多分布活動輪廓模型圖像分割.pdf

1、活動輪廓模型是圖像分割領(lǐng)域的一個主要的方法,這種模型通過采用從圖像數(shù)據(jù)獲得的先驗知識,對目標(biāo)進行有效的分割、匹配與跟蹤分析。但由于能量函數(shù)的非凸性構(gòu)造,導(dǎo)致分割結(jié)果一般容易陷入局部解的困境,從而對于一些圖像分割效果不是很好。
　　針對活動輪廓模型容易陷入局部解的問題,許多學(xué)者從能量泛函入手,提出了結(jié)合凸優(yōu)化知識的全局算法并得到了一定的發(fā)展。一些結(jié)合全局算法的圖像分割例如快速全局最小算法、基于Wasserstein距離局部直方圖的圖

2、像分割和利用空間和頻域信息的基于模糊區(qū)域競爭的圖像分割在一定程度上完成了理想的分割。但是以上所有的算法也都面臨著參數(shù)自適應(yīng)性的問題,即在每種算法中都需要人工調(diào)節(jié)一些參數(shù),這就大大降低了分割的效率。
　　為了同時解決局部解和參數(shù)自適應(yīng)問題,本文結(jié)合全局算法,提出一種基于每一區(qū)域多分布的權(quán)重自適應(yīng)性活動輪廓模型圖像分割算法。這些分布來源于原始灰度圖像在每一區(qū)域的不同濾波結(jié)果,即不同濾波器下的投影。因為在圖像分割中,不同特征對分割的不同

3、貢獻難以區(qū)分,在本文中用投影分布這一種形式表達所有特征信息,由分布的特點決定不同特征對能量泛函的影響。每一區(qū)域的能量表示為該區(qū)域內(nèi)所有投影分布熵的加權(quán)和。每一分布的自適應(yīng)權(quán)重系數(shù)由這一分布的熵與所在區(qū)域內(nèi)其它分布熵之和的比決定。分割過程是,通過這些權(quán)重系數(shù)進行每個區(qū)域內(nèi)不同分布之間的競爭,實現(xiàn)所有區(qū)域熵的總和的最小化。對于該能量的最小化模型的求解,本文采用水平集方法實現(xiàn)。通過和其它方法進行實驗對比,結(jié)果表明本文算法以最小的參數(shù)較好地實現(xiàn)