本文選題：Grünwald-Letnikov分數(shù)階 + 自適應分數(shù)階��； 參考：《計算機研究與發(fā)展》2017年05期

【摘要】：區(qū)域可調(diào)擬合(region scalable fitting,RSF)活動輪廓模型在分割弱紋理、弱邊緣圖像時,優(yōu)化易陷入局部極小導致曲線演化速度緩慢;同時該模型中的局部擬合項為高斯核函數(shù),導致目標的邊界模糊,影響分割精度.針對該問題,提出了一種基于自適應分數(shù)階的活動輪廓模型,用于圖像的分割.首先將全局G-L(Grünwald-Letnikov)分數(shù)階梯度融合到RSF模型中,以增強灰度不均勻和弱紋理區(qū)域的梯度信息,從而提高對曲線初始位置選擇的魯棒性,并提高了圖像分割的精度和速度;然后用雙邊濾波函數(shù)替換局部擬合項中的高斯核函數(shù),解決了高斯核函數(shù)在演化過程中造成的邊界模糊問題;最后根據(jù)圖像的梯度模值和信息熵構(gòu)建自適應分數(shù)階階次的數(shù)學模型,并計算出最佳分數(shù)階階次.理論分析和實驗結(jié)果均表明:提出的算法可以用于灰度不均勻和弱紋理、弱邊緣區(qū)域的圖像分割,并能根據(jù)圖像的特征自適應計算最佳分數(shù)階階次,避免曲線演化陷入局部最優(yōu).用多幅圖像進行實驗,得出該方法的分割精度和分割效率都有較大提高.
[Abstract]:The active contour model of region scalable fitting (RSF) can segment weak texture and weak edge image, and the local fitting term in the model is Gao Si kernel function, and the curve evolvement speed is slow due to its easy to fall into local minima, and the local fitting term in the model is Gao Si kernel function, and the local fitting term of the model is Gao Si kernel function. The boundary of the target is blurred and the segmentation accuracy is affected. To solve this problem, an adaptive fractional-order active contour model is proposed for image segmentation. Firstly, the global G-L(Gr 眉 nwald-Letnikov-fractional-step degree is fused into the RSF model to enhance the gradient information of the inhomogeneous and weakly textured regions, so as to improve the robustness of the initial position selection of the curve and the accuracy and speed of image segmentation. Then, the Gao Si kernel function in the local fitting term is replaced by the two-sided filter function, which solves the boundary ambiguity problem caused by Gao Si kernel function in the evolution process. Finally, a mathematical model of adaptive fractional order is constructed according to the gradient modulus and information entropy of the image, and the optimal fractional order is calculated. The theoretical analysis and experimental results show that the proposed algorithm can be used for image segmentation in the regions of uneven grayscale, weak texture and weak edge, and can adaptively calculate the best fractional order according to the characteristics of the image. Avoid curve evolution falling into local optimum. Experiments with multiple images show that the segmentation accuracy and efficiency of the method are greatly improved.
【作者單位】： 江西省圖像處理與模式識別重點實驗室(南昌航空大學);西華大學機械工程學院;
【基金】：國家自然科學基金項目(61462065) 江西省自然科學基金項目(20151BAB207036) 江西省科技支撐計劃基金項目(20161BBF60091)~~
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前9條

1 陳炳文;王文偉;秦前清;;基于分數(shù)階積分算子的紅外弱小目標檢測[J];控制與決策;2012年01期

2 王飛;彭皓;白文斯密;華云;馬洪;;基于分數(shù)階變分問題的TV模型[J];四川大學學報(自然科學版);2012年06期

3 龔春葉;包為民;閔昌萬;張燁琛;劉杰;;分數(shù)階微分方程的一種細粒度數(shù)據(jù)級并行算法[J];計算機工程與科學;2013年11期

4 李金龍;楊守義;穆曉敏;;基于分數(shù)階相關(guān)盲圖像水印算法[J];河南科學;2006年02期

5 王金芳;楊寶俊;李月;;基于分數(shù)階Cosine和Sine變換說話人證實特征的提取[J];石家莊鐵道學院學報(自然科學版);2008年02期

6 孫延鵬;梁小驁;張芝賢;王爾申;;一種基于分數(shù)階Fourier變換的光斑圖像抑噪方法[J];解放軍理工大學學報(自然科學版);2012年02期

7 陳恩慶;穆曉敏;楊守義;齊林;;一種新的分數(shù)階Fourier域的Chirp類水印方案[J];計算機工程與應用;2008年22期

8 左凱;孫同景;李振華;陶亮;;二維分數(shù)階卡爾曼濾波及其在圖像處理中的應用[J];電子與信息學報;2010年12期

9 ;[J];;年期

相關(guān)會議論文 前1條

1 文歡;沈懷榮;;模糊分數(shù)階控制器在無人機飛行控制中的應用仿真[A];2007系統(tǒng)仿真技術(shù)及其應用學術(shù)會議論文集[C];2007年

相關(guān)博士學位論文 前4條

1 尹學輝;基于分數(shù)階PDE的圖像結(jié)構(gòu)保持型去噪算法研究[D];重慶大學;2015年

2 田丹;基于分數(shù)階變分的圖像去噪和分割算法研究[D];東北大學;2015年

3 程玉柱;分數(shù)階ACM圖像分割算法及其在雜草圖像中的應用[D];南京林業(yè)大學;2014年

4 潘勇;基于分數(shù)階Fourier變換的RFID定位系統(tǒng)關(guān)鍵技術(shù)研究[D];天津大學;2013年

相關(guān)碩士學位論文 前10條

1 趙九龍;基于分數(shù)階微積分的三維圖像去噪增強算法研究[D];寧夏大學;2015年

2 馬剛;級聯(lián)混沌對視頻分數(shù)階傅立葉域的加密研究[D];華北理工大學;2015年

3 張叢嶸;基于分數(shù)階水平集的PET心臟圖像分割算法研究[D];東北大學;2013年

4 李沛遙;基于分數(shù)階矩的仿射不變特征提取[D];南京信息工程大學;2016年

5 朱得超;基于分數(shù)階PMD的低劑量CT圖像去噪算法研究[D];電子科技大學;2016年

6 汪輝;分數(shù)階小波變換理論及其應用研究[D];西南交通大學;2014年

7 王小娟;分數(shù)階卷積算法的研究及其應用[D];鄭州大學;2011年

8 胥松壽;基于分數(shù)階域特征提取的人臉識別算法[D];鄭州大學;2014年

9 吳海洋;分數(shù)階數(shù)字濾波器的設計及在圖像處理中的應用[D];大連交通大學;2014年

10 官茜;基于分數(shù)階偏微分方程的圖像去噪算法研究[D];寧夏大學;2014年

，

本文編號：1848868