物體邊緣輪廓提取新方法研究.pdf

1、近年來，隨著計算機科學與技術(shù)的迅速發(fā)展，圖像處理與機器視覺已成為相關(guān)的熱門研究領(lǐng)域，并受到人們越來越多的重視和關(guān)注。圖像分割作為圖像處理中的關(guān)鍵技術(shù)之一，是人們進行圖像理解、圖像分析以及進一步圖像識別的基礎(chǔ)。盡管人們已對物體邊緣輪廓提取進行了大量的研究工作，并提出了各種不同類型的方法，但圖像分割目前仍是人們在應(yīng)用圖像處理技術(shù)時所面臨的主要技術(shù)難題。本論文將以嚴密的數(shù)學理論、可靠的物理原理和實際的應(yīng)用背景為出發(fā)點，研究這一圖像處理和分析的

2、基本問題，并相應(yīng)開展了以下幾個方面的工作：
　　 首先，本論文利用區(qū)域積分與曲線積分之間轉(zhuǎn)化的內(nèi)在聯(lián)系，通過設(shè)計相應(yīng)的圖像變換算子，提出了一種基于邊緣與區(qū)域信息的圖像可變形輪廓提取模型。該模型將包含目標區(qū)域信息的先驗知識引入到傳統(tǒng)可變形模型中，從而為輪廓曲線演化提供更多的引導信息，并進一步提高輪廓曲線的演化能力。實驗表明本論文方法不僅擴大了輪廓初始化的范圍，提高了對圖像噪聲的抗噪能力，尤其是在對高噪聲圖像和狹長深度凹陷區(qū)域的收斂

3、問題，更是具有其它一些傳統(tǒng)可變形模型方法不具有的優(yōu)點。由相應(yīng)的分析可以看出，目標區(qū)域先驗信息的引入方式不僅在數(shù)學表述上而且還在其對應(yīng)的物理意義上，均與可變形模型的內(nèi)在機理相符合，這樣也為區(qū)域信息作為先驗信息的利用方式上提供了一種很有價值的參考。
　　 其次，本論文從量子力學基本原理出發(fā)，基于量子粒子的本質(zhì)物理特性及其運動學規(guī)律，提出了新的邊緣輪廓提取模型——量子統(tǒng)計可變形模型(QSDM)。在此基礎(chǔ)上進一步證明了所提出模型的收斂能

4、力，分析了模型離散逼近的誤差估計，討論了模型參數(shù)設(shè)置的敏感性，從而構(gòu)建了本文所提出模型的完整性。該方法從本質(zhì)上架起了量子力學與目標邊緣提取之間的橋梁，為物體邊緣輪廓提取提供一種新的理論和方法。實驗表明本論文模型表現(xiàn)出了具有任意初始化和解決拓撲變化問題的能力，對高噪聲圖像具有很好的抗噪能力，同時還對具有狹長深度凹陷等復雜拓撲結(jié)構(gòu)圖像有很好的收斂能力。文中還通過大量的實驗，詳細討論了算法復雜度，給出了模型參數(shù)的敏感性分析，進一步完善了本論文

5、提出的QSDM算法模型，同時這也指出了其改進方向和發(fā)展?jié)摿Α?br>　　 然后，為了進一步提高抽樣集合相鄰樣本之間的獨立性，提高算法的收斂效率，本論文對QSDM模型所用的抽樣方法做了進一步的改進，將Multilevel Metropolis Sampling(MMS)抽樣算法引入到QSDM模型中，實現(xiàn)更有效的樣本抽樣，從而提高算法數(shù)值計算精度和收斂能力。通過文中給出的收斂性和誤差分析，進一步保證了所提出方法的穩(wěn)定性。實驗表明基于MMS