基于主动轮廓模型和水平集方法的图像分割技术

图像分割是计算机底层视觉中首要解决的关键问题。为了使人们对该领域现状有个概略了解,首先回顾了近十几年来基于主动轮廓模型的图像分割技术的发展概况;然后分类介绍了基于边界、基于区域和基于边界与区域的主动轮廓模型技术的演变及各自的优缺点,以及相应的能处理轮廓拓扑变化的稳定数值求解方法———水平集方法;最后展望了主动轮廓模型在图像对准中的应用。

基于水平集方法的交互式目标分割算法

研究以用户与系统之间的交互信息为先验知识的目标分割算法,提出一种基于改进速度函数的水平集图像分割算法。利用待分割图像的区域信息与目标轮廓信息,改进传统CV模型中的速度函数。使用图像边缘的梯度下降向量逐步逼近目标边缘,采用概率密度函数使图像中的所有像素值近似满足高斯概率分布,并通过边界收敛模型保证速度函数快速收敛至目标边缘。实验结果表明,对于包含噪声和目标边缘模糊的图像,与基于CV模型的分割算法和基于均方差水平集方法的分割算法相比,该算法具有更好的分割性能和鲁棒性。

基于Level Set方法的曲线演化

Level Set方法是一种描述曲线以曲率相关的速度演化的有力工具,最近几年在医学图像处理、自然现象的模拟以及计算机视觉等领域得到了广泛的应用.其中,曲线演化后的平滑算法和轮廓跟踪方法是Level Set方法实际应用中的两个关键算法.给出了一种平滑Level Set距离函数的简单方法.该方法只采用内插值的方式,消除平面上的全部孤立点以及部分可能产生歧义的点,在允许存在部分冗余点的情况下,利用曲线轮廓跟踪算法,得到平面上所有曲线的轮廓.经过实验验证,该方法简单、高效,适应范围广.

基于区域显著性的活动轮廓分割模型

提出一种新的活动轮廓分割模型,结合视觉显著性检测机制自动获取待分割图像中目标物体的先验形状信息,并自适应地构造初始轮廓,从而降低了初始轮廓位置对分割算法的影响.同时实现了活动轮廓模型对图像的自适应分割和自动分割,使得分割结果更符合人类视觉感知特性.实验结果表明,该模型有较好的分割效果,迭代次数少,且运行时间短.

一种视频目标轮廓跟踪的新算法

对双前沿活动轮廓模型进行了改进,提出一种鲁棒的视频目标轮廓跟踪新方法。通过限制支撑区域的大小,提高了演化速度。拟气球力的引入,既解决了因支撑区域限制导致的均匀区域内演化停滞的问题,又使参数调整更加容易,跟踪更加灵活。能较好地跟踪运动速度变化较大和形变较严重的目标,处理速度较快、并能自动适应目标拓扑的变化,适用于动态背景的视频。实验结果证明了该算法的高效性和鲁棒性。

快速的局部二值拟合优化分割算法

针对灰度不均匀图像难以正确分割和分割结果依赖于初始轮廓的问题,提出一种快速稳定的分割算法,首先通过自适应距离保持水平集演化(ADPLS)算法进行初始分割以获取较好的初始轮廓,然后采用局部二值拟合(LBF)模型进行快速分割。实验表明,改进后的模型有良好的分割效果,较好地解决了分割速度、精度及稳定性之间的矛盾。

一种耦合的活动轮廓模型及其在图像分割中的应用

本文对活动轮廓模型的外部能量项进行改进,针对灰度图像分割提出了一种新的自适应图像分割模型,并将它推广,建立了矢量图像分割模型。新模型耦合了快速边缘积分方法和简化统计方法,充分考虑到图像区域和边缘的先验信息,可根据不同的条件概率密度函数构造不同图像分割模型。文中还基于高斯型概率密度函数建立分割模型实例,结合应用高效且无条件稳定的AOS算法分别对灰度图像和矢量图像(RGB)进行分割实验,并将本文提出的方法与经典的快速边缘积分方法进行比较,结果表明本文的分割方法准确性较高,且具有良好的抗噪性,是行之有效的。

基于统计特征的GAC模型SAR图像分割

提出了一种基于统计特征定义边缘检测算子的测地活动轮廓(GAC)模型,并用于SAR图像分割中。首先,根据图像上每个点四个不同方向邻域统计特征的异同,计算边缘检测算子,得到GAC模型的能量泛函。其次,最小化能量泛函,得到曲线演化偏微分方程,水平集方法数值求解,最终完成SAR图像的分割。实验表明,与传统依赖图像梯度定义检测算子的GAC方法相比,文中的方法完全适用于SAR图像分割,不需要噪声的预处理过程,拓展了GAC模型的应用范围,提高了目标的正确识别率。

基于双重轮廓演化曲线的相似图像组分割模型

ACGS(Active Contours With Group Similarity)模型在CV模型的基础上结合了矩阵的低秩性约束,能较好地分割目标特征缺失或错误的相似图像组,但对于灰度不均的相似图像组分割效果较差。而双重轮廓演化曲线的图像分割水平集模型在LBF模型的基础上引入了目标内外两条轮廓曲线,很好地克服了LBF模型对于初始轮廓的敏感性,对于灰度不均的单张图像分割效果较好。受此启发,本文提出了基于双重轮廓演化曲线的活动轮廓模型来分割相似图像组。该模型首先结合LBF模型来更好地分割灰度不均的图像;其次利用ACGS模型的低秩性质来保持图像间的相似程度,从一定程度上改善了LBF模型在能量函数最小化时易陷入局部极小值的情形;最后引入目标内外的两条轮廓曲线,通过两曲线在演化过程中分别对局部像素的直接作用而产生间接的相互联系,从而有效地克服LBF模型对于初始轮廓的敏感性问题,使得该模型改善了对于灰度不均的相似图像组的分割效果。实验结果表明,与CV、LBF、ACGS以及双重轮廓演化曲线模型的分割结果相比较,本文模型对于灰度不均的相似图像组的分割效果具有优越性。