基于改進CV模型的工業(yè)CT圖像分割算法研究.pdf

1、工業(yè)計算機拓撲斷層技術(ICT)已經(jīng)被廣泛的應用于定位工件的內(nèi)部缺陷，測量面積、體積等幾何尺寸等各個方面之中。然而，僅僅借助二維切片圖像去分析判定工件缺陷的性質(zhì)是很困難的，得到的結(jié)果也不準確。因此，對工業(yè)CT的體數(shù)據(jù)直接進行分割的算法近來得到了越來越廣泛的關注。
　　基于活動輪廓的CV模型在圖像分割方面取得了很好的效果，但該模型的抗噪效果較差。本文通過對CV模型進行一系列的改進，增強了模型在分割過程中對噪聲的抑制能力，隨后將模型推

2、廣到三維情況并用于工業(yè)CT體數(shù)據(jù)的分割。
　　目前，對于典型的兩種噪聲，高斯白噪聲和椒鹽噪聲，對應兩種典型的去噪算法，中值濾波算法和高斯濾波算法。這兩種算法存在一個共同的難點，就是濾波參數(shù)的選擇。具體來說，對于中值濾波器，窗口大小的選擇決定了濾波的效果，濾波器的窗口越大，對于噪聲的抑制能力越強，然而圖像的細節(jié)和邊緣難以被很好的保留下來，導致在對圖像進行后處理的時候會損失很多重要的信息;反之，如果窗口太小，圖像中的很多噪聲都不能被良

3、好的去除，導致圖像依然受噪聲的干擾?，F(xiàn)在，有很多對中值濾波的改進算法，比如對強噪聲有良好抑制能力的自適應中值濾波模型AMF，對細節(jié)和邊緣有很強保留能力的倒數(shù)加權(quán)中值濾波模型IWMF，可以根據(jù)不同的實際需要應用到不同的場合中去。
　　對于高斯濾波器，方差的選擇決定了濾波的效果，類似中值濾波器，方差越大，高斯濾波器抑制噪聲的能力增強，但在濾波的同時對圖像邊緣和細節(jié)的保留能力減弱，反之，方差越小，圖像的細節(jié)和邊緣在一定程度上被保留下來的

4、同時，濾波器對噪聲的抑制能力減弱了，很多噪聲殘留在了去噪后的圖像。
　　本文將CV模型和去噪模型結(jié)合在一起，用CV模型演化過程中的演化曲線來控制濾波器以及濾波器參數(shù)的選擇。針對典型的脈沖噪聲，本文提出了一種結(jié)合自適應中值濾波算法的CV模型，以下簡稱MCV模型。該模型在離演化曲線遠的區(qū)域選擇去噪能力更強的AMF中值濾波器，離演化曲線近的區(qū)域選擇細節(jié)保留能力更強的IWMF中值濾波器。針對高斯白噪聲，本文提出了結(jié)合自適應高斯濾波算法的C