基于Mumford-Shah模型的圖像邊緣檢測(cè)算法.pdf

1、21世紀(jì)是一個(gè)信息膨脹的時(shí)代，作為我們感知整個(gè)世界的視覺(jué)基礎(chǔ)，圖像是人類對(duì)信息獲取、表達(dá)和傳遞的重要手段之一。圖像處理是用計(jì)算機(jī)對(duì)各類圖像進(jìn)行分析計(jì)算，以達(dá)到我們所需結(jié)果的新型技術(shù)。邊緣檢測(cè)技術(shù)是圖像處理中很重要的一部分，因?yàn)檫吘壥且粋€(gè)圖像中區(qū)分前景和背景的分界線，只要把邊緣描述出來(lái)，我們就可以把前景和背景區(qū)分開(kāi)來(lái)。而基于Mumford-Shah(MS)模型的圖像邊緣檢測(cè)算法在圖像處理中有著重要的意義。
　　在本文中，我們從經(jīng)典的

2、MS模型入手，通過(guò)參照之前提出的ModifiedMumford-Shah(MMS)模型的L2范數(shù)形式，我們提出了MMS模型的L1范數(shù)形式，并且針對(duì)此模型進(jìn)行了相關(guān)理論推導(dǎo)和數(shù)值試驗(yàn)。首先，我們?cè)诘贸龌謴?fù)后圖像的過(guò)程中，用到了不動(dòng)點(diǎn)迭代的方法，之后在提取邊界的過(guò)程中，我們用到了兩種經(jīng)典的方法，分別是:Proximity方法和Split Bregman(SB)方法。此外，我們?cè)谡麄€(gè)迭代過(guò)程中加入了ThreshoM和Truncation兩種方

3、法，以便于加快迭代速度，從而更快更準(zhǔn)確地得到恢復(fù)效果。數(shù)值試驗(yàn)方面，我們將提出的模型與經(jīng)典的Ambrosio-Tortorelli(AT)模型進(jìn)行比較，我們發(fā)現(xiàn):在針對(duì)含有脈沖噪音的圖像中，L1形式下的MMS模型有更好的效果:既可以有效的去除噪音，又可以將邊緣更清晰地檢測(cè)出來(lái)。之后的試驗(yàn)中，我們將兩種優(yōu)化方法與Proximity算法和SB算法相結(jié)合，從圖像本身和圖表結(jié)果得出:加入優(yōu)化方法的算法既可以保留有效邊緣，又可以減少迭代次數(shù)，提高