基于變分水平集的圖像分割方法研究.pdf

1、圖像分割是圖像理解和識別的前提，并作為圖像處理的基礎環(huán)節(jié)，一直是圖像處理和計算機視覺領域的熱點和難點問題?；谒郊瘓D像分割方法，由于其具有自由拓撲變換以及多信息共融性的優(yōu)點，近年來受到眾多學者的關注。但水平集方法仍處于發(fā)展階段，用它來分割灰度不均勻或目標類型多且拓撲關系復雜場景的圖像并不理想，其理論和應用有待進一步完善。
　　在此背景下，本論文開展了基于變分水平集圖像分割方法的研究，并取得了如下研究成果：提出了基于局部驅(qū)動核活動

2、輪廓模型、基于多分辨率多水平集分割方法、基于統(tǒng)計方法區(qū)域合并優(yōu)先多水平集分割方法、多區(qū)域圖像分割的多層水平集方法等。本文主要研究內(nèi)容及創(chuàng)新點包括：
　?。?）為解決灰度不均勻現(xiàn)象對醫(yī)學圖像的干擾問題，本文提出了基于局部驅(qū)動核活動輪廓（LKAC）模型。通過引入局部圖像信息，該模型能有效地分割灰度不均勻圖像。在規(guī)則化項中增加的能量懲罰項，使得水平集函數(shù)在演化過程中保持為近似的符號距離函數(shù)。與LIF模型和LBF模型相比，LKAC模型在迭

3、代過程中無需進行卷積操作，極大地提高了計算效率。實驗結果進一步證實LKAC模型比LIF模型和LBF模型有更好的分割效果和更快的計算效率，并對輪廓曲線初始條件不敏感。
　?。?）針對多水平集方法中的混分現(xiàn)象，本文提出基于多分辨率多水平集圖像分割方法。該方法用N1個水平集函數(shù)將圖像分割成N(N1)個區(qū)域，每個水平集函數(shù)表達一個區(qū)域，通過建立獨立多水平集函數(shù)可以消除多余的輪廓，避免分割區(qū)域的重疊和漏分。多分辨率技術能防止水平集能量函數(shù)陷

4、入局部最小值，緩解遙感圖像中噪聲等引起的類別錯分問題，并能減小計算量。為了避免水平集函數(shù)在每次迭代后需重新初始化符號距離函數(shù)，增加的能量懲罰項能使水平集函數(shù)在演化過程中保持為逼近的符號距離函數(shù)。
　　（3）針對多相圖像中未知分割區(qū)域數(shù)問題，本文提出了基于統(tǒng)計方法的區(qū)域合并優(yōu)先的多水平集（MRLSM-RMP-SA）方法。通過在能量項中增加了區(qū)域合并優(yōu)先項，該項能使部分水平集函數(shù)在曲線演化過程中消失，從而得到理想的分割區(qū)域數(shù)。用貝葉斯

5、理論估計整個圖像域強度和高斯分布核函數(shù)估算圖像的先驗概率，使得計算簡單而有效。通過與多種多水平集方法實驗對比，實驗結果顯示只有MRLSM-RMP-SA方法能使分割區(qū)域數(shù)達到理想數(shù)目，得到較好的分割效果。
　?。?）通過在水平集方法中引入圖像層概念，本文提出了一種多區(qū)域圖像分割的多層水平集方法。與通常所用的多水平集方法不同，通過在單圖像層上用雙水平集分割方法進行分割圖像，當演化曲線滿足終止條件時提取目標，然后用前景填充技術將提取的目