基于活動(dòng)輪廓模型的快速圖像分割.pdf

1、圖像分割作為數(shù)字圖像分析的重要步驟之一。在實(shí)際的醫(yī)學(xué)圖像中，觀測(cè)圖像中經(jīng)常存在復(fù)雜噪聲、灰度不均勻以及低對(duì)比度的問(wèn)題，使得精確、快速地分割圖像面臨諸多難題。而活動(dòng)輪廓模型以其自適應(yīng)性、亞像素精度等優(yōu)點(diǎn)成為研究的熱點(diǎn)。
　　本文針對(duì)以活動(dòng)輪廓模型為基礎(chǔ)的圖像分割方法進(jìn)行了相對(duì)深入的探討。首先對(duì)傳統(tǒng)的活動(dòng)輪廓模型進(jìn)行了分類歸納和綜述，然后重點(diǎn)介紹以區(qū)域信息為的幾何活動(dòng)輪廓模型的數(shù)學(xué)背景以及幾個(gè)典型區(qū)域活動(dòng)輪廓模型。最后對(duì)加速局部區(qū)域信

2、息活動(dòng)輪廓模型的收斂速度進(jìn)行了重點(diǎn)研究，最終提出了一種基于活動(dòng)輪廓模型的兩步快速分割算法，主要內(nèi)容如下:
　　1.基于局部區(qū)域信息的活動(dòng)輪廓模型可以抵抗未知復(fù)雜噪聲的影響，對(duì)灰度非同質(zhì)圖像可以達(dá)到較好的分割效果，但模型在計(jì)算時(shí)采取梯度下降法求解，因而計(jì)算復(fù)雜度高、收斂速度緩慢，同時(shí)由于僅利用局部區(qū)域信息，使得模型對(duì)設(shè)定的初始輪廓敏感。本文提出并采用兩步分割算法。第一步:采用下采樣減少數(shù)據(jù)量，對(duì)采樣后的圖像進(jìn)行分割，得到粗分割結(jié)果。

3、第二步:將粗分割結(jié)果上采樣到原始圖像的比例，并作為細(xì)分割的初始輪廓，進(jìn)行精細(xì)分割。研究結(jié)果表明，與一般的區(qū)域活動(dòng)輪廓模型相比，兩步分割模型由于第一步分割提供了較好的初始值，能夠在極少的步數(shù)內(nèi)得到更精確的結(jié)果。
　　2.第一步分割得到的粗輪廓上采樣到原始圖像的比例，分割結(jié)果與真實(shí)的目標(biāo)邊界很接近，但仍有一定的差距。為保證第二步分割水平集函數(shù)的演化穩(wěn)定、快速地進(jìn)行，引入距離正則化能量泛函。在第二步分割的模型中引入一個(gè)距離函數(shù)Rd，它能

4、夠校正模型與初始輪廓的偏差，保證曲線演化的穩(wěn)定性，該距離函數(shù)是連接兩步分割的關(guān)鍵。
　　3.梯度下降流法是以函數(shù)當(dāng)前點(diǎn)對(duì)應(yīng)的梯度（或近似梯度）的反方向的規(guī)定步長(zhǎng)距離點(diǎn)進(jìn)行迭代探索，目前應(yīng)用范圍廣，但其收斂速度慢，使得模型迭代過(guò)程長(zhǎng)。本文算法中采用Bregman迭代算法快速求解，有效地提高了模型的分割效率。
　　采用MATLAB軟件進(jìn)行大量仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，與CV模型、LBF模型、LIF模型以及LCK模型對(duì)比，本文算法能