輪廓模型相結(jié)合的分割模型。其次，將水平集函數(shù)方法應用到模型中，這樣模型在分割過程能夠連續(xù)，也可以適應拓撲變化。最后，為了提升曲線演化的速度，論文采用窄帶方法使活動曲線能夠快

3、速演化。通過實驗證明，使用該模型方法分割圖像，其魯棒性較好，同時分割速度也較快。
　　傳統(tǒng)活動輪廓分割圖像時間復雜度有時不甚理想，本文設計了基于輪廓鄰域梯度進行擬合的活動輪廓模型。該模型通過計算輪廓線鄰域梯度值，并用計算出的梯度值作為閾值來擬合迭代函數(shù)，從而減小分割圖像的時間復雜度。通過實驗能夠證明，本文算法能夠有效快速地分割圖像，并有較小的時間復雜度。
　　兩種改進的變分技術(shù)能夠較好地提高圖像分割質(zhì)量，為圖像分割技術(shù)在生物