基于模糊聚類及活動輪廓模型的圖像分割技術(shù)研究.pdf

1、隨著電子計算機技術(shù)的發(fā)展，數(shù)字圖像處理作為一門新興的學(xué)科已經(jīng)成為信息社會中必不可少的工具。圖像分割作為圖像處理和計算機視覺、目標跟蹤、以及醫(yī)療成像的基本課題，其主要目的是把圖像分割成一系列具有均勻特性（灰度、顏色、紋理等）的子區(qū)域，進而將感興趣的目標從背景中提取出來。在過去的幾十年中，研究人員已經(jīng)做出很大的努力來解決圖像的分割問題，并提出了很多分割算法。然而，由于存在噪聲、復(fù)雜背景、低信噪比和灰度不均勻性等問題，圖像分割仍然是一項具有挑

2、戰(zhàn)性的任務(wù)。為了改善圖像分割算法的性能，國內(nèi)外學(xué)者至今仍在探索和開發(fā)新的圖像分割算法和分割理論，以得到通用性更好、精度更高的分割結(jié)果，這也是本論文選題的意義所在。
　　模糊C均值(Fuzzy C-Means，F(xiàn)CM)算法以最小平方誤差和來衡量樣本點與聚類中心之間的相似性，利用迭代法優(yōu)化目標函數(shù)，從而實現(xiàn)圖像數(shù)據(jù)的最優(yōu)聚類。由于成功地將模糊關(guān)系引入到聚類方法中，使得FCM算法保留了更多的原始圖像信息。基于偏微分方程的活動輪廓模型憑借

3、其自由的拓撲和靈活的結(jié)構(gòu)，得到了眾多研究者們的青睞。該方法既利用了低層的圖像信息，又融入了高層的理解機制，因而能獲得精確的分割結(jié)果，具有較強的魯棒性和實用性。
　　本學(xué)位論文主要探討圖像分割領(lǐng)域中的模糊聚類和活動輪廓模型這兩類分割方法，在原有算法的基礎(chǔ)上進行改進，取得了如下研究成果:
　　(1)提出了一種基于局部變異系數(shù)的模糊C均值圖像分割算法。首先，利用局部窗口內(nèi)所有像素點灰度的中值來代替中心點像素的灰度值，對快速廣義模糊

4、C均值（Fast Generalized Fuzzy C-Means，F(xiàn)GFCM）算法中的局部灰度相關(guān)性矩陣Sg_ij進行修正，提高了算法抑制噪聲的能力;然后，引入局部變異系數(shù)來重新構(gòu)造像素間的局部相似性度量，使其能更好地控制鄰域內(nèi)各點對中心像素的權(quán)重;最后，利用快速分割的思想使分割過程僅依賴于圖像的灰度級，從而可以進一步提高算法的運行效率。與同類方法相比，該算法在一定程度上提升了圖像的分割效果，且對噪聲有很強的魯棒性。
　　(2

5、)提出了一種局部交叉熵度量模糊C均值的水平集圖像分割算法以及它的簡化模型。首先，鑒于交叉熵準則在處理噪聲方面有較大的優(yōu)勢，將其取代平方誤差和準則來重新構(gòu)造FCM_S（Fuzzy C-Means with Spatial Constraints）算法的目標函數(shù)，這樣處理可以自適應(yīng)地增加或減小樣本點屬于某個聚類的程度;其次，將改進后的聚類算法融入到變分水平集框架中，使得模型可準確地對像素點進行歸類;最后，采用加權(quán)迭代法和梯度下降流法來求解本

6、章模型。實驗結(jié)果顯示，相對于傳統(tǒng)的水平集算法，該方法能成功地處理弱邊緣和灰度不均勻目標，且具有一定的抗噪性。
　　(3)提出了一種基于局部符號差和局部高斯分布擬合能量的活動輪廓模型。該模型以引入圖像局部熵的局部符號差（Local Signed Difference，LSD）能量項和局部高斯分布擬合(Local Gaussian Distribution Fitting，LGDF)能量項的線性組合來構(gòu)造水平集函數(shù)的演化力，并運用梯度

7、下降流法來求解該能量泛函，從而驅(qū)使曲線向目標邊緣運動。與傳統(tǒng)的活動輪廓模型相比，新方法能正確地提取灰度不均勻圖像中的目標，且對初始輪廓曲線的大小、位置和形狀更不敏感。
　　(4)提出了一種基于區(qū)域生長初始化的水平集海馬圖像分割算法。首先，通過自適應(yīng)區(qū)域生長算法來獲取海馬體的大致區(qū)域;其次，對生長出的結(jié)果進行形態(tài)學(xué)操作，以消除內(nèi)部斑點，并進一步利用輪廓跟蹤算子得到有序的海馬輪廓線;最后，將此輪廓曲線作為先驗信息，運用改進的水平集方法