基于改进的snake模型的图像边缘检测

摘要

图像边缘检测是一项非常重要的图像分析技术，在图像分割、图像分类识别和计算机视觉等领域中占有越来越重要的地位。传统的图像边缘检测方法只利用了图像本身的信息，有时并不能满足检测的要求；而主动轮廓模型（即Snake模型）除了利用底层的图像信息，还添加了高层的先验知识，可以实现目标边界的准确定位。
　　 本文从参数主动轮廓模型和几何主动轮廓模型两个方面出发对图像边缘检测做了较深入的研究。
　　 首先，对图像边缘检测的目的、意义和国内外研究进行了综述，介绍了Snake模型的基本原理和算法分类，以及怎样设计经典Snake模型的能量函数。然后，针对不能在深度凹陷区域收敛的问题，进一步阐述了梯度矢量流(GVF)的基本算法和数值实现，以及广义梯度矢量流(GGVF)的定义和原理，并且在此基础上引入了改进的连续能量函数，用以改善轮廓点分布的均匀性，让曲线更加平滑，避免出现尖角。接着，重点研究了基于水平集方法的Snake模型，它属于几何主动轮廓模型。水平集方法又分为传统的需要重新初始化的水平集方法和无需重新初始化的水平集方法，它们之间最大的区别就是后者不需要重新初始化水平集函数，大大提高了运行效率。本文将形态学重构方法与水平集方法相结合，通过减少噪声，来提高边缘检测的运行速度。最后，论文比较了参数主动轮廓模型和几何主动轮廓模型的优缺点，并对今后Snake模型在图像边缘检测技术中的运用进行了展望。