基于Chan-Vese模型的SAR图像分割

由于SAR图像存在较强的斑点噪声,使用Chan-Vese模型水平集分割方法会产生很多误分割。同时,水平集解法存在计算量大、分割速度慢的问题。在Chan-Vese模型基础上,增加新的内能项——距离正则项,得到了一种改进的曲线演化模型。避免了水平集函数的周期性更新,具有更大的迭代步长,从而加快分割速度,并且提高Chan-Vese模型的抗噪性。对该模型采用人工合成图像和真实SAR图像进行分割实验,通过比较,可看出改进模型具有较高的数值精度和较快的分割速度。对于噪声很强的图像,使用增强Lee滤波进行预处理,可以进一步提高改进模型的分割速度和效果。实验结果表明:改进Chan-Vese模型能高效快速地完成SAR图像分割,具有较高的抗噪性。

基于改进C-V模型的高分辨SAR图像分割

针对SAR图像灰度分布不均匀现象,提出利用对均匀和不均匀区域都能很好的拟合的G0概率密度函数对C-V水平集模型进行改进。针对经典的C-V水平集模型只利用区域信息而没有利用边缘信息,从而造成虚假边缘轮廓较多以及演化时容易陷入局部极小值等现象,提出在C-V模型中引入能够很好的去除SAR图像中的乘性噪声的改进的边缘检测函数,定位图像的边界以及控制曲线的演化速率,且增加能避免水平集函数重新初始化的距离正则项作为内能项。通过人工合成图像和真实高分辨SAR图像的分割实验验证了改进后的C-V水平集模型能够更快速度、更高准确度地定位目标边界,实现高分辨SAR图像分割。

改进边界指示函数的CV模型构建及应用

无边缘活动轮廓CV模型对于边界模糊以及背景灰度分布不均匀的图像缺乏良好的分割效果。基于此,对该模型进行了如下改进。对边界指示函数进行修改,将改进后的边界指示函数融入CV模型的长度项中。引用双阱势的距离正则项来避免水平集重新初始化,从而得到了一个梯度与区域信息相结合的水平集演化方程,并应用变分法中的有限差分法对方程进行求解。对木材虫眼、活节和死节图像进行了数值仿真模拟,仿真结果表明该模型对背景分布不均匀的图像具有良好的分割效果。

改进的变分水平集演化的图像分割算法

提出了一种改进的变分水平集分割算法。引入演化曲线内外灰度图像的中值代替传统CV(Chan_Vese)模型中的均值作为曲线拟合中心。在轮廓初始化后,采用最大类间方差(OTSU)方法改进曲线拟合中心,将最大类间方差与拟合中心结合,提高分割的准确率和适应性。加入双阱势的距离正则项以避免水平集重新初始化,提高效率,从而得到一个自适应阈值与区域信息相结合的水平集演化模型。