基于改進(jìn)的Vese-Chan變分水平集模型的多相圖像分割.pdf

1、圖像分割是一個傳統(tǒng)而具有挑戰(zhàn)性的課題，學(xué)者們提出了許多新的分割算法。 水平集方法以一種緊湊的方式來表達(dá)幾何主動輪廓線的演化，并且為之提供穩(wěn)定的數(shù)值算法。Mumford-Shah模型的能量泛函綜合利用圖像的邊界和區(qū)域信息，其輪廓線演化與邊界梯度無關(guān)，對模糊邊界甚至不連續(xù)的邊界都有很好的分割效果。Chan和Vese的基于簡化Mumford-shah模型的主動輪廓線模型(C-V方法)，同時適用于梯度有意義和無意義的輪廓檢測，并能很好地

2、檢測出帶有空洞的目標(biāo)的內(nèi)部區(qū)域。但在處理多相圖像時存在先天的缺陷。 Vese和Chan將C-V方法推廣到使用多個水平集函數(shù)來分割多相圖像，即Vese-Chan變分水平集模型。該方法在處理象素符合均勻分布的理想簡單圖像時，有很好的效果，但在表達(dá)方式上較為復(fù)雜。本文基于Vese-Chan模型的多相區(qū)域劃分策略，拓展Vese-Chan模型的分段常值假設(shè)，基于分割最大似然估計建立了一般區(qū)域表達(dá)，并推導(dǎo)了符合Gauss分布、Rayleig