图像不均匀灰度的自适应调整

由于光线分布不均匀或斑块噪音干扰等原因,往往使所要处理的指纹的灰度值分布缺乏均匀性。在指纹特征自动识别提取过程中,造成许多传统的算法在局部出现很大的误差。利用方差和均值特征的自动提取方法,首次对不均匀灰度图像进行自适应分割。然后通过对图像分区域进行不同程度的自适应调整,使具有相同属性的像素单元具有近似的灰度值分布。调整结果的灰度均匀水平与预先指定的调整精度成正比。这种调整不仅提高了图像分割的自适应性,而且进一步扩大了一般阈值算法的应用领域。

基于信息熵的自适应尺度活动轮廓图像分割模型

针对固定尺度活动轮廓模型无法快速准确分割灰度不均匀图像的问题,提出了一种基于信息熵的自适应尺度活动轮廓图像分割模型。首先,利用最大后验概率(MAP)以及贝叶斯分类准则,提出了一种新型能量泛函,提高了模型对灰度信息的提取能力,进而极大提高了模型对灰度不均匀图像的分割准确度。其次,利用图像信息熵构造了自适应尺度算子,使模型能根据图像灰度不均程度自动调整尺度,提高了模型对灰度不均匀图像的分割速度。最后,为验证文中模型的优越性,将该模型与LGDF模型进行了对比,并通过分割时间、迭代次数以及相似度等指标,对分割结果进行了客观、定量分析。最终结果表明,该模型不但对初始轮廓具有较高鲁棒性,而且对灰度不均匀图像具有较高的分割准确性与分割效率。

基于自适应分割与偏移场估计的活动轮廓模型

针对传统活动轮廓模型无法快速、准确、强鲁棒性地分割灰度不均匀图像的问题,提出了偏移场估计与图像分割相结合的新型混合活动轮廓模型。首先,通过对图像进行模糊聚类分析,提出带有模糊隶属度函数的新型偏移场估计模型,提高了模型对图像灰度信息的估计与提取能力。其次,利用图像信息熵构造了自适应尺度算子(adaptive scaling operator,ASO),改善了模型的分割效率及对初始轮廓和噪声的鲁棒性。最后,通过将偏移场估计模型和ASO融入到能量泛函中,提出新型混合活动轮廓模型。实验结果表明,该模型不但对初始轮廓和不同种类噪声具有较强的鲁棒性,而且对不同程度的灰度不均匀图像具有较高的分割准确度与分割效率。

基于局部熵拟合能量与全局信息的活动轮廓模型

为解决活动轮廓模型在分割灰度不均匀的图像时存在的对初始轮廓位置敏感、参数选取繁琐及迭代次数多等问题,构建一种基于局部熵拟合能量与全局信息的改进活动轮廓模型。选取灰度图像的中心作为水平集初始轮廓的中心点,改变轮廓半径的大小以确定初始轮廓的位置。使用局部熵项来增强图像边缘处的响应,将局部熵图像拟合能量项与RSF模型共同构成局部能量项,并引入图像的全局信息来避免陷入局部极小值。在此基础上,修正正则项中的长度项,以提高图像分割的效率。在灰度不均匀的合成图像及真实医疗图像上的实验结果表明,与CV模型、RSF模型相比,该模型在进行图像分割时迭代次数较少,精度较高。