论文部分内容阅读
基于组相似的活动轮廓模型(Active Contours With Group Similarity,ACGS)在C-V模型的基础上结合了矩阵的低秩约束条件,能较好地分割目标特征缺失或错误的同质相似图像组,但对于灰度不均的相似图像组分割效果较差。本文主要围绕ACGS模型存在的问题展开分析和研究,并提出相应的改进模型,以期望达到更好的分割效果。一方面,为了改善ACGS模型对于灰度不均的相似图像组分割效果较差的问题,本文引入基于LBF模型的双重轮廓演化曲线模型来代替ACGS模型中的C-V模型;另一方面,为了克服上述改进模型对于灰度变化缓慢的不均匀相似图像组分割效果较好,但对于灰度变化剧烈的不均匀图像组分割效果较差的缺点,本文通过设置权重参数,将该模型与InH__ACM模型中局部灰度不均的一致性能量泛函相结合,以引入像素不均匀性因素(PIF)来大致判定像素点是否属于灰度变化剧烈的不均匀区域。本文的具体工作如下:(1)提出基于双重轮廓演化曲线的相似图像组分割模型。针对ACGS模型对于灰度不均的相似图像组分割效果较差这一问题,本文引入基于LBF模型的双重轮廓演化曲线模型来取代ACGS模型中的C-V模型。改进后的新模型首先保留了 ACGS模型中的低秩约束条件来保持图像间的相似性,同时结合LBF模型来分割灰度不均的图像,最后利用两条轮廓曲线在演化过程中的相互作用来克服LBF模型对初始轮廓敏感的问题。实验结果表明,与C-V模型、LBF模型、ACGS模型以及双重轮廓演化曲线模型相比,改进后的模型对于灰度不均的相似图像组的分割效果最好。(2)提出结合低秩约束和像素不均匀性因素的双轮廓曲线模型。为了解决基于双重轮廓演化曲线的相似图像组分割模型对于灰度变化剧烈的不均匀相似图像组分割效果较差的问题,本文通过设置权重参数,将该模型与InH__ACM模型中局部灰度不均的一致性能量泛函相结合,从而引入有利于分割纹理灰度图像的像素不均匀性因素(PIF),以改善基于双重轮廓演化曲线的相似图像组分割模型对于灰度变化剧烈的不均匀相似图像组的分割效果。实验结果表明,与基于双重轮廓演化曲线的相似图像组分割模型、InH_ACM模型、以及InH_ACGS模型相比,改进后的模型对于既包含灰度变化缓慢的图像,又包含灰度变化剧烈的图像的不均匀相似图像组的分割效果最好。