基于CV水平集的图像分割研究

发布时间：2023-02-08 19:09

　　在图像分割领域,结合水平集理论的图像分割模型相关研究成果层出不穷,该理论以图像区域信息作为研究点,具有计算简单、轮廓线拓扑结构平滑、信息包容性等优点,近年来,受到了国内外图像领域学者们的广泛关注。水平集理论将低维曲线映射到高维泛函,通过高维函数的变化来演化曲线。利用偏微分方程的求解代替原来的轮廓线求参,有效克服了参数计算复杂等问题。基于水平集理论的图像分割模型主要分为结合图像全局信息的分割模型和结合图像局部信息的分割模型。结合图像全局信息的分割模型以经典的Chan-Vese(以下简称,CV)模型为主,该模型计算简单,具有抗噪声的特点,但CV模型及相关模型容易受到灰度不均匀因素的影响,导致图像分割不准确。结合图像局部信息的图像分割模型以Region-scalable Fitting(以下简称,RSF)分割模型为主,该模型有效克服了灰度不均匀因素对分割结果的影响。但对初始轮廓线敏感,选取不当的初始轮廓线会造成分割不准确。本文针对上述问题展开研究,为了有效克服图像分割模型对初始轮廓线的敏感问题,引入聚类算法对图像像素进行划分,确定分割初始轮廓线。为了能够将初始区域的灰度信息融入到能量函数中,...

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景
    1.2 国内外研究现状
        1.2.1 基于阈值的分割方法
        1.2.2 基于边缘检测的分割方法
        1.2.3 基于区域的分割方法
        1.2.4 基于多学科交叉的分割方法
        1.2.5 基于主动轮廓模型的图像分割方法
    1.3 主要工作
    1.4 论文结构
第2章 相关理论及技术
    2.1 曲线演化
    2.2 水平集理论
        2.2.1 方法介绍
        2.2.2 函数求解
    2.3 经典的水平集活动轮廓模型
        2.3.1 Mumford-Shah模型
        2.3.2 Chan-Vese模型
        2.3.3 RSF模型
    2.4 其它相关算法
        2.4.1 高斯混合模型
        2.4.2 K-Means聚类算法
        2.4.3 LBP算法
    2.5 本章小结
第3章 基于高斯混合模型与CV水平集的图像分割模型
    3.1 模型框架
    3.2 初始区域划分
    3.3 图像灰度化
    3.4 曲线演化
        3.4.1 初始轮廓线确定
        3.4.2 结合区域平均灰度值的CV模型
        3.4.3 能量泛函求解
    3.5 算法流程
    3.6 实验
        3.6.1 实验环境和实验数据
        3.6.2 评价指标
        3.6.3 实验内容
        3.6.4 实验结果
    3.7 本章小结
第4章 自适应RSF-CV图像分割模型
    4.1 模型框架
    4.2 图像灰度化
    4.3 初始区域划分
    4.4 曲线演化
        4.4.1 初始轮廓线
        4.4.2 能量函数介绍
        4.4.3 自适应动态调参
        4.4.4 能量泛函求解
    4.5 算法流程
    4.6 实验
        4.6.1 实验环境与实验数据
        4.6.2 评价指标
        4.6.3 实验一:对比实验
        4.6.4 实验二:噪声图像与灰度不均匀图像对比实验
    4.7 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读硕士期间发表论文及科研工作



本文编号：3738216