基于区域内一致性和区域间差异性的图像分割

利用区域内方差描述区域内一致性,提出以区域间平均灰度值之差的平方来构建能量函数。运用梯度最陡下降法,推导出能量函数曲线演化方程,并应用于图像分割。研究结果表明:与仅基于区域内一致性或区域间差异性的图像分割算法相比,该算法的图像分割结果更符合实际情况;随着迭代次数增加,基于该算法的图像分割边界变得更平滑;当到达一定的迭代次数时,图像分割结果稳定。

结合区域间差异性的水平集演化模型

水平集方法在图像分割中得到了广泛的应用.其中基于边缘的活动轮廓模型主要通过梯度信息驱动曲线演化到目标边界,但基于梯度信息使得在分割时会产生过分割,并且对于灰度不均匀图像处理效果不理想,有可能得到不令人满意的结果.而基于区域的活动轮廓模型则是通过区域信息控制曲线移动,使得分割的结果立足于整体图像信息.基于上述原因,本文通过在水平集中提出了一种新的区域分量,在能量泛函中加入目标区域灰度和背景区域灰度的差的平方,提出了一种改进的图像分割算法.研究结果表明,与一般的活动轮廓模型相比,加入区域间差异性信息的活动轮廓模型的分割结果更加符合实际情况并且收敛速度更快,效率更高,得到的分割结果更令人满意.

应用区域间差异性和距离约束函数的图像分割

许多水平集图像分割模型需要不断重新初始化水平集函数,或需要图像的梯度信息来约束曲线进化。提出最大化区域间差异性和距离约束函数水平集图像分割模型,该模型引入距离约束函数作为内部能量保证水平集函数始终为符号距离函数(SDF),避免了进化过程中对水平集函数的不断初始化。基于目标和背景两区域平均灰度值之差的平方构造外部能量函数(区域间差异性函数),并使其最大化,确保零水平集曲线稳定地收敛于目标边界。实验结果表明,提出的模型不仅有效地克服了传统模型需重新初始化的缺点,并且由于外部能量函数融合了区域信息,对弱边界图像以及含噪声图像具有较好分割能力。