基于Mumford-Shah模型的圖像邊緣檢測算法.pdf

1、21世紀(jì)是一個信息膨脹的時代，作為我們感知整個世界的視覺基礎(chǔ)，圖像是人類對信息獲取、表達(dá)和傳遞的重要手段之一。圖像處理是用計算機(jī)對各類圖像進(jìn)行分析計算，以達(dá)到我們所需結(jié)果的新型技術(shù)。邊緣檢測技術(shù)是圖像處理中很重要的一部分，因?yàn)檫吘壥且粋€圖像中區(qū)分前景和背景的分界線，只要把邊緣描述出來，我們就可以把前景和背景區(qū)分開來。而基于Mumford-Shah(MS)模型的圖像邊緣檢測算法在圖像處理中有著重要的意義。
　　在本文中，我們從經(jīng)典的

2、MS模型入手，通過參照之前提出的ModifiedMumford-Shah(MMS)模型的L2范數(shù)形式，我們提出了MMS模型的L1范數(shù)形式，并且針對此模型進(jìn)行了相關(guān)理論推導(dǎo)和數(shù)值試驗(yàn)。首先，我們在得出恢復(fù)后圖像的過程中，用到了不動點(diǎn)迭代的方法，之后在提取邊界的過程中，我們用到了兩種經(jīng)典的方法，分別是:Proximity方法和Split Bregman(SB)方法。此外，我們在整個迭代過程中加入了ThreshoM和Truncation兩種方

3、法，以便于加快迭代速度，從而更快更準(zhǔn)確地得到恢復(fù)效果。數(shù)值試驗(yàn)方面，我們將提出的模型與經(jīng)典的Ambrosio-Tortorelli(AT)模型進(jìn)行比較，我們發(fā)現(xiàn):在針對含有脈沖噪音的圖像中，L1形式下的MMS模型有更好的效果:既可以有效的去除噪音，又可以將邊緣更清晰地檢測出來。之后的試驗(yàn)中，我們將兩種優(yōu)化方法與Proximity算法和SB算法相結(jié)合，從圖像本身和圖表結(jié)果得出:加入優(yōu)化方法的算法既可以保留有效邊緣，又可以減少迭代次數(shù)，提高