結(jié)合灰度與差分信息的混合活動輪廓模型.pdf

1、圖像分割是計算機視覺和圖像處理領(lǐng)域內(nèi)的重要研究內(nèi)容。至今，已有多種分割算法，而活動輪廓模型是一個比較著名的方法，并且在眾多研究中也得到了非常廣泛的應用。其基本思想是在服從一定約束條件下在給定圖像中演化一條封閉曲線以檢測圖像中的目標。
　　本文主要是對活動輪廓模型的分割方法進行研究。文中介紹了幾種比較著名的活動輪廓模型，并通過實驗結(jié)果對模型的優(yōu)缺點作出了簡要的分析。分析發(fā)現(xiàn)使用圖像全局信息的活動輪廓模型雖然對初始輪廓位置不敏感，但不

2、能準確的分割出灰度不均勻圖像，而使用圖像局部信息的活動輪廓模型雖然能夠有效的處理灰度不均勻圖像，但又存在初始輪廓位置敏感問題。為了能夠更加有效的對圖像實現(xiàn)分割，本文提出了一種結(jié)合圖像差分與局部信息的活動輪廓模型，其中圖像的差分信息為濾波后的圖像減去原始圖像。并且在數(shù)值實現(xiàn)時采用了時間分步法，同時避免了傳統(tǒng)更新迭代中需要重新初始化的過程，從而使本文模型在數(shù)值實現(xiàn)上更加簡單。此外，在該模型的基礎上，本文提出了一種結(jié)合圖像背景估計信息的活動輪

3、廓模型，背景估計信息為背景圖像減去原始圖像，而背景圖像為在原始圖像上進行形態(tài)學開運算的結(jié)果。提出模型的能量泛函中數(shù)據(jù)項由圖像的背景估計信息和局部信息組成，其中使用圖像的局部信息能保持對灰度不均勻圖像分割的準確性，同時由于背景估計信息的引入，算法有效的克服了對初始位置敏感的問題。并且背景估計信息本身能夠很好描述灰度不均勻圖像，從而使本文模型避免了現(xiàn)有的混合模型中局部項與全局項之間比例參數(shù)的權(quán)重問題，增加了算法對不同特征圖像的適應性。實驗結(jié)