结合局部和全局信息的活动轮廓模型研究

摘要

图像处理作为一门涉及面十分广泛的学科，在众多领域都得到学者的关注。而图像分割作为图像处理的关键内容，历来都是研究的热点，能够分离出后续工作需要的目标以便进行更好的分析、实验，分割结果越精确，后期实验分析效果就越好。近些年来，图像分割一直受到人们的高度重视，至今已经提出大量的各种类型的算法。
　　活动轮廓模型(Active Contour Model)是一类重要的图像分割模型，可分为两类：基于边缘的模型和基于区域的模型。基于区域的模型因其本身特有的优势，如对轮廓初始化和噪声不敏感，使其应用较为广泛。灰度不均是真实图像(如医学图像)中最常见的灰度特征，且难于处理。如今已有很多模型就是针对这种特征提出的，最为著名的有RSF模型(IEEE Transaction on Image Processing，2008)与LIF模型(Pattern Recognition，2010)等，但是对于这些只含图像局部信息的模型，它们对轮廓初始化十分敏感。因此，如何有效地对这类图像进行分割，一直是图像分割领域的一个热门课题。
　　本学位论文深入研究了一些经典的活动轮廓模型，如CV模型(IEEE Transaction on Image Processing，2001)、RSF模型以及LIF模型，然后研究了具有复杂背景或灰度不均匀图像的分割问题。
　　主要结果如下：
　　针对灰度不均的图像，结合图像全局和局部信息，构造了一个新的活动轮廓模型。该模型的能量泛函由三部分构成：局部项、全局项和正则项。局部项包含图像的局部信息，所以它使模型能够很好处理具有复杂背景或灰度不均匀的图像；全局项包含图像的全局信息，所以它使模型对初始轮廓有很好的鲁棒性；正则项是为了保证零水平集（曲线）的光滑性，增加模型的抗噪能力，同时避免水平集函数的周期性重新初始化。实验表明，该模型能够很好处理灰度不均图像，且分割结果不依赖于初始轮廓的选择。此外，与LIF模型等同类型的模型作对比，实验显示了本文模型的优越性。

目录

封面

中文摘要

英文摘要

目录

1 绪 论

1.1研究背景及意义

1.2活动轮廓模型研究现状

1.2.1参数活动轮廓模型

1.2.2几何活动轮廓模型

1.3主要工作和结构安排

2 相关模型

2.1局部拟合模型——LIF模型

2.2全局拟合模型——GIF模型

3 本文模型

3.1引言

3.2结合图像局部和全局信息的活动轮廓模型

3.2.1全局项

3.2.2局部项

3.2.3正则项

3.3 演化偏微分方程

3.4 数值计算

3.5 实验结果与分析

3.6 本章小结

4 总结与展望

4.1 论文总结

4.2 今后的研究方向

致谢

参考文献

附录

A 作者在攻读学位期间已发表和完成的论文目录：