水平集方法及其在圖像分割中的應用研究.pdf

1、在信息社會里，圖像已成為人類獲取和交換信息的重要途徑，而利用計算機進行數(shù)字圖像處理是為了對圖像中的目標進行分析，從而獲得目標的客觀信息并建立對圖像的相關描述。圖像分割一直是數(shù)字圖像處理領域中最為基礎和重要的問題，它是對圖像進行視覺分析和模式識別的基本前提。所謂圖像分割指的是根據(jù)灰度、顏色、紋理和形狀等特征把圖像劃分成若干互不交迭的區(qū)域，并使這些特征在同一區(qū)域內呈現(xiàn)出相似性，而在不同區(qū)域間呈現(xiàn)出明顯的差異性。
　　 近年來，水平集

2、方法已經(jīng)成為圖像分割領域的一個研究熱點，并在處理圖像分割問題時表現(xiàn)出了良好的性能。相較于傳統(tǒng)的圖像分割方法，水平集方法有著顯著的優(yōu)點：用隱式表達的演化曲線(面)可以很自然地改變其拓撲結構，因此可以分割圖像中具有復雜形狀的目標對象；避免了對閉合曲線(面)演化過程的跟蹤，將曲線(面)的演化轉化成一個純粹的偏微分方程求解問題；其有著較強的數(shù)學背景作為理論支撐，較為容易擴展到高維情況。因此，對其進行研究是非常有必要的。同時，水平集方法仍然處于發(fā)

3、展階段，其理論和應用方面的研究都有待于進一步深化和完善。在此背景下，本論文對水平集方法及其在圖像分割中的應用和進一步擴展進行深入的研究，在基于局部信息的混合型水平集模型、基于多層水平集框架的多相圖像分割、基于水平集方法的密度聚類框架、基于先驗信息的植物葉片圖像分割幾個方面提出了有效的算法。
　　 本文的主要工作概況如下：
　　 (1)提出了一種新的基于局部信息的Local Chan-Vese(LCV)模型。通過使用局部圖

4、像信息，該模型可以在較少的迭代次數(shù)內分割灰度不均勻圖像。在規(guī)則化項中引入能量懲罰項，使得水平集函數(shù)在演化過程中很自然地保持為近似的符號距離函數(shù)。此外，給出了一個基于演化曲線長度變化的水平集演化終止準則。最后，構造了一個新的擴展型結構張量，將其與LCV模型相結合，可以分割灰度均勻或者不均勻的紋理圖像。在一系列人工和真實圖像上的實驗證明了LCV模型的有效性和魯棒性。通過與Chan-Vese模型和Local Binary Fitting模型進

5、行實驗對比，顯示出LCV模型可以在較少的迭代次數(shù)內分割灰度均勻或不均勻的普通與紋理圖像，并且對于初始輪廓的位置和演化參數(shù)的選擇不敏感。
　　 (2)通過在水平集方法中引入一種圖像層的概念，構建了一種新的多層水平集分割框架。與傳統(tǒng)的多水平集分割不同，多層水平集框架僅使用一個水平集函數(shù)，并且以一種層級演化的方式來進行多相圖像分割。為了保證收斂的速度，提出了一種參數(shù)自適應更新方案。此外，定義了單圖像層上和全局上的水平集演化終止準則，整

6、個演化過程中無需任何人工干涉。在人工和真實圖像上的實驗結果表明了多層水平集框架的有效性，與傳統(tǒng)的多相Chan-Vese模型相比，多層水平集框架具有較低的計算復雜度和更快的收斂速度。
　　 (3)提出使用水平集演化來逼近聚類中心的思想，并構建了一種基于水平集方法的密度聚類框架，從而成功地將圖像分割方法擴展至密度聚類領域。與傳統(tǒng)水平集方法不同，借助于數(shù)據(jù)空間的特性，水平集初始輪廓可被自動創(chuàng)建。演化過程中，不同類型的輪廓會以不同的方式

7、包圍各個聚類中心。為了得到包圍聚類中心的最優(yōu)的水平集邊界，給出了演化輪廓記錄集的動態(tài)更新準則。此外，還提出了一種有效的數(shù)據(jù)空間中的水平集演化終止準則。最后，在水平集邊界的基礎上設計了一種新的水平集密度，以用于在聚類過程中替代傳統(tǒng)的概率密度。在人工和真實數(shù)據(jù)集上的實驗結果表明，所提出的密度聚類框架可以有效地處理聚類中心較為接近的數(shù)據(jù)集，并進行離群點檢測。通過與其它密度聚類算法的實驗對比，顯示出該聚類框架可以避免過擬合現(xiàn)象，并能解決聚類邊界