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。