發(fā)布時間：2023-02-08 19:09

　　在圖像分割領域,結合水平集理論的圖像分割模型相關研究成果層出不窮,該理論以圖像區(qū)域信息作為研究點,具有計算簡單、輪廓線拓撲結構平滑、信息包容性等優(yōu)點,近年來,受到了國內外圖像領域學者們的廣泛關注。水平集理論將低維曲線映射到高維泛函,通過高維函數的變化來演化曲線。利用偏微分方程的求解代替原來的輪廓線求參,有效克服了參數計算復雜等問題�；谒郊碚摰膱D像分割模型主要分為結合圖像全局信息的分割模型和結合圖像局部信息的分割模型。結合圖像全局信息的分割模型以經典的Chan-Vese(以下簡稱,CV)模型為主,該模型計算簡單,具有抗噪聲的特點,但CV模型及相關模型容易受到灰度不均勻因素的影響,導致圖像分割不準確。結合圖像局部信息的圖像分割模型以Region-scalable Fitting(以下簡稱,RSF)分割模型為主,該模型有效克服了灰度不均勻因素對分割結果的影響。但對初始輪廓線敏感,選取不當的初始輪廓線會造成分割不準確。本文針對上述問題展開研究,為了有效克服圖像分割模型對初始輪廓線的敏感問題,引入聚類算法對圖像像素進行劃分,確定分割初始輪廓線。為了能夠將初始區(qū)域的灰度信息融入到能量函數中,...

【文章頁數】：66 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 國內外研究現狀
        1.2.1 基于閾值的分割方法
        1.2.2 基于邊緣檢測的分割方法
        1.2.3 基于區(qū)域的分割方法
        1.2.4 基于多學科交叉的分割方法
        1.2.5 基于主動輪廓模型的圖像分割方法
    1.3 主要工作
    1.4 論文結構
第2章 相關理論及技術
    2.1 曲線演化
    2.2 水平集理論
        2.2.1 方法介紹
        2.2.2 函數求解
    2.3 經典的水平集活動輪廓模型
        2.3.1 Mumford-Shah模型
        2.3.2 Chan-Vese模型
        2.3.3 RSF模型
    2.4 其它相關算法
        2.4.1 高斯混合模型
        2.4.2 K-Means聚類算法
        2.4.3 LBP算法
    2.5 本章小結
第3章 基于高斯混合模型與CV水平集的圖像分割模型
    3.1 模型框架
    3.2 初始區(qū)域劃分
    3.3 圖像灰度化
    3.4 曲線演化
        3.4.1 初始輪廓線確定
        3.4.2 結合區(qū)域平均灰度值的CV模型
        3.4.3 能量泛函求解
    3.5 算法流程
    3.6 實驗
        3.6.1 實驗環(huán)境和實驗數據
        3.6.2 評價指標
        3.6.3 實驗內容
        3.6.4 實驗結果
    3.7 本章小結
第4章 自適應RSF-CV圖像分割模型
    4.1 模型框架
    4.2 圖像灰度化
    4.3 初始區(qū)域劃分
    4.4 曲線演化
        4.4.1 初始輪廓線
        4.4.2 能量函數介紹
        4.4.3 自適應動態(tài)調參
        4.4.4 能量泛函求解
    4.5 算法流程
    4.6 實驗
        4.6.1 實驗環(huán)境與實驗數據
        4.6.2 評價指標
        4.6.3 實驗一:對比實驗
        4.6.4 實驗二:噪聲圖像與灰度不均勻圖像對比實驗
    4.7 本章小結
第5章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
攻讀碩士期間發(fā)表論文及科研工作



本文編號：3738216