改进C-V模型在叶缘图像分割中的应用

摘要

叶缘含有大量重要的植物特征信息，准确提取叶缘有助于定量分析植物生长状况，在叶重建和机器识别中具有重要的应用价值。图像分割能提取有效叶缘信息，助于特征辨别，本文针对叶缘分割问题，主要做了以下研究:
　　介绍了曲线演化理论，水平集建模、求解基础，引入基于水平集及Mumford-Shah模型的一种几何活动轮廓模型——C-V模型(Chan-Vese模型)，用于捕捉目标边缘，进行图像分割。介绍了C-V模型的优点:无关梯度方向，具有较好的噪声鲁棒性，其建模简单、无关初始方向、适用图像范围广的特点适合进行叶缘提取。分析了存在的缺陷:C-V模型在目标边缘内外区域属于同质区域时候，分割效果不佳以及随着迭代次数增多，往往会出现需要重新初始化到符号距离函数(SDF)的步骤，这增加了C-V模型的运行时间。
　　并针对上述两个缺点做出了改进:(1)设计了结合局部信息的C-V快速分割模型。首先，增加局部信息的利用，将局部信息与全局信息有效结合，以使在丰富细节区域C-V模型能正确收敛到目标边缘;然后利用内能泛函约束水平集偏离SDF的程度，通过一定量的增加水平集求解次数保证水平集不会较大偏离SDF，在一定程度上节省演化时间。即通过结合局部统计信息和约束能量函数获得细节处理更完善、收敛速度更快的改进模型，并应用于叶缘提取中，验证改进模型的实用性。(2)设计了无关曲率方向的C-V快速分割模型。首先，增加无关曲率方向的边缘函数，弥补C-V模型不能有效运用边缘信息的缺陷，且利用平均曲率运动方程将一阶欧几里得边的长度能量最小化，进而弥补C-V模型在目标边缘内外区域为同质区域时的不佳演化效果;然后，增加内能泛函项以简化模型在局部需要重新初始化符号函数的步骤，提高运算速度。将改进模型应用于叶缘提取中，通过对比分析验证改进模型更有效性、实用。

目录

摘要

1 绪论

1．1 研究的目的及意义

1．2 国内外研究进展

1．3 内容安排

2 C-V活动轮廓模型

2．1 图像分割理论

2．2 曲线演化理论

2．2．1 曲线的参数表达

2．2．2 曲线演化

2．3 水平集方法

2．3．1 变分法基础

2．3．2 变分水平集方法

2．4 C-V模型

2．4．1 M-S模型

2．4．2 C-V模型

2．4．3 模型求解

2．5 本章小结

3 结合局部信息的C-V分割模型

3．1 引言

3．2 算法改进

3．3 模型求解

3．4 实验结果

3．5 本章小结

4 无关曲率方向的快速C-V模型

4．1 引言

4．2 算法改进

4．3 模型求解

4．4 实验结果

4．5 本章小结

结论

参考文献

攻读学位期间发表的学术论文

致谢

声明