基于水平集逐层迭代算法的多层Mumford-Shah图像分割、去噪与重建模型

针对能够同时进行图像分割、去噪与重建目的的Mumford-Shah能量泛涵最小值图像模型求解非常困难这一问题,提出了“多层Mumford-Shah图像分割、去噪与重建模型”和求解该多层模型最小值的“咏平集逐层迭代算法”．该多层模型是Mumford-Shah“最小分割问题”的“多层”模型．实验结果表明,该方法不仅能够同时进行具有T型图像边缘或更复杂拓扑结构图像边缘的图像分割、去噪与重建,而且比Tsai A．等人提出的多层求解轮廓和Chan T．等人提出的多相水平集方法更简单更有效．

基于动态轮廓模型的微分域网格变形

提出了一种在线性空间中近似保持几何特征、骨架和体积特征的微分域网格变形技术,即基于动态轮廓模型的微分域网格变形.动态轮廓模型概括了网格的能量形式,通过保持它的不变性,从而达到骨架和体积的近似不变.由于动态轮廓模型是通过线性计算获得的,跟网格微分域方法融合后是一个线性的能量最小问题,从而达到用户操作的实时性.通过例子证明,基于动态轮廓模型的微分域网格变形技术能够很好地保持网格的几何特征、骨架和体积特征,且能做到实时交互.

一种正面人像识别的方法

本文给出了一种正面人像识别的方法。利用活动轮廓模型进行人像处理，自动提取人脸轮廓，再利用特征脸谱描述人像间的差异信息，将人脸图象唯一地映射到由特征脸谱构造的“人脸差空间”中去，通过比较人脸图象在该空间中的位置来识别。

一种快速的基于偏微分方程的图像分割方法

利用边缘信息的活动轮廓模型和C—V模型的优点，构造出一种新的图像分割模型，结合变分理论和水平集方法，给出该模型的偏微分方程。该模型无需重新初始化，可以自动选择运动方向，并且收敛速度快。大量的分割实验证明，该模型多方面的良好性能。