Fisher准则和正则化水平集方法分割噪声图像

随着活动轮廓模型的不断成熟和发展,模型的抗噪能力又成为重要的研究课题.为了精确地分割图像的同时去除图像的噪声,针对噪声图像用非负稳健函数作为边缘保持函数,从而保证图像在去噪的过程中边缘和纹理信息不被模糊.首先创造性地将分类器中的Fisher准则函数引入到图像分割中,从分类的角度对C-V模型给出了Fisher解释.把Fisher准则作为分割的标准来建立一个基于区域和边缘相结合的同时完成去噪和分割变分水平集分割模型.其次详细讨论了该模型的数值求解方法.最后实验验证了用Fisher值来衡量分割标准的理论的正确性和可靠性以及模型中正则项约束在去噪过程中的边缘保持功能.通过3组实验检验了提出的模型对噪声图像的去噪和分割比聚类算法、松弛迭代算法、Mean Shift算法有更好的效果.

基于Fisher准则的免疫思维进化算法在图像阈值寻优中的应用

针对图像分割中的阈值选取问题,通过引入模式识别理论中的Fisher评价函数作为图像分割的准则函数,提出了基于Fisher准则的免疫思维进化算法进行图像分割。该算法克服了基本遗传算法无法记忆每一代的进化信息、容易出现"早熟"、收敛慢且不能保证全局搜索的缺点,可以指导算法向着有利方向进行,并且采用群体搜索,提高了搜索效率且避免了"早熟"现象,提高了算法的寻优质量。笔者对该算法进行了详尽的分割实验,并与基本遗传算法相比较,结果表明该算法可以将分割阈值稳定在5个像素之内,运算速度比基本遗传算法提高了9.5%,是一种有效的图像阈值分割新方法。