圖像分割是圖像分析的重要組成部分,也是計(jì)算機(jī)視覺中的一項(xiàng)重要任務(wù),可以將目標(biāo)從背景中分離出來,為后期圖像處理提供技術(shù)支撐,如故障識(shí)別、目標(biāo)識(shí)別、變化檢測(cè)、區(qū)域定位等。圖像分割在計(jì)算機(jī)視覺中具有重要意義。其中主動(dòng)輪廓模型由于能夠提供平滑、封閉的邊界輪廓作為分割結(jié)果而得到了廣泛的應(yīng)用。然而,當(dāng)試圖對(duì)噪聲較大的圖像進(jìn)行分割時(shí),圖像容易受到污染,分割效果較差。現(xiàn)有的方法在計(jì)算能量函數(shù)時(shí)假定每個(gè)區(qū)域的像素是獨(dú)立的。這一基本假設(shè)使輪廓運(yùn)動(dòng)對(duì)噪聲敏感。此外,層次集方法的實(shí)現(xiàn)復(fù)雜且耗時(shí),限制了其在大型圖像數(shù)據(jù)庫中的應(yīng)用。目前的水平集方法大多是在全圖像域上進(jìn)行計(jì)算;然而,對(duì)遠(yuǎn)離演化輪廓的像素點(diǎn)進(jìn)行計(jì)算對(duì)于獲取目標(biāo)邊界沒有意義,導(dǎo)致計(jì)算復(fù)雜度增加。因此,本文提出了一種基于混合能量和Fisher準(zhǔn)則的無監(jiān)督主動(dòng)輪廓模型用于圖像分割。為了實(shí)現(xiàn)圖像分割的準(zhǔn)確高效,對(duì)局部區(qū)域信息進(jìn)行了變換,并引入了基于全局區(qū)域信息和局部信息的主動(dòng)輪廓模型的Fisher準(zhǔn)則。這種方式對(duì)主動(dòng)輪廓模型進(jìn)行了優(yōu)化。此外,將目標(biāo)區(qū)域和背景區(qū)域像素的類內(nèi)方差作為目標(biāo)區(qū)域和背景區(qū)域的能量權(quán)重,可以自適應(yīng)調(diào)整區(qū)域能量的比例,提高模型的分割精度。... 

【文章來源】：沈陽師范大學(xué)遼寧省

【文章頁數(shù)】：57 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖３．３在灰度圖像／中通過邊緣附近的曲線??Ｔ廓和邊之未對(duì)的可

?一種棊于無監(jiān)督主動(dòng)輪廓樓型的圖像分割研究???Ｏｔｈ?Ｉｔｅｒａｔｉｏｎ?２ｔｈ?Ｉｔｅｒａｔｉｏｎ?３ｔｈ?Ｉｔｅｒａｔｉｏｎ?４ｔｈ?Ｉｔｅｒａｔｉｏｎ??５ｔｈ?Ｉｔｅｒａｔｉｏｎ??＇?（ｂ）?ｉ??圖５．３不同方法分割結(jié)果??實(shí)驗(yàn)的目的是驗(yàn)證該模型在噪聲環(huán)境下對(duì)圖像分割的魯棒性，在裔斯噪聲、椒鹽噪聲??和散斑噪聲等不＿水平的噪聲圍像上，與現(xiàn)有的ＡＣＭｓ進(jìn)行了比較。一般來說，寫實(shí)世??界的圖像是由被上述一種或多種噪聲破壞的千凈圖像組成的。圖５．４為三種不同類型噪聲??下的分割結(jié)果。在圖５．４的第一行中，４幅圖像分別代表千凈圖像，方差為０．０５的高斯噪??聲，密度為０．０３的椒鹽噪聲和密度為０．０５的椒鹽噪聲。因此，準(zhǔn)確地從這些具有嚴(yán)重噪??聲的圖像中提取出需要的目標(biāo)是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。從第二行到第七行，最后的停止??邊界分別用?Ｃ－Ｖ?模型、ＡＣＭ間、０ＲＡＣＭＮＭ０＿、ＯＲＡＣＭＷＭＯ［５４１、ＡＣＭ－ＨＭ［５５１和所??提出的模型表示ｔ值得注意的是，只有本文提出的模型才能準(zhǔn)確地提取出四幅圖像中所有??的目標(biāo)。由于Ｃ－Ｖ模型的非凸能量函數(shù)使得分割結(jié)果陷入＿部極小值，＿此其分割效果??最差，這些模型除了?Ｃ－Ｖ模型外，都能準(zhǔn)確地從千凈的圖像中檢測(cè)出目標(biāo)。ＡＣＭ不能分??割出有噪聲的圖像，因?yàn)樗僭O(shè)給定的圖像是均勻的，而０ＲＡＣＭＮＭ０和０ＲＡＣＭＷＭ０??都不能準(zhǔn)確地從兩幅有噪聲的圖像中提取出自標(biāo)。值得注意的是，ＡＣＭ－ＨＭ可以降低噪??聲的影響，但由于它使用了二階導(dǎo)數(shù)，只能提取最亮的區(qū)域�？傊岢龅哪Ｐ涂梢詫�(shí)現(xiàn)??更好的分割性能。??ＥａａｃｓｓａＥ＾ａｎＥａ??３?Ｓ！?ＳＫ?

?一種棊于無監(jiān)督主動(dòng)輪廓樓型的圖像分割研究???＾ｎｉｎｎ＾ｕｍｍ??■■國(guó)國(guó)??（ｆ）?（ｇ）?（ｈ）?（ｉ）?ＣＤ??圖５．６使用不同ＡＣＭｓ的醫(yī)學(xué)圖像分割結(jié)果??ａ）是具有初始曲線的輸入圖像；ｂ）Ｃ－Ｖ；?ｃ）ＳＢＧＦＲＬＳ的ＡＣＭ；?ｄ）ＬＢＦ；?ｅ）ＡＣＭ－ＨＭ；??ｆ）ＬＩＦ；?ｇ）ＯＲＡＣＭＮＭＯ；?ｈ）ＯＲＡＣＭＷＭＯ；?ｉ）ＧＬＷ－ＳＰＦ；?ｊ）提出的方法９??接下來的實(shí)驗(yàn)驗(yàn)證了分割結(jié)果對(duì)初始曲線是否敏感。圖５．７展示了使用該模型對(duì)不同??初始形狀的同一圖像進(jìn)行分的結(jié)果。在第一列，四個(gè)不同位置的初始曲線分別對(duì)應(yīng)一個(gè)??大矩形、一個(gè)小矩形、一個(gè)五邊形和一個(gè)三角形。從第二列到第四列，分別顯示了曲線在??５次、１０次和１５次迭代中的停止位置》最后的停止位置顯示在第五列。從結(jié)果中可以看??出，物體可以被分割成相似的、具有不同初始曲線的分割區(qū)域９從以上結(jié)果可以看出，本??文提出的算法能夠達(dá)到預(yù)期的分割效果。總之，該模型與初始曲線無關(guān)。??■■■畫??圖５．７不同扨始曲線的圖像分割結(jié)果??第一列是不同形狀的初始輪廓；從第二列到第四列分別在５次、１０次、１５次迭代中??３７??


本文編號(hào)：3322980