基于Chan-Vese模型的图像分割优化算法研究

摘要

近年来，图像分割技术是人们研究图像分析、模式识别和图像理解中的一项非常关键的工作，如何进一步提高图像分割结果的精确性一直是图像分割技术中的关键问题，也直接影响到后续工作的有效性。虽然图像分割技术已经得到了飞速的发展，但是目前还没有一种方法可以精确分割所有类型的图像。本文研究的图像分割算法主要是在Chan和Vese模型（CV）的基础上，分别釆用智能的启发式优化算法对几何图像进行分割和其他优化算法对灰度不均匀的图像进行分割。论文的主要创新点如下：
　　（1）提出了一个高效的双凸模糊变分与教学的优化方法（TLBO）的几何图像分割算法。首先，釆用一个双凸目标函数处理几何图像；然后，通过“教与学”优化算法（TLBO）经过向“老师”学习和“同学”之间相互学习，先搜索到最优区域范围，再从中自适应的找到长度惩罚项的最优值；最后，有效地结合长度惩罚项和数值方法项，以获得更好的结果。实验结果表明，本文方法比现有的方法对几何图像的分割更有效。
　　（2）针对目前CV模型在伪影和光照不均匀图像分割中存在的问题，本文提出了一个新的模型，即动态伪影检测和偏差校正相结合（CV+XB）的图像分割模型。首先针对伪影图像，提出了一个动态伪影类，在CV模型的能量函数中引入一个二进制伪影标签X，再通过动态阈值使能量函数达到最小化；其次，应对照明不均匀图像，本文引入了Retinex图像分解，把输入的源图像分解成一个结构部分S和一个平滑偏置场B部分，然后分别对这两部分进行处理，得到分割图像。本文使用相场对分割进行参数化，并且使用动态阈值可以有效地得到能量函数的最小化，最后结合这两个模型进行灰度不均匀图像的分割处理。通过实验证明，本文的模型对一系列的伪影和光照不均匀图像都比较有效，而且算法的收敛性较高。

目录

1 绪论

1.1 研究背景及意义

1.2 图像分割技术的发展与现状

1.3 研究内容及研究方法

1.4 本章小结

2 图像分割关键技术

2.1 水平集方法

2.2 变分法和梯度下降流

2.3 CV模型

2.4 本章小结

3 基于TLBO-CV的几何图像分割

3.1 引言

3.2 双凸模糊变分方法

3.3 “教与学”优化算法

3.4 TLBO优化长度惩罚项

3.5 实验结果与分析

3.6 结论

3.7 本章小结

4 基于CV-XB的灰度不均匀图像分割

4.1 引言

4.2 基于动态伪影检测的图像分割方法

4.3 基于偏差校正的图像分割方法

4.4 结合伪影检测和偏差校正的图像分割

4.5 实验结果与分析

4.6 结论

4.7 本章小结

5 总结与展望

5.1 本文工作总结

5.2 展望和进一步的工作

致谢

参考文献

攻读硕士学位期间获得的相关成果