基于變分水平集的圖像分割方法研究.pdf

1、圖像分割是圖像理解和識別的前提，并作為圖像處理的基礎(chǔ)環(huán)節(jié)，一直是圖像處理和計算機(jī)視覺領(lǐng)域的熱點(diǎn)和難點(diǎn)問題?；谒郊瘓D像分割方法，由于其具有自由拓?fù)渥儞Q以及多信息共融性的優(yōu)點(diǎn)，近年來受到眾多學(xué)者的關(guān)注。但水平集方法仍處于發(fā)展階段，用它來分割灰度不均勻或目標(biāo)類型多且拓?fù)潢P(guān)系復(fù)雜場景的圖像并不理想，其理論和應(yīng)用有待進(jìn)一步完善。
　　在此背景下，本論文開展了基于變分水平集圖像分割方法的研究，并取得了如下研究成果：提出了基于局部驅(qū)動核活動

2、輪廓模型、基于多分辨率多水平集分割方法、基于統(tǒng)計方法區(qū)域合并優(yōu)先多水平集分割方法、多區(qū)域圖像分割的多層水平集方法等。本文主要研究內(nèi)容及創(chuàng)新點(diǎn)包括：
　?。?）為解決灰度不均勻現(xiàn)象對醫(yī)學(xué)圖像的干擾問題，本文提出了基于局部驅(qū)動核活動輪廓（LKAC）模型。通過引入局部圖像信息，該模型能有效地分割灰度不均勻圖像。在規(guī)則化項(xiàng)中增加的能量懲罰項(xiàng)，使得水平集函數(shù)在演化過程中保持為近似的符號距離函數(shù)。與LIF模型和LBF模型相比，LKAC模型在迭

3、代過程中無需進(jìn)行卷積操作，極大地提高了計算效率。實(shí)驗(yàn)結(jié)果進(jìn)一步證實(shí)LKAC模型比LIF模型和LBF模型有更好的分割效果和更快的計算效率，并對輪廓曲線初始條件不敏感。
　?。?）針對多水平集方法中的混分現(xiàn)象，本文提出基于多分辨率多水平集圖像分割方法。該方法用N1個水平集函數(shù)將圖像分割成N(N1)個區(qū)域，每個水平集函數(shù)表達(dá)一個區(qū)域，通過建立獨(dú)立多水平集函數(shù)可以消除多余的輪廓，避免分割區(qū)域的重疊和漏分。多分辨率技術(shù)能防止水平集能量函數(shù)陷

4、入局部最小值，緩解遙感圖像中噪聲等引起的類別錯分問題，并能減小計算量。為了避免水平集函數(shù)在每次迭代后需重新初始化符號距離函數(shù)，增加的能量懲罰項(xiàng)能使水平集函數(shù)在演化過程中保持為逼近的符號距離函數(shù)。
　?。?）針對多相圖像中未知分割區(qū)域數(shù)問題，本文提出了基于統(tǒng)計方法的區(qū)域合并優(yōu)先的多水平集（MRLSM-RMP-SA）方法。通過在能量項(xiàng)中增加了區(qū)域合并優(yōu)先項(xiàng)，該項(xiàng)能使部分水平集函數(shù)在曲線演化過程中消失，從而得到理想的分割區(qū)域數(shù)。用貝葉斯

5、理論估計整個圖像域強(qiáng)度和高斯分布核函數(shù)估算圖像的先驗(yàn)概率，使得計算簡單而有效。通過與多種多水平集方法實(shí)驗(yàn)對比，實(shí)驗(yàn)結(jié)果顯示只有MRLSM-RMP-SA方法能使分割區(qū)域數(shù)達(dá)到理想數(shù)目，得到較好的分割效果。
　?。?）通過在水平集方法中引入圖像層概念，本文提出了一種多區(qū)域圖像分割的多層水平集方法。與通常所用的多水平集方法不同，通過在單圖像層上用雙水平集分割方法進(jìn)行分割圖像，當(dāng)演化曲線滿足終止條件時提取目標(biāo)，然后用前景填充技術(shù)將提取的目