變分水平集圖像分割算法的初始輪廓引導機制研究.pdf

1、圖像分割是臨床輔助診斷和器官特征識別的關鍵技術。由于實際生活中的圖像固有的模糊性和灰度不均勻性等缺陷，使得至今沒有一種圖像分割算法能夠理想的處理全部圖像，所以圖像分割技術仍是普遍關注的熱點問題。變分水平集算法不僅可以獲得目標的封閉輪廓和處理結構復雜的目標，而且可以采用簡單的數(shù)值方案迭代求解。但是，初始輪廓和活動曲線演化控制參數(shù)的手工設置使其應用受到了限制。
　　本文以區(qū)域能量匹配水平集模型(RSF level set)為基礎，對變

2、分水平集模型的初始輪廓引導機制進行了研究。論文的主要工作如下:
　　(1)研究了變分水平集圖像分割算法的原理與特點，并對典型的Mumford-Shah模型、CV模型和區(qū)域能量匹配水平集模型進行了分析與比較。
　　(2)研究了聚類的圖像分割方法，其中主要介紹了K均值聚類、模糊C聚類和均值漂移聚類三種常用的圖像分割算法的原理及其優(yōu)缺點，最后通過實驗對比了三種聚類算法的分割精度和運算速度。結果表明，均值漂移聚類算法分割精度較高。<

3、br>　　(3)研究了K均值-區(qū)域能量匹配水平集模型、模糊C均值聚類-快速變分水平集算法算法和均值漂移-區(qū)域能量匹配水平集模型的初始輪廓引導機制，并通過實驗對這三個水平集模型進行了分析。結果表明，均值漂移-區(qū)域能量匹配水平集模型可以無需任何先驗知識獲得逼近目標邊界的初始輪廓，魯棒性、自適應性等方面更有優(yōu)勢。
　　(4)本文提出了一種結合最大類間方差法和區(qū)域能量匹配(OTSU-RSF)水平集算法。首先，采用最大類間方差法，也稱OTS