基于區(qū)域型水平集方法的圖像分割算法研究.pdf

1、數(shù)字圖像處理已經(jīng)成為現(xiàn)代社會(huì)中識(shí)別，追蹤等必不可少的工具。圖像分割是數(shù)字圖像處理中最重要的組成部分之一。是進(jìn)行自動(dòng)的模式識(shí)別，視頻追蹤，圖像配準(zhǔn)，目標(biāo)重建等的基礎(chǔ)。目前，已經(jīng)有許多種圖像分割方法廣泛應(yīng)用到計(jì)算機(jī)視覺領(lǐng)域。水平集方法作為一種基于主動(dòng)輪廓模型的經(jīng)典的圖像分割方法，以其獨(dú)特的優(yōu)勢(shì):自由的拓?fù)浜蛷?qiáng)大的數(shù)學(xué)基礎(chǔ)，已經(jīng)成為一種比較流行的實(shí)現(xiàn)精確圖像分割的工具。然而，區(qū)域型水平集方法由于其在捕捉區(qū)域灰度信息方面的優(yōu)勢(shì)，已經(jīng)成為一個(gè)研究

2、熱點(diǎn)。本文基于區(qū)域型水平集方法，對(duì)目前現(xiàn)實(shí)生活中常見的灰度不均勻圖像，自然紋理圖像等做了大量的圖像分割方法的研究。最重要的是，針對(duì)難以準(zhǔn)確分割這些圖像的問(wèn)題，提出了一系列有效且可行的圖像分割算法。
　　1)提出了一種基于分段常量逼近和多尺度結(jié)構(gòu)的新穎的水平集方法。通過(guò)轉(zhuǎn)換灰度不均勻模型使得圖像逼近分段常量，從而使得分段常量分割準(zhǔn)則可以有效的分割灰度不均勻圖像。更進(jìn)一步的，考慮到灰度不均勻的局部變化和局部區(qū)域的可靠性，提出一種高斯金

3、字塔卷積策略以便構(gòu)造不同尺度的局部鄰域。從而，得到一種多尺度結(jié)構(gòu)以及利用多尺度結(jié)構(gòu)去模擬分段常量圖像。這時(shí)，根據(jù)分段常量分割準(zhǔn)則，得到了不同尺度的局部區(qū)域條件下構(gòu)建的常量描述器，用常量描述器對(duì)圖像進(jìn)行模擬描述從而構(gòu)建了多尺度結(jié)構(gòu)的數(shù)據(jù)項(xiàng)。為了平衡多尺度結(jié)構(gòu)下得到的灰度信息和融合多尺度結(jié)構(gòu)的數(shù)據(jù)項(xiàng)，求解了不同尺度下的數(shù)據(jù)項(xiàng)平均值。最終，利用水平集方法構(gòu)造了基于多尺度結(jié)構(gòu)的理想的能量泛函。通過(guò)展示大量的實(shí)驗(yàn)結(jié)果，證明了相對(duì)于傳統(tǒng)經(jīng)典的模型，

4、提出的方法對(duì)于灰度不均勻圖像能夠得到更好的分割效果。
　　2）針對(duì)復(fù)雜自然圖像的分割，提出一種新穎的基于灰度和紋理信息的模型。在這個(gè)模型中，主要融合了灰度信息和紋理信息兩方面的特征。接著，通過(guò)水平集方法得到理想的分割結(jié)果。首先，提出了基于全局劃分算法的灰度項(xiàng)。相比傳統(tǒng)的CV模型，這里的灰度項(xiàng)能夠更好的捕獲灰度信息。尤其是，當(dāng)滿足一個(gè)特定條件時(shí)，CV模型僅僅是灰度項(xiàng)的一個(gè)特例。其次，本文提出了一種自適應(yīng)尺度的局部變化程度算子，并用其

5、提取紋理特征。這里，局部變化程度算子和自適應(yīng)尺度算法分別提取了紋理的幅度變化成分和頻率變化成分。通過(guò)融合自適應(yīng)尺度算法和局部變化程度算子，得到了新穎的自適應(yīng)尺度的局部變化程度算法。不同于傳統(tǒng)的濾波器，它自適應(yīng)的融合了局部灰度變化的幅度和頻率成分以至于能夠準(zhǔn)確的提取不穩(wěn)定的紋理特征。最后，通過(guò)水平集方法融合灰度項(xiàng)和紋理特征項(xiàng)從而構(gòu)造出灰度——紋理模型。
　　3)提出一種局部最大描述差異特征為每一個(gè)像素位置確定基于多尺度高通濾波器條件

6、下的最大響應(yīng)，從而，將其融合進(jìn)水平集能量泛函構(gòu)造多尺度的局部模型。首先，我們構(gòu)建了多尺度的局部區(qū)域描述器并用來(lái)描述不同尺度的局部區(qū)域。這時(shí)，基于高通濾波的多尺度局部區(qū)域描述器，提取了一個(gè)所謂的局部最大描述差異特征。接下來(lái)，局部最大描述差異特征和基于CV模型架構(gòu)的三種經(jīng)典的水平集模型分別進(jìn)行有效的融合。其中，我們利用局部最大描述差異特征削弱了灰度不均勻的影響和增強(qiáng)了目標(biāo)和背景區(qū)域之間的灰度對(duì)比度。最終通過(guò)最小化水平集能量泛函，實(shí)現(xiàn)了多尺度

7、的分割方法。局部最大描述差異特征為每一個(gè)像素確定了理想的局部鄰域尺度，最主要的是這個(gè)所確定的尺度可能會(huì)隨著輪廓的演化而變化，從而增強(qiáng)了演化輪廓逼近目標(biāo)邊界的能力。最后，通過(guò)實(shí)驗(yàn)證明了提出的多尺度局部模型對(duì)于分割嚴(yán)重的灰度不均勻圖像是非常準(zhǔn)確和高效的。
　　4)通過(guò)引進(jìn)力矩競(jìng)爭(zhēng)和半監(jiān)督聚類思想提出了一種新穎的水平集圖像分割方法。不同于傳統(tǒng)的基于力競(jìng)爭(zhēng)的水平集方法，力矩競(jìng)爭(zhēng)取代了力競(jìng)爭(zhēng)驅(qū)動(dòng)輪廓的演化。首先，提出一個(gè)所謂的三點(diǎn)標(biāo)簽計(jì)劃在

8、圖像中標(biāo)記三個(gè)獨(dú)立的像素點(diǎn)。類似于半監(jiān)督聚類方法中樣本標(biāo)簽，利用種子像素集為每一個(gè)像素構(gòu)建聚類距離。這時(shí)，通過(guò)結(jié)合灰度聚類距離得到有效的力臂。不同于傳統(tǒng)的方法，全局灰度差異產(chǎn)生了競(jìng)爭(zhēng)力，同時(shí)力臂對(duì)力施加了一定的權(quán)重，從而構(gòu)建了力矩競(jìng)爭(zhēng)。進(jìn)一步的將力矩融合進(jìn)水平集能量泛函從而驅(qū)動(dòng)輪廓向目標(biāo)邊界位置演化。其中，力臂充分利用了三點(diǎn)標(biāo)簽計(jì)劃的優(yōu)勢(shì)從而約束了力矩競(jìng)爭(zhēng)。除此之外，提出的方法很好的結(jié)合了全局統(tǒng)計(jì)信息和樣本標(biāo)簽信息使其對(duì)初始化輪廓的位置