本文關(guān)鍵詞：圖像局部交互熵分割模型的兩步快速優(yōu)化

  更多相關(guān)文章： 圖像分割 活動輪廓模型 水平集方法 粗分割 細(xì)分割

【摘要】：目的針對LCK(local correntropy-based K-means)模型收斂速度慢,提出新的基于LCK模型的兩步快速分割模型。方法兩步快速分割模型包括粗分割和細(xì)分割。1)粗分割:先將待分割的原始圖像下采樣,減少數(shù)據(jù)量;然后使用LCK模型對采樣后的粗尺度圖像進(jìn)行分割,得到粗分割結(jié)果及其相應(yīng)的粗水平集函數(shù)。由于數(shù)據(jù)量的減少,粗分割步驟可以快速得到近似分割結(jié)果。2)細(xì)分割:在水平集函數(shù)光滑性約束下,將粗分割結(jié)果及其對應(yīng)的粗水平集函數(shù)上采樣到原始圖像的尺度,然后將上采樣后的粗水平集函數(shù)作為細(xì)分割的初始值,利用LCK模型對原始圖像進(jìn)行精細(xì)分割。因初始值與真實目標(biāo)邊界很接近,所以只需很少迭代次數(shù)就能得到最終分割結(jié)果。結(jié)果采用F-score評價方法分析自然以及合成圖像的分割結(jié)果,并與LCK模型作比較,新的模型F-score數(shù)值最大,且迭代次數(shù)不大于50。結(jié)論粗分割步驟能在小數(shù)據(jù)量的情況下,快速分割出粗略的目標(biāo);細(xì)分割步驟在較好的初始值條件下,能夠快速收斂到最終的分割結(jié)果,從而有效提高了模型的計算效率和精確性。本文算法主要適用于分割含有未知噪聲及灰度非同質(zhì)的醫(yī)學(xué)圖像,且分割效率高。
【作者單位】： 西北農(nóng)林科技大學(xué)理學(xué)院;
【關(guān)鍵詞】： 圖像分割 活動輪廓模型 水平集方法 粗分割 細(xì)分割
【基金】：國家自然科學(xué)基金項目(61401368) 陜西省專項配套經(jīng)費(Z111021511)~~
【分類號】：TP391.41
【正文快照】： 0引言 圖像分割是圖像分析和理解的重要步驟之一。由于圖像中存在復(fù)雜噪聲、灰度不均勻以及低對比度的問題,使得圖像分割面臨諸多難題。而活動輪廓模型[1]以其自適應(yīng)性、亞像素精度[2]等優(yōu)點成為研究熱點。 活動輪廓模型以光滑封閉的曲線演化恢復(fù)目標(biāo)邊界,根據(jù)使用約束條件

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 刁現(xiàn)芬;陳思平;梁長虹;汪元美;;基于閾值區(qū)間的水平集算法在耳蝸分割中的應(yīng)用[J];浙江大學(xué)學(xué)報(工學(xué)版);2006年02期

2 ;[J];;年期

，

本文編號：1029155