變分水平集圖像分割方法研究.pdf

1、隨著科學(xué)信息計算的發(fā)展，在各個工程技術(shù)領(lǐng)域中(如醫(yī)學(xué)、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(biāo)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(jìn)行演化，偏微分方程數(shù)值解的零水平集就是圖像目標(biāo)的分割結(jié)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(xué)位論文對變分水平集方法進(jìn)行了研究，取得了如下結(jié)果：
　　 1.針對邊緣活動輪廓模型中停止函數(shù)，提出了自適應(yīng)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(diào)遞減正函數(shù)和梯度模組成的復(fù)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(zhǔn)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(yīng)變化停止函數(shù)，使用這個新的邊緣停止函數(shù)構(gòu)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(yīng)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(yīng)水平集演化模型
　　 自適應(yīng)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(jìn)模型

4、，它用可變權(quán)系數(shù)代替原模型的常值權(quán)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(quán)系數(shù)在噪聲兩側(cè)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(dǎo)致可變權(quán)系數(shù)在此處兩側(cè)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(yīng)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(zhì)，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(zhǔn)確。
　　 3.針對醫(yī)學(xué)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(guān)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(biāo)混雜，以及對比度低等特征，導(dǎo)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(yīng)系