基于自适应扰动信息模型的水平集分割方法

针对现有的分割模型对噪声信息敏感性高、分割模型不稳定、边界侧漏等问题,提出一种基于自适应扰动信息模型的水平集分割方法。该方法构建一种基于局部特征的扰动信息模型,促使在曲线演化后期因噪声、灰度不均等因素的干扰而自适应地跳出局部最优值,构造一种新的边缘检测函数,提高分割模型对弱边界图像的分割精度。实验对比结果表明提出的分割模型在高效性和抗噪性方面表现更优。

适用于洪水遥感SAR图像的CV分割模型研究

洪水给人们生活造成很大的不便。为了尽快恢复生产生活,及时获取洪水受灾区域的范围及受灾区域发生的变化,对于灾情分析和灾后重建至关重要。由于受到相干斑噪声和洪水受灾区域地形起伏较大的因素的影响,合成孔径雷达(SAR)探测到的洪水遥感图像存在噪点较多且灰度分布不均匀的缺点,成像效果不佳,因此很难对其实现准确地图像分割。为了解决这个问题,本文提出一种基于水平集方法的改进CV分割模型,以实现快速准确地分割洪水遥感图像。CV分割模型是一种在医学图像分割领域很常见的基于区域和边缘信息的图像分割模型,能够得到较为精确的分割曲线,但是存在对噪声敏感、过度依赖区域灰度均值的缺陷。对于存在大量的噪声且图像灰度分布不均匀的洪水遥感图像,CV分割模型效果不佳。为了减少噪声在分割曲线演化过程中的干扰,本文在CV分割模型的能量函数中加入一个整体控制项,以减少噪声的影响。此外,为了提升CV分割模型对灰度不均匀的洪水遥感图像的分割能力,对处于不同区域的像素点采用自适应动态权重的方法进行分割曲线拟合。实验结果表明,与传统的CV分割模型和其他的图像分割模型相比,本文提出的改进CV分割模型在灰度分布不均性较强的洪水遥感图像上有更出色的分割精度,证明了本文提出的改进CV分割模型的有效性。