圖像分割的基于局部區(qū)域的水平集方法.pdf

1、圖像分割是數(shù)字圖像處理和計(jì)算機(jī)視覺的基本問題之一，其目的是將圖像分成不相交的區(qū)域。然而現(xiàn)實(shí)中的圖像大多數(shù)是灰度不均勻的，這可能會(huì)給圖像分割帶來很大的難度。為了解決這些問題，許多學(xué)者針對(duì)圖像分割問題做了大量的工作并提出多種方法。
　　本文重點(diǎn)介紹一些經(jīng)典的水平集方法的發(fā)展，分析了這些經(jīng)典方法，并在這些分割模型的基礎(chǔ)上提出了新的分割模型。C-V模型對(duì)初始輪廓敏感程度較弱，且對(duì)噪聲圖像的分割效果較好，但是該模型在處理灰度不均勻圖像時(shí)不能

2、取得令人滿意的效果。RSF模型在C-V模型的基礎(chǔ)上，將局部區(qū)域灰度信息用在分割過程的能量泛函中，在處理灰度不均勻圖像時(shí)能取得較準(zhǔn)確的輪廓邊緣。然而，RSF模型的分割結(jié)果與初始化輪廓有著緊密的聯(lián)系。RSF模型的能量泛函是非凸的，當(dāng)初始化輪廓離真實(shí)目標(biāo)邊緣很遠(yuǎn)時(shí)，能量泛函很容易收斂到局部極小點(diǎn)。傳統(tǒng)水平集分割方法在分割具有2n個(gè)像集的圖像時(shí)往往需要n多個(gè)水平集，在分割過程中水平集需要不斷的被初始化為符號(hào)函數(shù)以保證其具有良好的性質(zhì)，且分割過程

3、中能量泛函是不可微的，這就給能量極小化帶來諸多不便。
　　為了克服這些缺點(diǎn)，本文引入分片常數(shù)水平集思想，每個(gè)區(qū)域用一個(gè)單獨(dú)的常數(shù)表示。無論圖像被分為多少個(gè)不相交的子區(qū)域，只需求解一個(gè)水平集函數(shù)。本文提出的分割模型避免了水平集初始化不同位置引起的不同分割結(jié)果。對(duì)于所有的圖像，可以定義初始水平集為任意矩陣。該模型使用增廣拉格朗日方法將有約束的能量泛函最小化問題轉(zhuǎn)化為無約束最小化問題。由于沒有應(yīng)用不可微的Delta函數(shù)和Heavisid