改進的Mumford-Shah模型及其在醫(yī)學(xué)圖像處理中的應(yīng)用.pdf

1、圖像分割是計算機視覺和圖像處理領(lǐng)域的一個熱點研究問題。通常分割是為了進一步對圖像進行分析、識別、壓縮等,分割的精確性直接影響后續(xù)任務(wù)的有效性。在眾多的圖像分割方法中,Mumford-Shah(MS)模型因為能夠統(tǒng)一的同時實現(xiàn)圖像的平滑與分割處理而受到人們廣泛的關(guān)注。但是MS模型能量函數(shù)求解容易陷入局部最優(yōu),針對這一問題,人們提出了許多求解方法。其中,Chan和Vese 以 MS 模型為基礎(chǔ),結(jié)合水平集方法提出了一種無邊界的活動輪廓模型-

2、Chan-Vese 模型,簡稱 C-V 模型。C-V 模型不依賴于圖像的局部梯度,是一種全局優(yōu)化算法,分割結(jié)果不依靠圖像的邊界信息,還能消除噪聲影響,因此得到了廣泛地應(yīng)用。
　　 但是,C-V 模型除具有上述優(yōu)點外,也存在以下缺陷:(1)MS 能量泛函存在長度項,其曲線演化方程的數(shù)值解對應(yīng)著平均曲率項,對于一些多目標圖像或高噪聲圖像來說,算法的收斂速度依舊很慢,對于曲線演化方程參數(shù)的設(shè)置很敏感,常常得到局部最優(yōu)解；(2)對于空洞

3、較“厚”目標不能穩(wěn)定檢測內(nèi)部結(jié)構(gòu)；(3)對于某些具有模糊邊緣的圖像不能很好的確定其邊界位置。針對上述存在的問題,木文在分級多相分割模型基礎(chǔ)上,從曲線演化方程的平均曲率項、水平集函數(shù)Φ的狄拉克(Dirac)函數(shù)δ(Φ),以及引入了一個非線件擴散方程等方面,重新修正分級 C-V 模型,提出了一種改進的分級多相快速水平集曲線演化模型,進一步提高了運算速度和曲線演化效率,同時解決邊緣模糊或離散的圖像和噪聲圖像的分割問題。
　　 C-V

4、模型用于圖像分割時,缺乏數(shù)據(jù)模型整體先驗知識與結(jié)構(gòu)信息,分割結(jié)果依賴初始曲線位置的選擇,不合理的正則化參數(shù)選擇會導(dǎo)致圖像分割精度下降,僅靠經(jīng)驗確定正則化參數(shù),降低算法普適性與自動處理能力。高斯混合模型是用來逼近圖像直方圖的概率模型,在對灰度圖像的統(tǒng)計特性描述中,高斯混合模型被認為是描述區(qū)域內(nèi)灰度緩變的理想模型之一,可以較好地描述整幅圖像性質(zhì)的特點[7],因此本文引入高斯混合模型描述整幅圖像,并以后驗概率來修正 C-V 模型能量項系數(shù),目

5、的有三:(1)無需針對每幅圖像對曲線演化方程設(shè)置不同的參數(shù),解決初始曲線位置設(shè)置問題。(2)任意初始位置單條曲線能演化分割任何一類指定目標,實現(xiàn)多目標分割。(3)使得曲線在目標邊界處達到精確分割。
　　 在單一尺度下,C-V 模型能量范函迭代最小化尋優(yōu)求解,往往會陷入局部次優(yōu)。而多尺度分析方法能夠綜合不同尺度的圖像信息,把精細尺度的精確性與粗糙尺度的易分割性這對矛盾完美的統(tǒng)一了起來,避免了局部次優(yōu)解。C-V 模型缺乏數(shù)據(jù)模型整體