本文選題：核函數(shù) + 圖像分割　； 參考：《計(jì)算機(jī)應(yīng)用研究》2017年05期

【摘要】：針對C-V模型不能準(zhǔn)確分割非同質(zhì)和高噪聲的圖像,且計(jì)算效率比較低的特點(diǎn),作出如下改進(jìn):對于區(qū)域中的每一點(diǎn),利用該點(diǎn)所在區(qū)域的平均灰度值和其鄰域內(nèi)其他點(diǎn)的灰度值的核函數(shù)度量定義局部能量項(xiàng),然后對圖像域上所有點(diǎn)的局部能量進(jìn)行積分定義全局能量項(xiàng),由于局部信息和核函數(shù)的引入使得區(qū)域均值的更新具有較強(qiáng)的抗噪能力,提高分割魯棒性;然后將該模型轉(zhuǎn)換為全局凸分割模型,同時(shí)引入邊界邊緣檢測函數(shù)加權(quán)的總變差范數(shù)(total variation,TV)更加準(zhǔn)確地獲取目標(biāo)的邊界位置,以提高模型的分割精度;最后,使用split Bregman迭代進(jìn)行數(shù)值求解。實(shí)驗(yàn)結(jié)果表明,該模型能夠有效地分割非同質(zhì)和高噪聲圖像,與C-V、RSF和DRLSE模型相比,在運(yùn)行速度和分割精度上有了很大的提升。
[Abstract]:In view of the fact that the C-V model can not accurately segment non-homogeneous and high-noise images, and the computational efficiency is low, the following improvements are made: for each point in the region, The local energy term is defined by using the kernel function metric of the average gray value of the region in which the point is located and the gray value of the other points in the neighborhood. Then the global energy term is defined by integrating the local energy of all points in the image domain. Because of the introduction of local information and kernel function, the region mean updating has strong anti-noise ability and improves the segmentation robustness, and then the model is transformed into a global convex segmentation model. At the same time, the total variation norm weighted by the boundary edge detection function is introduced to obtain the boundary position of the target more accurately, so as to improve the segmentation accuracy of the model. Finally, the split Bregman iteration is used to solve the problem. The experimental results show that the proposed model can effectively segment heterogeneous and high-noise images. Compared with C-V RSF and DRLSE models, the speed and segmentation accuracy of the proposed model are greatly improved.
【作者單位】： 太原理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61472270,61402318)
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 詹天明;肖亮;張軍;韋志輝;;基于時(shí)空連續(xù)約束的4D腦圖像分割模型[J];電子學(xué)報(bào);2013年08期

2 董建磊;郝礦榮;李允明;丁永生;;一種新的知覺分割模型[J];計(jì)算機(jī)應(yīng)用研究;2007年04期

3 喻罡;李鵬;繆亞林;卞正中;;多分辨超聲心動(dòng)圖像分割模型[J];西安交通大學(xué)學(xué)報(bào);2006年04期

4 孫曉歡;楊豐;趙祺陽;;改進(jìn)的分級多相圖像分割模型及其快速實(shí)現(xiàn)[J];數(shù)據(jù)采集與處理;2010年01期

5 俞璐;謝鈞;吳樂南;;格點(diǎn)上的一種統(tǒng)計(jì)分割模型(英文)[J];Journal of Southeast University(English Edition);2008年01期

6 王海軍;張圣燕;;融合局部和全局信息的兩相腦圖分割模型[J];濱州學(xué)院學(xué)報(bào);2013年06期

7 吳繼明;龐雄文;;一種具有去噪能力的全局最小值分割模型[J];計(jì)算機(jī)工程;2012年07期

8 趙在新;成禮智;;模糊分段光滑圖像分割模型及其快速算法[J];光電子.激光;2011年06期

9 楊曉藝;王小歡;宋錦萍;;連續(xù)最大流圖像分割模型及算法[J];中國圖象圖形學(xué)報(bào);2013年11期

10 賴軍臣;湯秀娟;謝瑞芝;白中英;李少昆;;基于G-MRF模型的玉米葉斑病害圖像的分割[J];中國農(nóng)業(yè)科學(xué);2010年07期

相關(guān)會(huì)議論文 前4條

1 徐濤;;時(shí)間序列優(yōu)化分割模型和提取算法[A];2006中國控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

2 葉娜;鄭妍;朱靖波;張斌;;基于二維動(dòng)態(tài)規(guī)劃的文本分割模型[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集[C];2007年

3 葉娜;羅海濤;鄭妍;朱靖波;張斌;;基于改進(jìn)型Dotplotting的文本分割模型[A];中文信息處理前沿進(jìn)展——中國中文信息學(xué)會(huì)二十五周年學(xué)術(shù)會(huì)議論文集[C];2006年

4 全剛;徐鐘;孫即祥;;一種改進(jìn)的C-V圖像分割模型[A];第十四屆全國信號處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

相關(guān)博士學(xué)位論文 前4條

1 張秀君;顯著性目標(biāo)分割模型及其應(yīng)用[D];深圳大學(xué);2016年

2 原野;偏微分方程圖像分割模型研究[D];重慶大學(xué);2012年

3 葛琦;基于局部統(tǒng)計(jì)和結(jié)構(gòu)的活動(dòng)輪廓分割模型[D];南京理工大學(xué);2013年

4 章菲倩;數(shù)字幾何模型聯(lián)合分割方法研究[D];南京大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 李春;基于Chan-Vese圖像分割模型的研究與應(yīng)用[D];中央民族大學(xué);2015年

2 林靜;PDE分割模型中的局部窗口動(dòng)態(tài)調(diào)整及Bregman實(shí)現(xiàn)[D];福州大學(xué);2014年

3 龔海晏;基于Ambrosio-Tortorelli圖像分割模型的研究與應(yīng)用[D];安徽工業(yè)大學(xué);2016年

4 尹溶芳;兩個(gè)變分圖像分割模型的數(shù)值求解[D];重慶大學(xué);2016年

5 王昊;基于位置與形狀建模的視覺媒體語義分割研究[D];南京大學(xué);2014年

6 張娜;基于全局凸分割模型的兩相圖像分割研究[D];青島大學(xué);2010年

7 王小歡;連續(xù)最大流圖像分割模型及其算法[D];河南大學(xué);2013年

8 彭小朋;一種腦MRI圖像的混合分割模型[D];上海交通大學(xué);2010年

9 李祁鳳;多相M-S模型最小圖分割理論與醫(yī)學(xué)應(yīng)用研究[D];湖南大學(xué);2011年

10 劉玉霞;基于PDE、圖割的圖像分割模型及算法[D];河南大學(xué);2009年

，

本文編號：2044228