基于局部熵的区域活动轮廓图像分割模型

为解决区域活动轮廓模型不能有效分割灰度不均图像的问题,提出了局部熵约束的区域活动轮廓模型应用于图像分割。首先基于局部熵信息将图像划分为两个特征区域,然后利用局部熵特征信息构造二值拟合能量,并与区域可放缩拟合(Region⁃scalable fitting,RSF)模型相结合,最后得到水平集演化方程。该模型考虑了图像灰度分布的聚集特征和局部区域统计信息,能有效处理灰度不均匀、弱边缘等图像分割问题,且对轮廓初始位置更具鲁棒性,医学图像实验结果验证了模型的有效性。

局部信息熵的快速混合测地区域活动轮廓模型

针对变分水平集算法在图像分割过程中计算量较大且收敛速度慢的现象,在前人研究的基础上提出了一种新的局部信息熵的混合测地区域活动轮廓模型。该模型构造一个新的能量泛函,在泛函中引入柔化核函数作为窗口核函数,构造一个新的符号压力函数来代替测地线边缘检测函数,并以局部信息熵作为图像拟合能量项的权重,通过非凸正则化项来约束水平集函数。由此得到的算法不仅能加快轮廓曲线的收敛速度,而且可以处理那些由于光照或其他外界因素的变化产生的灰度不均匀或者模糊的图像,提高分割的精确性。将算法在合成图像和真实图像上做仿真实验,实验结果表明,该算法具有较快的收敛速度,分割也较准确,同时对轮廓曲线的初始位置不敏感,具有很好的鲁棒性。

区域活动轮廓模型在高分辨率卫星影像车辆检测中的应用

高分辨率卫星遥感图像是一种特殊的数字图像,其复杂程度远高于一般图像。本文重点围绕高分辨率车辆卫星遥感图像中存在大量的噪声,对比度较低以及灰度不均匀性等问题,并且考虑遥感数据量较大的特点,对基于区域活动轮廓模型的车辆检测算法进行研究,最终设计精确、高效及鲁棒性好的车辆目标检测算法。实验结果证明区域活动轮廓图像分割方法在高分辨率卫星影像中可以有效地将车辆目标的形状特征提取出来,进一步提高车辆目标检测的识别率和准确性。

一种改进的活动区域轮廓模型--无需水平集重新初始化

基于区域的活动区域模型已经成功应用在图像分割、目标跟踪等领域,较之基于梯度的活动轮廓模型具有很多优点。但是,这些水平集模型在演化过程中,为了保持为符号距离函数,必须对其重新初始化,降低了曲线演化速度,增加了实现复杂度。为了解决重新初始化问题,在测地活动区域模型的能量函数中,加入惩罚项来约束水平集保持为符号距离函数,无需再重新初始化,极大地提高了演化速度。将其运用在纹理图像、脑MR图像分割以及视频跟踪中,实验证明该模型是有效的。