为了对灰度不均匀图像进行分割,结合图像的局部和全局信息,提出基于加权L^(1)-L^(2)拟合能量项的模糊活动轮廓图像分割(fuzzy active contour based on weighted L^(1)-L^(2) fitting energy for image segmentation,FAWFE)模型。首先,...为了对灰度不均匀图像进行分割,结合图像的局部和全局信息,提出基于加权L^(1)-L^(2)拟合能量项的模糊活动轮廓图像分割(fuzzy active contour based on weighted L^(1)-L^(2) fitting energy for image segmentation,FAWFE)模型。首先,利用模糊隶属度函数,基于图像局部和全局信息构建混合模糊拟合图像。然后,构建加权L 1拟合能量项,量化原始图像与混合模糊拟合图像之间的差异,有效地处理灰度不均匀问题。最后,结合L^(2)拟合能量项,保证能量泛函的凸性,使得模型解的存在性和唯一性得以保证,避免陷入局部极小。另外,采用交替迭代算法对FAWFE模型进行数值求解,并与经典的活动轮廓模型对比。结果表明,FAWFE模型不仅可以准确定位目标边界,而且可以在0.6 s左右实现对图像的处理,对于合成图像和真实图像均有良好的处理效果。展开更多
文摘为了对灰度不均匀图像进行分割,结合图像的局部和全局信息,提出基于加权L^(1)-L^(2)拟合能量项的模糊活动轮廓图像分割(fuzzy active contour based on weighted L^(1)-L^(2) fitting energy for image segmentation,FAWFE)模型。首先,利用模糊隶属度函数,基于图像局部和全局信息构建混合模糊拟合图像。然后,构建加权L 1拟合能量项,量化原始图像与混合模糊拟合图像之间的差异,有效地处理灰度不均匀问题。最后,结合L^(2)拟合能量项,保证能量泛函的凸性,使得模型解的存在性和唯一性得以保证,避免陷入局部极小。另外,采用交替迭代算法对FAWFE模型进行数值求解,并与经典的活动轮廓模型对比。结果表明,FAWFE模型不仅可以准确定位目标边界,而且可以在0.6 s左右实现对图像的处理,对于合成图像和真实图像均有良好的处理效果。