圖像分割的提升水平集方法.pdf

1、作為一種基礎的圖像技術，圖像分割在圖像工程、模式識別以及計算機視覺等學科中發(fā)揮著重要的橋梁作用。圖像分割分離圖像中的目標與背景，實現底層數據向高層知識的轉化，使得高層分析、理解以及人工智能成為可能。
　　 在過去的半個世紀中，圖像分割一直受到人們的關注并保持持久的研究熱度。
　　 至今已提出上千種基于不同理論的分割方法，但尚未形成統(tǒng)一的理論框架來指導分割方法的設計與實現。作為一種基于曲線演化理論的分割方法，主動輪廓模型方

2、法通過構造能量泛函將低層圖像數據和高層信息有效結合，然后通過求解泛函極值實現分割圖像，最有希望形成分割的統(tǒng)一模型和框架。經過二十多年的發(fā)展，主動輪廓模型已經形成一系列較為完整和體系化的方法，成為圖像分割的一個重要分支。本文在幾何主動輪廓模型(即水平集方法)框架下，以靜止圖像作為研究對象，試圖從降低分割結果對初始曲線依賴程度；完善圖像特征描述以期獲得更好的分割效果；優(yōu)化演化速度和停止條件避免弱邊緣泄漏；引入形狀先驗提高分割方法的形狀選擇性

3、等幾個方面提升現有水平集圖像分割方法的分割效果。論文的主要創(chuàng)新點概括如下：
　　 (1)提出一種基于水平集接力的圖像分割方法。該方法在圖像域中交替地生成嵌套子區(qū)域并在其中演化曲線，當嵌套子區(qū)域的面積為零時實現對圖像的完全分割。水平集接力的方法使用一個水平集函數在多個嵌套子區(qū)域中接力地分割圖像，該方法可以檢測到更多的內邊緣，分割結果不依賴初始曲線。
　　 (2)提出一種基于張量水平集的圖像分割方法。利用圖像灰度信息和Gab

4、or特征構造像素的高階張量表示，這種表示方法在提供更完整的圖像特征的同時保持了像素之間的幾何關系；然后通過定義張量之間的加權距離，提出了基于張量水平集的分割方法。該方法對噪聲表現出更好的魯棒性，改善了對非勻質目標的分割效果，同時由于使用了圖像的Gabor 特征，該方法也能分割紋理圖像。
　　 (3)提出一種基于非線性自適應水平集的圖像分割方法。通過區(qū)域信息自動決定曲線的演化方向，使演化對初始曲線的位置魯棒；設計非線性的演化速度函

5、數使得曲線在圖像邊緣處演化速度較慢，而在目標或背景等勻質區(qū)域速度較快，有效防止邊緣泄漏的發(fā)生；設計概率加權的停止條件以強調目標附近的邊緣而抑制遠離目標的邊緣，有助于在識別模糊邊緣的同時還能更好地檢測到圖像中的真實邊緣。該方法結合圖像中的邊緣和區(qū)域信息，降低了分割方法對于曲線初始位置的依賴程度，同時改善了對具有模糊邊緣的目標以及與背景灰度相似的目標的分割效果。
　　 (4)提出一種基于形狀先驗水平集的圖像分割方法。通過使用基于矩的

6、圖像對齊方法去除形狀先驗(使用水平集函數作為形狀描述子)的尺度、位置和方向信息，這種對齊方式是一種無參數的方式，不需要迭代計算變換參數；使用保局映射(Locality Preserving Projections，LPP)將形狀先驗投影到低維子空間中進行概率密度估計并以此構造形狀驅動的能量項，在一定程度上解決了形狀先驗在樣本觀測空間中的稀疏分布問題。該方法本質上是通過向水平集的能量泛函中加入形狀約束，以便分割圖像中被遮擋的目標，同時對于