局部与全局信息自适应拟合的活动轮廓模型

摘要

图像分割是图像处理的基础，它是将图像中具有某些独特特征的区域从整体图像中划分出来的过程。几何活动轮廓模型利用了图像底层特征，并有数学基本理论来支持求解，因此成为了图像分割的研究热点。而基于区域的几何活动轮廓模型因其收敛速度快、分割效率高、鲁棒性好等优点，成为近几年的研究重点。
　　本研究针对CV模型不能分割灰度不均的图像、LBF模型对曲线初始位置设置比较敏感、LGIF模型对局部与全局信息的权重选择繁琐、前人改进的LGIF模型分割计算复杂等问题，提出了一种基于局部与全局信息的自适应拟合活动轮廓模型，分别在CV模型能量项和LBF模型能量项中引入图像的均值和方差信息，并将两个模型的能量泛函相加，组成改进的LGIF模型。为了优化改进模型的性能，先在其中引入自适应拟合系数。改进模型会根据分割图像的灰度均匀性，动态调整局部区域信息与全局区域信息所占的权重，加快曲线演化速度，准确分割出图像的目标区域。然后本文在改进模型中引入了Wolfe-Armijo混合线搜索方法。在进行迭代求解时，动态调整时间步长，解决固定步长带来的演化速度慢、易产生震荡现象的问题。此外，本文还在改进模型中引入了新的惩罚项，使水平集函数无需再重新初始化，增强了数值计算的稳定性。最后，将该模型与CV模型、LBF模型、LGIF模型和前人改进的LGIF模型进行了对比，并通过分割时间、迭代次数以及相似度等指标对分割结果进行客观、定量分析。最终结果表明:本文模型不但对初始轮廓曲线位置的选取具有较高的鲁棒性，也提高了分割结果的准确性与分割效率。

目录

声明

摘要

第1章 绪论

1．2．1 图像分割定义

1．2．2 图像分割方法

1．3 基于活动轮廓模型的图像分割方法国内外研究现状

1．4 论文主要工作及结构安排

1．4．1 论文主要内容

1．4．2 论文结构安排

第2章 活动轮廓模型图像分割的数学基础

2．1 曲线演化理论及水平集方法

2．1．1 曲线演化方程

2．1．2 水平集方法

2．1．3 水平集数值计算

2．2 数值计算的有限差分法

2．2．1 有限差分格式

2．2．2 显示、隐式及半隐式方案

2．3 变分法及梯度下降流

2．3．1 变分原理

2．3．2 梯度下降法

2．4 本章小结

第3章 基于活动轮廓模型的图像分割

3．1 基于参数的活动轮廓模型

3．2 基于测地线的活动轮廓模型

3．3 基于区域信息的几何活动轮廓模型

3．3．1 CV模型

3．3．2 LBF模型

3．3．3 LGIF模型

3．4 本章小结

第4章 一种改进的基于局部和全局信息的几何活动轮廓模型

4．1 改进的基于局部和全局信息的几何活动轮廓模型

4．2 改进的LGIF模型相关公式

4．3 数值算法分析

4．4 改进的变步长优化算法

4．4．1 传统求解算法

4．4．2 改进的变步长优化算法

4．5 本章小结

第5章 实验结果与分析

5．1 实验环境

5．2 实验流程

5．3 评价准则

5．4 对比实验及分析

5．4．1 与CV模型整体灰度不均匀的实验对比

5．4．2 与CV模型背景灰度不均匀的图像实验对比

5．4．3 与LBF模型对含噪声的图像实验对比

5．4．4 与LBF模型对初始位置敏感的图像实验对比

5．4．5 与LGIF模型医学图像分割的实验对比

5．4．6 与LGIF模型混合图像分割的实验对比

5．4．7 与前人改进LGIF模型分割效率的实验对比

5．4．8 与改进LGIF模型多目标图像的实验对比

5．5 各个模型的性能对比

5．6 本章小结

第6章 总结与展望

6．1 论文总结

6．2 工作展望

参考文献

致谢