圖像分割的活動輪廓模型研究.pdf

1、圖像分割技術是高級圖像處理如圖像理解和圖像識別的基礎，它是將圖像劃分為多個具有相似性特征區(qū)域的一個過程。基于C-V活動輪廓模型的圖像分割方法可以利用足夠可靠的底層圖像特征，同時受到圖像高層知識的影響，與傳統(tǒng)圖像分割方法相比，有著很強的優(yōu)越性。然而，C-V模型主要利用的是圖像的區(qū)域信息，對含有異質區(qū)域以及復雜背景等不同類型的圖像不能很好地進行分割；另一方面，由于C-V活動輪廓模型的計算速度較慢，在實際應用中，還需要考慮到多目標分割問題。因

2、此，對C-V活動輪廓模型的深入研究具有很好的理論意義和應用價值。
　　本文針對基于C-V活動輪廓模型圖像分割算法的關鍵技術進行了深入研究，包括將在模型中考慮更多的圖像其它信息以及對圖像進行區(qū)域劃分等。本文貢獻主要體現(xiàn)在以下四個方面：
　　首先，針對測地活動輪廓模型和C-V活動輪廓模型分別在較弱邊界圖像和含有異質區(qū)域圖像分割過程中存在的問題，提出一種自適應的混合活動輪廓模型，該模型針對待分割圖像的不同特性，設計一個自適應的權函

3、數(shù)，使C-V模型在圖像較弱邊界能更多地發(fā)揮作用，而測地活動輪廓模型則在異質區(qū)域更有效地發(fā)揮作用。所提模型能很好地分割含有弱邊界和噪聲、異質區(qū)域以及復雜背景等不同類型的圖像。除此之外，還將混合模型應用于矢量圖像的分割過程中，并利用彩色圖像對所提模型進行了驗證。
　　其次，為了充分利用圖像的邊緣信息和區(qū)域信息，提出了基于邊緣引導函數(shù)的活動輪廓模型，其中邊緣引導函數(shù)可以精確地控制輪廓曲線的演化，而C-V模型當中的區(qū)域信息用來粗略定位目標

4、的邊界。另外，分別使用三種不同的邊緣引導函數(shù)：傳統(tǒng)梯度函數(shù)、標準梯度函數(shù)和小波模值函數(shù)來進一步驗證提出的模型，同時，對這三種邊緣引導函數(shù)分別進行了概括性的分析。所提模型能夠在較短的時間內(nèi)進行弱邊界和異質區(qū)域等復雜圖像的分割，具有分割精度高、計算速度快等特點。
　　然后，為了更充分的利用圖像更多的細節(jié)信息，將圖像的頻域信息和活動輪廓模型相結合，提出了基于非下采樣Contourlet變換的C-V圖像分割模型。首先對圖像進行非下采樣Co

5、ntourlet變換（Nonsubsampled Contourlet Transform, NSCT），分析方向子帶系數(shù)的特性，獲得圖像NSCT變換系數(shù)的統(tǒng)計特性并進行概率模型的建立；接下來進行統(tǒng)計模型的逆變換，得到含有不同分辨率的矢量值圖像；最后，利用基于區(qū)域的C-V活動輪廓模型對上述矢量圖像進行分割。所提方法利用了圖像的頻域信息，可以包含更多的圖像細節(jié)信息，此外，利用提取出的多維度的細節(jié)信息控制輪廓曲線的演化。實驗表明，所提方法能

6、夠更好地對復雜圖像如遙感圖像、醫(yī)學圖像等進行分割。
　　最后，針對多目標圖像分割的實用性，提出了一個基于區(qū)域劃分的多目標分割算法。首先，利用高斯混合模型將圖像分為多個包含不同背景和對象的子區(qū)域；接下來在每個子區(qū)域上利用C-V活動輪廓模型進行曲線演化。在演化過程中，由于子區(qū)域之間的邊界可能會出現(xiàn)模糊或受較強噪聲干擾，產(chǎn)生幾種不同的情況，為此所提算法考慮了區(qū)域之間的合并操作并從理論上加以證明。實驗結果表明，所提算法對含有噪聲的多目標圖