一种基于无监督主动轮廓模型的图像分割研究

发布时间：2021-08-05 03:33

　　图像分割是图像分析的重要组成部分,也是计算机视觉中的一项重要任务,可以将目标从背景中分离出来,为后期图像处理提供技术支撑,如故障识别、目标识别、变化检测、区域定位等。图像分割在计算机视觉中具有重要意义。其中主动轮廓模型由于能够提供平滑、封闭的边界轮廓作为分割结果而得到了广泛的应用。然而,当试图对噪声较大的图像进行分割时,图像容易受到污染,分割效果较差。现有的方法在计算能量函数时假定每个区域的像素是独立的。这一基本假设使轮廓运动对噪声敏感。此外,层次集方法的实现复杂且耗时,限制了其在大型图像数据库中的应用。目前的水平集方法大多是在全图像域上进行计算;然而,对远离演化轮廓的像素点进行计算对于获取目标边界没有意义,导致计算复杂度增加。因此,本文提出了一种基于混合能量和Fisher准则的无监督主动轮廓模型用于图像分割。为了实现图像分割的准确高效,对局部区域信息进行了变换,并引入了基于全局区域信息和局部信息的主动轮廓模型的Fisher准则。这种方式对主动轮廓模型进行了优化。此外,将目标区域和背景区域像素的类内方差作为目标区域和背景区域的能量权重,可以自适应调整区域能量的比例,提高模型的分割精度。... 

【文章来源】：沈阳师范大学辽宁省

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

图３．３在灰度图像／中通过边缘附近的曲线??Ｔ廓和边之未对的可

?一种棊于无监督主动轮廓樓型的图像分割研究???Ｏｔｈ?Ｉｔｅｒａｔｉｏｎ?２ｔｈ?Ｉｔｅｒａｔｉｏｎ?３ｔｈ?Ｉｔｅｒａｔｉｏｎ?４ｔｈ?Ｉｔｅｒａｔｉｏｎ??５ｔｈ?Ｉｔｅｒａｔｉｏｎ??＇?（ｂ）?ｉ??图５．３不同方法分割结果??实验的目的是验证该模型在噪声环境下对图像分割的鲁棒性，在裔斯噪声、椒盐噪声??和散斑噪声等不＿水平的噪声围像上，与现有的ＡＣＭｓ进行了比较。一般来说，寫实世??界的图像是由被上述一种或多种噪声破坏的千净图像组成的。图５．４为三种不同类型噪声??下的分割结果。在图５．４的第一行中，４幅图像分别代表千净图像，方差为０．０５的高斯噪??声，密度为０．０３的椒盐噪声和密度为０．０５的椒盐噪声。因此，准确地从这些具有严重噪??声的图像中提取出需要的目标是一项具有挑战性的任务。从第二行到第七行，最后的停止??边界分别用?Ｃ－Ｖ?模型、ＡＣＭ間、０ＲＡＣＭＮＭ０＿、ＯＲＡＣＭＷＭＯ［５４１、ＡＣＭ－ＨＭ［５５１和所??提出的模型表示ｔ值得注意的是，只有本文提出的模型才能准确地提取出四幅图像中所有??的目标。由于Ｃ－Ｖ模型的非凸能量函数使得分割结果陷入＿部极小值，＿此其分割效果??最差，这些模型除了?Ｃ－Ｖ模型外，都能准确地从千净的图像中检测出目标。ＡＣＭ不能分??割出有噪声的图像，因为它假设給定的图像是均匀的，而０ＲＡＣＭＮＭ０和０ＲＡＣＭＷＭ０??都不能准确地从两幅有噪声的图像中提取出自标。值得注意的是，ＡＣＭ－ＨＭ可以降低噪??声的影响，但由于它使用了二阶导数，只能提取最亮的区域。总之，提出的模型可以实现??更好的分割性能。??ＥａａｃｓｓａＥ＾ａｎＥａ??３?Ｓ！?ＳＫ?

?一种棊于无监督主动轮廓樓型的图像分割研究???＾ｎｉｎｎ＾ｕｍｍ??■■國國??（ｆ）?（ｇ）?（ｈ）?（ｉ）?ＣＤ??图５．６使用不同ＡＣＭｓ的医学图像分割结果??ａ）是具有初始曲线的输入图像；ｂ）Ｃ－Ｖ；?ｃ）ＳＢＧＦＲＬＳ的ＡＣＭ；?ｄ）ＬＢＦ；?ｅ）ＡＣＭ－ＨＭ；??ｆ）ＬＩＦ；?ｇ）ＯＲＡＣＭＮＭＯ；?ｈ）ＯＲＡＣＭＷＭＯ；?ｉ）ＧＬＷ－ＳＰＦ；?ｊ）提出的方法９??接下来的实验验证了分割结果对初始曲线是否敏感。图５．７展示了使用该模型对不同??初始形状的同一图像进行分的结果。在第一列，四个不同位置的初始曲线分别对应一个??大矩形、一个小矩形、一个五边形和一个三角形。从第二列到第四列，分别显示了曲线在??５次、１０次和１５次迭代中的停止位置》最后的停止位置显示在第五列。从结果中可以看??出，物体可以被分割成相似的、具有不同初始曲线的分割区域９从以上结果可以看出，本??文提出的算法能够达到预期的分割效果。总之，该模型与初始曲线无关。??■■■画??图５．７不同扨始曲线的图像分割结果??第一列是不同形状的初始轮廓；从第二列到第四列分别在５次、１０次、１５次迭代中??３７??


本文编号：3322980