论文部分内容阅读
随着信息技术逐渐深入到人们的日常生活中，图像信息已成为人们获取的信息中的重要部分，并且如何利用、处理图像信息变得越来越重要。图像分割是图像处理领域中重要而基本的问题，有着重大的理论和现实意义。虽然人们提出了各种各样的分割方法，但还是有某些问题有待解决。 基于Mumford-Shah模型的水平集图像分割方法是一种很优秀和重要的基于变形模型的图像分割方法。它依赖的特征是图像里同质区域的全局信息，所以对于一般的图像，它具有分割快速、准确的优点。但是在实验中发现，对于人脑的MRI(核磁共振成像)等类似图像，以往的基于Mumford-Shah模型的水平集方法却不能分割。 另外，在传统的水平集方法中，必须要进行复杂的水平集的重新初始化以确保水平集函数在迭代过程中保持为符号距离函数SDF，从而确保可得到一个有效的结果。但是为了保持为SDF，通常时间步长都选择得很小，这导致了整个演化过程浪费了很多时间，尤其在大幅图像上。 本文对基于Mumford-Shah模型的、传统的水平集分割方法，引入无需重新初始化的水平集加以改进。新方法除了保持Mumford-Shah模型的传统水平集方法的全局优化的优点外，还加速了演化，另外解决了传统方法对人脑的MRI(核磁共振成像)等类似图像不能分割的问题。实验结果表明，改进后的算法，对于大多数图像，只需不到10次的迭代就可以得到理想的分割效果。在对合成图像、生物和医学图像等的分割都表现出了鲁棒、快速的特点。