论文部分内容阅读
在图像分割领域,结合水平集理论的图像分割模型相关研究成果层出不穷,该理论以图像区域信息作为研究点,具有计算简单、轮廓线拓扑结构平滑、信息包容性等优点,近年来,受到了国内外图像领域学者们的广泛关注。水平集理论将低维曲线映射到高维泛函,通过高维函数的变化来演化曲线。利用偏微分方程的求解代替原来的轮廓线求参,有效克服了参数计算复杂等问题。基于水平集理论的图像分割模型主要分为结合图像全局信息的分割模型和结合图像局部信息的分割模型。结合图像全局信息的分割模型以经典的Chan-Vese（以下简称,CV）模型为主,该模型计算简单,具有抗噪声的特点,但CV模型及相关模型容易受到灰度不均匀因素的影响,导致图像分割不准确。结合图像局部信息的图像分割模型以Region-scalable Fitting（以下简称,RSF）分割模型为主,该模型有效克服了灰度不均匀因素对分割结果的影响。但对初始轮廓线敏感,选取不当的初始轮廓线会造成分割不准确。本文针对上述问题展开研究,为了有效克服图像分割模型对初始轮廓线的敏感问题,引入聚类算法对图像像素进行划分,确定分割初始轮廓线。为了能够将初始区域的灰度信息融入到能量函数中,将初始目标区域以及背景区域的灰度均值引入到模型中构造出新的能量项,优化传统的Chan-Vese水平集模型。为了有效降低噪声以及图像灰度不均匀因素带来的影响,充分考虑图像全局信息以及图像局部信息将Chan-Vese模型和Region-scalable Fitting模型结合构造出新的能量函数,通过自适应参数动态调整两个能量项在曲线演化过程中的比重。主要工作如下:（1）提出基于高斯混合模型和CV水平集理论的图像分割模型（GMMCV模型）。针对基于水平集理论的图像分割模型对初始轮廓线敏感问题,采用高斯混合模型对图像像素进行划分,像素划分后的图像区域分为初始目标区域和初始背景区域,两个区域的分界线即为初始轮廓线;为了能将确定的初始目标区域以及初始背景区域的灰度值信息融入到分割模型中,统计初始目标区域以及背景区域的灰度值,对两个区域的灰度值分别求均值作为图像先验信息构造出新的能量项融入能量函数中,新的能量项随着曲线演化不断调整灰度均值,与传统CV能量项共同推动曲线演化至真实目标区域。GMMCV模型与其它相关模型在BSDS500数据集上进行对比实验,实验结果显示,GMMCV模型能够有效克服初始轮廓线敏感问题,提高模型的分割精度。（2）提出基于K-Means聚类算法、RSF和CV水平集理论的自适应RSF-CV模型。为了有效降低噪声因素、灰度不均匀因素对图像分割的影响,引入K-Means聚类算法对图像像素进行划分,得到初始目标区域以及背景区域,确定初始轮廓线,为了将初始背景区域以及初始目标区域的灰度值均值融入分割模型中,将K-Means聚类算法得到的簇中心作为初始灰度均值引入模型;针对灰度不均匀因素引起的分割不准确问题,将Chan-Vese模型与Region-scalable Fitting模型结合构建新的能量函数,两个能量项赋予不同的权重系数。权重系数的调整借鉴LBP算法思想,计算像素点的灰度与周围像素点的灰度差值μ={μ1,μ2,μ3...}并计算出目标区域和背景区域灰度均值的差值△μ,统计μ中元素大于△μ的比例,通过比例的大小动态调整权重系数,充分发挥两个能量项各自的优势。自适应RSF-CV图像分割模型与其它相关模型在自然场景数据集BSDS500、加入噪声的BSDS500、核磁共振血管图以及灰度不均匀图像进行对比实验,实验结果表明,自适应RSF-CV模型能够有效抗躁,有效克服灰度不均匀造成的影响,提高模型的分割精度。