變分水平集圖像分割方法研究.pdf

1、隨著科學信息計算的發(fā)展，在各個工程技術領域中(如醫(yī)學、軍事等)出現(xiàn)大量的數(shù)字圖像(包括造影圖像、紅外圖像等)，需要有效、快速的提取數(shù)字圖像中的有用信息，因此圖像分割、目標特征提取成為十分重要的研究課題。
　　 基于偏微分方程的圖像分割方法(幾何活動輪廓模型)是一種有效的圖像分割方法。其基本思想是：水平集函數(shù)在偏微分方程的控制下進行演化，偏微分方程數(shù)值解的零水平集就是圖像目標的分割結果。如果演化偏微分方程是通過最小化水平集函數(shù)的能

2、量泛函的方法獲得的，這種方法稱為變分水平集方法。
　　 本學位論文對變分水平集方法進行了研究，取得了如下結果：
　　 1.針對邊緣活動輪廓模型中停止函數(shù)，提出了自適應變化停止函數(shù)
　　 在邊緣活動輪廓模型中，停止函數(shù)的選擇將直接影響著模型的分割能力和效果。傳統(tǒng)的停止函數(shù)僅僅由單調遞減正函數(shù)和梯度模組成的復合函數(shù)，一經(jīng)選定就不在變化。因此，基于這種邊緣停止函數(shù)的活動輪廓模型由圖像梯度模的大小控制模型的演化，存在兩個

3、明顯缺點：一是對噪聲比較敏感；二是對灰度不均圖像分割不準確。如何尋找有效方法解決這個問題是個挑戰(zhàn)性的問題。
　　 本論文提出一個自適應變化停止函數(shù)，使用這個新的邊緣停止函數(shù)構造的活動輪廓模型能夠較好克服傳統(tǒng)邊緣活動輪廓模型的上述不足。
　　 2.針對自適應距離保持水平集演化模型對灰度不均圖像和噪聲圖像的分割問題，提出了選擇性自適應水平集演化模型
　　 自適應距離保持水平集演化模型是無需重新初始化模型的一個改進模型

4、，它用可變權系數(shù)代替原模型的常值權系數(shù)，很好地擺脫了演化曲線對初始位置的依賴。但該模型也存在一些不足：1)在噪聲處圖像的梯度變化較大，造成可變權系數(shù)在噪聲兩側異號，模型算法在此處陷入局部極小值，使得模型對噪聲比較敏感；2)灰度不均圖像在非邊緣點處可能有較大的梯度值，導致可變權系數(shù)在此處兩側異號，且邊緣停止函數(shù)接近于零，因此對灰度不均圖像的分割不理想。
　　 本論文提出選擇性自適應水平集演化模型。該模型不但很好保持了演化曲線任意初

5、始化的性質，而且加強了模型的魯棒性和對灰度不均圖像的分割能力，模型對邊界的定位也更加準確。
　　 3.針對醫(yī)學血管造影圖像分割問題，提出二階邊緣探測水平集模型
　　 血管造影圖像的提取是醫(yī)療過程中一個非常關鍵的步驟，由于血管圖像有強烈的灰度不均，血管形態(tài)模糊、背景噪聲和目標混雜，以及對比度低等特征，導致傳統(tǒng)的活動輪廓模型對血管的提取非常困難。
　　 針對一類血管造影圖像，本論文引入二階邊緣探測函數(shù)和選擇性自適應系