物體邊緣輪廓提取新方法研究.pdf

1、近年來(lái)，隨著計(jì)算機(jī)科學(xué)與技術(shù)的迅速發(fā)展，圖像處理與機(jī)器視覺已成為相關(guān)的熱門研究領(lǐng)域，并受到人們?cè)絹?lái)越多的重視和關(guān)注。圖像分割作為圖像處理中的關(guān)鍵技術(shù)之一，是人們進(jìn)行圖像理解、圖像分析以及進(jìn)一步圖像識(shí)別的基礎(chǔ)。盡管人們已對(duì)物體邊緣輪廓提取進(jìn)行了大量的研究工作，并提出了各種不同類型的方法，但圖像分割目前仍是人們?cè)趹?yīng)用圖像處理技術(shù)時(shí)所面臨的主要技術(shù)難題。本論文將以嚴(yán)密的數(shù)學(xué)理論、可靠的物理原理和實(shí)際的應(yīng)用背景為出發(fā)點(diǎn)，研究這一圖像處理和分析的

2、基本問(wèn)題，并相應(yīng)開展了以下幾個(gè)方面的工作：
　　 首先，本論文利用區(qū)域積分與曲線積分之間轉(zhuǎn)化的內(nèi)在聯(lián)系，通過(guò)設(shè)計(jì)相應(yīng)的圖像變換算子，提出了一種基于邊緣與區(qū)域信息的圖像可變形輪廓提取模型。該模型將包含目標(biāo)區(qū)域信息的先驗(yàn)知識(shí)引入到傳統(tǒng)可變形模型中，從而為輪廓曲線演化提供更多的引導(dǎo)信息，并進(jìn)一步提高輪廓曲線的演化能力。實(shí)驗(yàn)表明本論文方法不僅擴(kuò)大了輪廓初始化的范圍，提高了對(duì)圖像噪聲的抗噪能力，尤其是在對(duì)高噪聲圖像和狹長(zhǎng)深度凹陷區(qū)域的收斂

3、問(wèn)題，更是具有其它一些傳統(tǒng)可變形模型方法不具有的優(yōu)點(diǎn)。由相應(yīng)的分析可以看出，目標(biāo)區(qū)域先驗(yàn)信息的引入方式不僅在數(shù)學(xué)表述上而且還在其對(duì)應(yīng)的物理意義上，均與可變形模型的內(nèi)在機(jī)理相符合，這樣也為區(qū)域信息作為先驗(yàn)信息的利用方式上提供了一種很有價(jià)值的參考。
　　 其次，本論文從量子力學(xué)基本原理出發(fā)，基于量子粒子的本質(zhì)物理特性及其運(yùn)動(dòng)學(xué)規(guī)律，提出了新的邊緣輪廓提取模型——量子統(tǒng)計(jì)可變形模型(QSDM)。在此基礎(chǔ)上進(jìn)一步證明了所提出模型的收斂能

4、力，分析了模型離散逼近的誤差估計(jì)，討論了模型參數(shù)設(shè)置的敏感性，從而構(gòu)建了本文所提出模型的完整性。該方法從本質(zhì)上架起了量子力學(xué)與目標(biāo)邊緣提取之間的橋梁，為物體邊緣輪廓提取提供一種新的理論和方法。實(shí)驗(yàn)表明本論文模型表現(xiàn)出了具有任意初始化和解決拓?fù)渥兓瘑?wèn)題的能力，對(duì)高噪聲圖像具有很好的抗噪能力，同時(shí)還對(duì)具有狹長(zhǎng)深度凹陷等復(fù)雜拓?fù)浣Y(jié)構(gòu)圖像有很好的收斂能力。文中還通過(guò)大量的實(shí)驗(yàn)，詳細(xì)討論了算法復(fù)雜度，給出了模型參數(shù)的敏感性分析，進(jìn)一步完善了本論文

5、提出的QSDM算法模型，同時(shí)這也指出了其改進(jìn)方向和發(fā)展?jié)摿Α?br>　　 然后，為了進(jìn)一步提高抽樣集合相鄰樣本之間的獨(dú)立性，提高算法的收斂效率，本論文對(duì)QSDM模型所用的抽樣方法做了進(jìn)一步的改進(jìn)，將Multilevel Metropolis Sampling(MMS)抽樣算法引入到QSDM模型中，實(shí)現(xiàn)更有效的樣本抽樣，從而提高算法數(shù)值計(jì)算精度和收斂能力。通過(guò)文中給出的收斂性和誤差分析，進(jìn)一步保證了所提出方法的穩(wěn)定性。實(shí)驗(yàn)表明基于MMS