本文選題：活動輪廓模型 + 水平集方法��； 參考：《西北農(nóng)林科技大學(xué)》2017年碩士論文

【摘要】：圖像分割是指將圖像按照不同特征劃分成若干個具有相似性或一致性的區(qū)域,并提取出感興趣目標的過程。它是圖形識別和計算機視覺領(lǐng)域至關(guān)重要的預(yù)處理,對圖像的特征提取和研究起到了關(guān)鍵性的作用。隨著新的理論和方法的發(fā)展以及研究人員對原有模型的不斷改進,近年來涌現(xiàn)出不少分割算法。但是由于圖像種類繁多,應(yīng)用具有復(fù)雜性,目前還沒有一種能夠普遍適用于所有圖像的分割方法�；谄⒎址匠痰幕顒虞喞Ｐ褪且活愋屡d的圖像處理模型,它是依托曲線演化理論發(fā)展起來的,與傳統(tǒng)的圖像分割算法相比具有更強的自適應(yīng)性、更高的分割精度等優(yōu)點。本文圍繞基于活動輪廓模型的圖像分割方法展開研究。首先對圖像分割算法進行了歸納和綜述,根據(jù)活動輪廓模型的分類,詳細介紹了幾種經(jīng)典的活動輪廓模型;然后對活動輪廓模型中的數(shù)學(xué)基礎(chǔ)知識進行了描述;最后對基于活動輪廓模型的非同質(zhì)圖像分割算法進行了重點研究,主要內(nèi)容如下:1.提出一種新的結(jié)合全局和局部信息活動輪廓的非同質(zhì)圖像分割模型。提出的模型充分利用圖像的區(qū)域信息,消除非同質(zhì)污染的影響,并利用交互熵準則得到局部自適應(yīng)權(quán)重,有效地提高了非同質(zhì)圖像分割精度。2.對基于信息幾何的快速分割算法進行改進。原有的快速算法利用黎曼最速下降法改變曲線演化的方向,極大地提高了算法收斂速度。但是原有算法沒有考慮圖像的局部特征,無法分割灰度非同質(zhì)圖像。因此對原有算法進行改進,充分利用圖像區(qū)域信息,提高算法分割的準確性。實驗中,采用Jaccard相似系數(shù)-JS(Jaccard similarity)和Dice相似系數(shù)-DSC(Dice similarity coefficient)兩個指標對不同模型的分割結(jié)果進行定量分析,結(jié)果表明:1.與經(jīng)典的活動輪廓模型相比,提出的模型JS和DSC的值最接近1,迭代次數(shù)不多于50次。此外,當設(shè)置不同初始輪廓線對圖像進行分割時,傳統(tǒng)的活動輪廓模型產(chǎn)生了不同的分割結(jié)果,而提出的模型結(jié)果是相似的。說明提出的模型對灰度非同質(zhì)圖像進行分割具有較高的計算效率和準確率,且降低了對初始輪廓位置的敏感度。2.與傳統(tǒng)的活動輪廓模型相比,改進的快速算法利用黎曼最速下降法對曲線進行演化,其迭代次數(shù)不多于10次,可見改進的算法具有較快的收斂速度。另外與原有快速分割算法相比,改進的算法結(jié)合了圖像全局信息和局部特征,不僅保留了原有算法在弱邊界圖像分割中的優(yōu)勢,而且對灰度非同質(zhì)圖像也能得到較好地分割結(jié)果。
[Abstract]:Image segmentation refers to the process of dividing the image into several similar or consistent regions according to different features and extracting the objects of interest. It is a very important preprocessing in the field of graphics recognition and computer vision, and plays a key role in feature extraction and research of images. With the development of new theories and methods and the improvement of existing models, many segmentation algorithms have emerged in recent years. However, due to the variety of images and the complexity of applications, there is not a general segmentation method that can be applied to all images. The active contour model based on partial differential equation (PDE) is a new kind of image processing model. It is based on the curve evolution theory and has the advantages of stronger self-adaptability and higher segmentation accuracy than the traditional image segmentation algorithm. This paper focuses on the method of image segmentation based on active contour model. Firstly, the image segmentation algorithm is summarized, and several classical active contour models are introduced in detail according to the classification of active contour model, and then the mathematical basic knowledge of active contour model is described. Finally, the non-homogeneous image segmentation algorithm based on active contour model is studied, the main contents are as follows: 1. A new heterogeneous image segmentation model combining global and local information active contours is proposed. The proposed model makes full use of the regional information of the image to eliminate the influence of non-homogeneous pollution, and the local adaptive weight is obtained by using the cross-entropy criterion, which effectively improves the segmentation accuracy of non-homogeneous image. The fast segmentation algorithm based on information geometry is improved. The original fast algorithm uses Riemann's steepest descent method to change the direction of curve evolution and greatly improves the convergence speed of the algorithm. However, the original algorithm does not consider the local features of the image, and can not segment gray heterogeneous image. Therefore, the original algorithm is improved to make full use of the image region information to improve the accuracy of the algorithm segmentation. In the experiment, Jaccard similarity coefficient -Jaccard similarity coefficient and Dice similarity coefficient -DSCDice similarity coefficient are used to quantitatively analyze the segmentation results of different models. The results show that: 1. Compared with the classical active contour model, the JS and DSC values of the proposed model are closest to 1, and the number of iterations is not more than 50. In addition, when different initial contour lines are set to segment the image, the traditional active contour model produces different segmentation results, but the proposed model results are similar. It is shown that the proposed model has high computational efficiency and accuracy for gray-scale heterogeneous image segmentation, and reduces the sensitivity of the initial contour position. 2. Compared with the traditional active contour model, the improved fast algorithm uses Riemann's steepest descent method to evolve the curve, and the number of iterations is not more than 10 times, which shows that the improved algorithm has a faster convergence speed. In addition, compared with the original fast segmentation algorithm, the improved algorithm not only preserves the advantages of the original algorithm in weak boundary image segmentation, but also combines the global information and local features of the image. In addition, the segmentation results of heterogeneous grayscale images can also be obtained.
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 牛君,李貽斌,宋銳;活動輪廓模型綜述[J];杭州電子科技大學(xué)學(xué)報;2005年03期

2 董吉文;楊海英;;活動輪廓模型綜述[J];信息技術(shù)與信息化;2008年05期

3 韓敏;孫楊;;基于改進活動輪廓模型的矢量邊界更新方法[J];工程圖學(xué)學(xué)報;2009年04期

4 夏冉;王國胤;龔勛;任文彬;;基于改進活動輪廓模型的人臉分割[J];廣西師范大學(xué)學(xué)報(自然科學(xué)版);2010年03期

5 馮玉玲;何傳江;李夢;;不用高斯平滑的邊緣活動輪廓模型[J];計算機工程與應(yīng)用;2010年36期

6 顧金庫;蔡茜;郝剛;;基于區(qū)域的活動輪廓模型[J];福建電腦;2010年11期

7 胡正平;楊建秀;;基于稀疏活動輪廓模型的感興趣目標檢測定位算法[J];光學(xué)技術(shù);2011年01期

8 高燕;劉永俊;陳才扣;;基于局部區(qū)域力的活動輪廓模型圖像分割研究[J];計算機仿真;2011年11期

9 陳強;何傳江;;全局和局部擬合的活動輪廓模型[J];計算機工程與應(yīng)用;2011年11期

10 徐海勇;陳軍剛;;一種新的基于局部區(qū)域的活動輪廓模型[J];湖南理工學(xué)院學(xué)報(自然科學(xué)版);2012年01期

相關(guān)會議論文 前4條

1 劉丹;賴志茂;;于活動輪廓模型的邊界快速提取算法[A];教育部中南地區(qū)高等學(xué)校電子電氣基礎(chǔ)課教學(xué)研究會第二十屆學(xué)術(shù)年會會議論文集（下冊）[C];2010年

2 主海文;高松;刁越;劉有軍;;基于改進活動輪廓模型的血管斷層圖像分割[A];中國生物醫(yī)學(xué)工程學(xué)會第六次會員代表大會暨學(xué)術(shù)會議論文摘要匯編[C];2004年

3 王國棟;潘振寬;趙希梅;劉存良;王鈺;;基于圖像分解和活動輪廓模型的紋理分割[A];第十五屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2010年

4 方林;于海洋;李立超;鄒嬌;;基于光照不均勻的車輛提取與恢復(fù)模型[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

相關(guān)博士學(xué)位論文 前10條

1 侍佼;模糊活動輪廓模型在圖像分割與變化檢測中的應(yīng)用[D];西安電子科技大學(xué);2015年

2 江曉亮;基于模糊聚類及活動輪廓模型的圖像分割技術(shù)研究[D];西南交通大學(xué);2016年

3 付斌;基于活動輪廓模型的目標分割與跟蹤的研究[D];哈爾濱工程大學(xué);2006年

4 薛維琴;基于管狀約束活動輪廓模型的血管分割方法研究[D];中國科學(xué)院研究生院（長春光學(xué)精密機械與物理研究所）;2013年

5 陳侃;基于活動輪廓模型的肺結(jié)節(jié)分割方法研究[D];華南理工大學(xué);2013年

6 李強;復(fù)雜內(nèi)容圖像分割的活動輪廓模型研究[D];哈爾濱工程大學(xué);2016年

7 崔華;基于活動輪廓模型的圖像分割方法研究[D];東北大學(xué);2009年

8 高向軍;活動輪廓模型及其在虛擬內(nèi)窺鏡中的應(yīng)用研究[D];華南理工大學(xué);2008年

9 朱國普;基于活動輪廓模型的圖像分割[D];哈爾濱工業(yè)大學(xué);2007年

10 方玲玲;圖像分割的活動輪廓模型研究[D];蘇州大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 鐘輝強;活動輪廓模型外部能量項的研究[D];華南理工大學(xué);2015年

2 官俊;活動輪廓模型在林木圖像分割中的應(yīng)用研究[D];東北林業(yè)大學(xué);2015年

3 苗宗霞;基于活動輪廓模型的醫(yī)學(xué)圖像分割方法研究[D];西南大學(xué);2015年

4 周飛飛;基于活動輪廓模型的圖像分割方法[D];南昌航空大學(xué);2015年

5 曹建伐;顱內(nèi)血管分割算法研究[D];浙江工業(yè)大學(xué);2015年

6 鐘景茹;顱內(nèi)動脈瘤介入治療支架植入圖像仿真優(yōu)化計算方法研究[D];首都醫(yī)科大學(xué);2016年

7 卜祥東;顱腦損傷病灶區(qū)分割研究[D];安徽大學(xué);2016年

8 戚世樂;活動輪廓模型的改進與基于Sobolev梯度的優(yōu)化[D];福州大學(xué);2014年

9 萬志勤;結(jié)合灰度與差分信息的混合活動輪廓模型[D];南昌航空大學(xué);2016年

10 楚瑩瑩;基于區(qū)域信息活動輪廓模型的核磁共振圖像分割研究[D];南京信息工程大學(xué);2016年

，

本文編號：1895569