基于曲线演化理论的图像分割方法研究

摘要

图像分割技术被广泛的应用于计算机科学及计算机视觉等多个领域,它是图像工程体系中的一项关键技术,它是进行高层图像分析和图像理解的前提。所谓图像分割,就是对图像进行区域划分并分割出目标对象的过程。
　　近年来,基于曲线演化理论的主动轮廓模型这类图像分割算法,由于其能将几何表述、物理方程和逼近理论统一于同一个轮廓提取过程中的特性,而受到国内外研究者的广泛关注。本文重点研究主动轮廓模型中的Snake参数模型和Chan-Vese几何模型(C-V模型),围绕它们在图像分割的应用来展开研究,针对模型存在的不足,对其进行改进,主要工作和创新点如下:
　　(1)Snake模型对初始轮廓敏感和能量函数中曲率约束不足,本文提出了分水岭优化的Snake图像分割模型。首先通过引入标记函数和强制最小值技术解决传统分水岭变换可能导致的过分割问题,然后利用改进的强制标记分水岭算法优化Snake模型的初始轮廓曲线,最后通过在Snake模型中增加一项与曲线形状相关的外部力弥补能量约束函数中曲率约束的不足。改进后的Snake模型应用于腹部MR图像中,对肝脏图像的识别和分割取得了良好效果。
　　(2)C-V图像分割模型特别适用于医学领域,因为其在处理复杂的拓扑、强噪声及低对比度的图像上有一定优势,然而该模型对初始轮廓线敏感;图像阈值化也是一种经典而又简单的图像分割方法,该方法利用灰度值将目标图像从背景中分割出来。本文在分析灰度图像直方图分布的基础上提出利用图像阈值设定C-V模型的初始化轮廓的新方法,新方法应用于牙菌斑图像分割中能够较好的识别牙齿图像边缘信息,为下一步对牙菌斑进行量化分析提供了良好的数据基础。
　　(3)C-V模型变分水平集优化方法的最佳迭代次数难于确定且容易陷入局部最优,借鉴图割算法在较短时间内能得到全局最优的优势,提出一种基于图割的单水平集迭代终止算法。在目标区域设定一条初始轮廓线,采用无需重新初始化的C-V模型对轮廓线进行迭代,当轮廓线内部面积变化值小于预先给定的阈值时终止迭代,然后将此轮廓线作为图割算法的初始轮廓线进行图像分割。实验结果表明,该方法较原始C-V模型大大缩短了迭代时间,稳健性更高,具有较好的图像分割效果。

目录

封面

中文摘要

英文摘要

目录

第一章 绪论

1.1 课题研究背景及意义

1.2 图像分割研究综述

1.3 曲线演化理论模型研究综述

1.4 论文内容与章节安排

1.5 论文主要创新点

第二章 基于曲线演化理论的主动轮廓模型

2.1 主动轮廓模型的工作原理

2.2 主动轮廓模型的分类

2.3 参数主动轮廓模型

2.4 几何主动轮廓模型

2.5 本章小结

第三章 参数主动轮廓模型的优化算法研究

3.1 引言

3.2 分水岭变换的基本介绍

3.3 分水岭优化的Snake图像分割模型

3.4 改进算法的应用效果分析

3.5 本章小结

第四章 几何主动轮廓模型的初始化优化研究

4.1 引言

4.2 图像阈值和灰度直方图

4.3 基于阈值初始化的C-V模型

4.4 改进算法的应用效果分析

4.5 本章小结

第五章 几何主动轮廓模型的迭代优化研究

5.1 引言

5.2 图割的基本介绍

5.3 基于图割的单水平集迭代终止算法

5.4 改进算法的应用效果分析

5.5 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

个人简历

在学期间发表的学术论文与研究成果

声明