基于活动轮廓的图像分割算法研究
发布时间：2021-04-16 08:18
图像分割是图像处理、目标检测、模式识别、计算机视觉以及机器视觉等方面必不可少的组成部分,其在医学图像分析和遥感影像的提取等方面起着十分重要的作用。自上世纪九十年代以来,基于活动轮廓的图像分割方法在图像分割领域应用的越来越广泛,鉴于此图像分割法在获取目标边界精度时,可以达到亚像素的级别,且所得到的轮廓是光滑封闭的,因此,对接下来进行的图像分析和目标检测提供了良好的基础。本文旨在探索基于活动轮廓的图像分割算法模型,这类模型有利于对灰度分布不均匀的图像进行分割,但同时也存在一些局限性和问题,例如该模型常常会出现对初始轮廓的设置敏感以及分割速度偏慢的情况。基于以上的思考,本文提出了两种在原模型基础上的创新点:1.对基于局部拟合的活动轮廓模型的演化方式进行改进。这个方法主要是在曲线演化时,将局部区域内出现符号相反的函数值进行变号处理,即将这些相反的函数值进行符号的统一,这样一来,在曲线不断的演化过程中,轮廓内部的拟合值就会一直比轮廓外部的拟合值大或者小,则整个曲线的演化都将沿着目标的内边界或者外边界,而不至于使最终的演化曲线停留在目标的内部,那么就可以解决当能量最小化时陷入局部最优解的问题。此改...
【文章来源】：西北师范大学甘肃省
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
改进的LBF模型的算法流程图
第4章基于局部预拟合活动轮廓模型24第4章基于局部预拟合活动轮廓模型4.1基于局部预拟合的方法由于上一章所提出的基于局部可变向拟合活动轮廓模型与经典的活动轮廓模型相比只提高了分割的准确率，但是却没有降低分割的时间，因此在本章中我们提出另一种改进的活动轮廓模型，即对目标图像的局部能量进行预拟合。和经典的局部拟合的模型相比，此改进模型的计算量相对较低，而且分割的速度相对较快，与此同时，选择的初始轮廓也会有较好的鲁棒性。本节所提出的改进的模型可以很简单的适用于大多数的经典的基于局部区域拟合能量模型，并且可以提升分割效率，而且使改进后的模型降低初始轮廓的选择要求。根据模型的需要，我们先定义下面需要涉及到的函数：llssxmfmyyIeanxfmyyIeanxImyyIeanx|||1-4其中，yI所代表的是图像上某一点y的灰度值，x代表的是在给定的图像域内，以x为活动中心的区域，区域的大小为ww。式中代表平均运算的是mean，代表lsx和、的平均灰度值的分别为xfxfxIlsm和、。s和l有以下的定义：xmlxmxyyxIIyyxII||2-4在区域x内，所有灰度值小于平均灰度值的像素点组成的区域用s来表示，与之相反的是，所有灰度值大于平均灰度值的像素点组成的区域用l来表示。根据上述两式，若给定一张图片，假如已经知道了某一点x还有对应的x区域的尺寸，那么就可以直接的计算出xfs和xfl的值。如下图4-1中将区域lsx和、以及分界线xC还有边缘点x上的xfs和xfl的值都体现出来了。图4-1模型示例图，图中白色粗壮线条为分界线xC,用来分开s和l，分割线左侧为l，灰度均值为xfl，右侧是s，灰度均值为xfs。
裣峦?2-5a，上述的能量函数的第一项近似于0，第2项也近似于0；当所选取的曲线在目标边缘某一侧的时候，像下图2-5b，上述的能量函数的第一项远远的大于0，第二项近似于0；当所选取的曲线穿过目标边缘的时候，像下图2-5c，上述的能量函数的第一项远远的大于0，第二项也远远的大于0；当所选取的曲线在目标边缘的另一侧的时候，像下图2-5d，上述的能量函数的第一项近似于0，第二项远远的大于0；因此，通过上面的对比分析可得，只有当轮廓的位置处在在目标边界上的时候，上述公式得能量值才能被最小化。（a）（b）（c）(d)图4-2曲线在不同位置对应的能量值在普遍使用的局部拟合的活动轮廓模型中，高斯核函数K因为它的局部化的特征而被广泛的应用到众多模型中，高斯核函数还可以用来替代局部窗口函数x，所以，上述公式我们可以改写为：KydyxfyIxKCEydyxfyIxCoutsidesCoutsidesx22||||4-4根据上述分析，为了保证图像域中的所有点的合理性，我们需要将能量函数xE的积分最小化，随之可得到下面的能量方程：KydxdyxfyIxKCEydxdyxfyIxCinsidelCoutsidesBLBF22||||5-4当BLBFE取得最小值的时候，曲线C会把所有的在边缘上的分界线xC都包含在其中，但是，我们也会发现在不是边缘的地方也会有一些冗余的曲线，对于出现的这种情况，我们需要加入一个长度约束项L，用此约束项来去除冗余的曲
【参考文献】：
期刊论文
[1]自适应步长下多阈值彩色图像的全局分割方法[J]. 鲁秋菊,拓守恒. 吉林大学学报(理学版). 2019(01)
[2]基于局部特征空间中智模糊C-均值聚类的视网膜血管分割[J]. 黄木连. 信息通信. 2018(08)
[3]一种结合GMM和活动轮廓的混合型图像分割方法[J]. 陈明,林益贤. 小型微型计算机系统. 2018(08)
[4]融入全局信息的局部拟合的活动轮廓模型[J]. 吴宜平,沈明. 福州大学学报(自然科学版). 2016(03)
[5]引入局部全局信息的区域自适应局域化快速活动轮廓模型[J]. 廖祥云,袁志勇,郑奇,童倩倩,赖虔葑,张贵安. 计算机学报. 2016(07)
[6]一种基于线性化Bregman迭代的图像去模糊新方法[J]. 乔田田,王际朝,李维国,吴勃英. 中国石油大学学报(自然科学版). 2013(02)
[7]基于图割的图像分割方法及其新进展[J]. 刘松涛,殷福亮. 自动化学报. 2012(06)
[8]基于Mean Shift随机游走图像分割算法[J]. 依玉峰,高立群,郭丽. 计算机辅助设计与图形学学报. 2011(11)
[9]基于相对模糊连接度的联合主动轮廓模型及其在医学图像分割中的应用[J]. 赖凯,刘军伟,范亚,黄煜峰,王兴家,冯焕清. 北京生物医学工程. 2010 (06)
[10]图像分割的新理论和新方法[J]. 许新征,丁世飞,史忠植,贾伟宽. 电子学报. 2010(S1)
博士论文
[1]鲁棒的主动轮廓图像分割模型研究及其应用[D]. 黄臣程.重庆大学 2015
[2]基于变分水平集的图像分割方法研究[D]. 方江雄.上海交通大学 2012
[3]几何活动轮廓图像分割模型的研究[D]. 孔丁科.浙江大学 2010
硕士论文
[1]基于边缘信息的RGB-D图像分割算法研究[D]. 董怡.南京邮电大学 2018
[2]融合局部和全局信息的活动轮廓分割模型研究[D]. 张陈.深圳大学 2017
本文编号：3141075
【文章来源】：西北师范大学甘肃省
【文章页数】：50 页
【学位级别】：硕士
【部分图文】：
改进的LBF模型的算法流程图
第4章基于局部预拟合活动轮廓模型24第4章基于局部预拟合活动轮廓模型4.1基于局部预拟合的方法由于上一章所提出的基于局部可变向拟合活动轮廓模型与经典的活动轮廓模型相比只提高了分割的准确率，但是却没有降低分割的时间，因此在本章中我们提出另一种改进的活动轮廓模型，即对目标图像的局部能量进行预拟合。和经典的局部拟合的模型相比，此改进模型的计算量相对较低，而且分割的速度相对较快，与此同时，选择的初始轮廓也会有较好的鲁棒性。本节所提出的改进的模型可以很简单的适用于大多数的经典的基于局部区域拟合能量模型，并且可以提升分割效率，而且使改进后的模型降低初始轮廓的选择要求。根据模型的需要，我们先定义下面需要涉及到的函数：llssxmfmyyIeanxfmyyIeanxImyyIeanx|||1-4其中，yI所代表的是图像上某一点y的灰度值，x代表的是在给定的图像域内，以x为活动中心的区域，区域的大小为ww。式中代表平均运算的是mean，代表lsx和、的平均灰度值的分别为xfxfxIlsm和、。s和l有以下的定义：xmlxmxyyxIIyyxII||2-4在区域x内，所有灰度值小于平均灰度值的像素点组成的区域用s来表示，与之相反的是，所有灰度值大于平均灰度值的像素点组成的区域用l来表示。根据上述两式，若给定一张图片，假如已经知道了某一点x还有对应的x区域的尺寸，那么就可以直接的计算出xfs和xfl的值。如下图4-1中将区域lsx和、以及分界线xC还有边缘点x上的xfs和xfl的值都体现出来了。图4-1模型示例图，图中白色粗壮线条为分界线xC,用来分开s和l，分割线左侧为l，灰度均值为xfl，右侧是s，灰度均值为xfs。
裣峦?2-5a，上述的能量函数的第一项近似于0，第2项也近似于0；当所选取的曲线在目标边缘某一侧的时候，像下图2-5b，上述的能量函数的第一项远远的大于0，第二项近似于0；当所选取的曲线穿过目标边缘的时候，像下图2-5c，上述的能量函数的第一项远远的大于0，第二项也远远的大于0；当所选取的曲线在目标边缘的另一侧的时候，像下图2-5d，上述的能量函数的第一项近似于0，第二项远远的大于0；因此，通过上面的对比分析可得，只有当轮廓的位置处在在目标边界上的时候，上述公式得能量值才能被最小化。（a）（b）（c）(d)图4-2曲线在不同位置对应的能量值在普遍使用的局部拟合的活动轮廓模型中，高斯核函数K因为它的局部化的特征而被广泛的应用到众多模型中，高斯核函数还可以用来替代局部窗口函数x，所以，上述公式我们可以改写为：KydyxfyIxKCEydyxfyIxCoutsidesCoutsidesx22||||4-4根据上述分析，为了保证图像域中的所有点的合理性，我们需要将能量函数xE的积分最小化，随之可得到下面的能量方程：KydxdyxfyIxKCEydxdyxfyIxCinsidelCoutsidesBLBF22||||5-4当BLBFE取得最小值的时候，曲线C会把所有的在边缘上的分界线xC都包含在其中，但是，我们也会发现在不是边缘的地方也会有一些冗余的曲线，对于出现的这种情况，我们需要加入一个长度约束项L，用此约束项来去除冗余的曲
【参考文献】：
期刊论文
[1]自适应步长下多阈值彩色图像的全局分割方法[J]. 鲁秋菊,拓守恒. 吉林大学学报(理学版). 2019(01)
[2]基于局部特征空间中智模糊C-均值聚类的视网膜血管分割[J]. 黄木连. 信息通信. 2018(08)
[3]一种结合GMM和活动轮廓的混合型图像分割方法[J]. 陈明,林益贤. 小型微型计算机系统. 2018(08)
[4]融入全局信息的局部拟合的活动轮廓模型[J]. 吴宜平,沈明. 福州大学学报(自然科学版). 2016(03)
[5]引入局部全局信息的区域自适应局域化快速活动轮廓模型[J]. 廖祥云,袁志勇,郑奇,童倩倩,赖虔葑,张贵安. 计算机学报. 2016(07)
[6]一种基于线性化Bregman迭代的图像去模糊新方法[J]. 乔田田,王际朝,李维国,吴勃英. 中国石油大学学报(自然科学版). 2013(02)
[7]基于图割的图像分割方法及其新进展[J]. 刘松涛,殷福亮. 自动化学报. 2012(06)
[8]基于Mean Shift随机游走图像分割算法[J]. 依玉峰,高立群,郭丽. 计算机辅助设计与图形学学报. 2011(11)
[9]基于相对模糊连接度的联合主动轮廓模型及其在医学图像分割中的应用[J]. 赖凯,刘军伟,范亚,黄煜峰,王兴家,冯焕清. 北京生物医学工程. 2010 (06)
[10]图像分割的新理论和新方法[J]. 许新征,丁世飞,史忠植,贾伟宽. 电子学报. 2010(S1)
博士论文
[1]鲁棒的主动轮廓图像分割模型研究及其应用[D]. 黄臣程.重庆大学 2015
[2]基于变分水平集的图像分割方法研究[D]. 方江雄.上海交通大学 2012
[3]几何活动轮廓图像分割模型的研究[D]. 孔丁科.浙江大学 2010
硕士论文
[1]基于边缘信息的RGB-D图像分割算法研究[D]. 董怡.南京邮电大学 2018
[2]融合局部和全局信息的活动轮廓分割模型研究[D]. 张陈.深圳大学 2017
本文编号：3141075
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3141075.html
最近更新
教材专著
