论文部分内容阅读
作为数字图像处理的重要组成部分,图像分割一直受到不少国内外学者们的关注。一方面,特定类的图像往往存在丰富的信息,通过相机等设备获得的图片可能受到污染,光线不均匀的影响,人工对其进行分割非常困难,这是图像分割难的问题之一;另一方面,由于现存的图像方法具有针对性,没有统一方法,所以分割结果出现了分割时间慢,分割不准确等诸多的问题,这也是图像分割发展慢的因素之一。水平集方法由于其容易形成拓扑变化,稳定性好,并且以严谨的数学理论作为支撑,使得其在图像分割中得到的广泛的应用。利用水平集的优缺点,结合其他理论,本文以提高分割的稳定性和减少时间复杂性为目的,在不同背景下基于水平集方法提出了不同的算法,对基于水平集的分割方法进行了研究,主要的内容和创新点如下:1.针对含有噪声图像难分割的问题,本文提出一种基于区域信息的水平集噪声图像分割算法。该模型首先把基于LCK模型(Local Correntropy based K-Means)的核函数进行改进,根据图像的梯度信息构造基于局部信息的速度函数,在进行演化曲线时先把图像中含有的一些噪声点过滤掉,然后结合局部拟合LIF(Local Image Fitting)模型得到最终模型。最后针对含有噪声图像进行分割,该模型与LCK模型,LIF模型相比,分割准确性要远远高于LCK模型和LIF模型的分割准确性。2.针对含有弱边界图像过分割的问题,本文提出一种基于偏场的水平集图像快速分割算法。该模型首先用偏场理论模拟原始图像,然后把距离正规化(Regularized Level Set Evolution,DRLSE)模型中的速度函数进行改进,减少演化时间,然后将图像的局部统计信息结合到全局信息CV(Chan-Vese)方法中。最后结合图像的CV模型和图像DRLSE模型而建立新的能量函数,把新的能量函数嵌入到水平集框架中,得到最终改进的分割模型--PBCV(Proposed Bias Chan Vese)模型。改进速度函数减少时间的演化,偏场理论纠正了图像的偏差信息,进一步模拟原始图像。PBCV模型不仅能加快轮廓曲线的收敛速度,而且可以处理那些灰度不均匀或者模糊的图像。最后对合成图像和真实图像进行分割,PBCV模型不仅比其它模型的分割效果较好,而且分割精度和分割速度也远远高于其他几种模型。3.针对含有复杂背景对图像分割的干扰问题,本文提出一种基于显著性区域检测和水平集的图像快速分割算法。该模型提出了一种新的能量函数,首先根据元胞自动机显著性模型来选择图像的最佳显著性区域,这有助于生成图像的初始边界曲线。然后使用DRLSE模型和局部拟合信息构造新的能量函数指导曲线的演化。最后,图像分割由改进的水平集模型完成。针对背景复杂的图像做实验。实验结果表明,改进的模型对图像分割所需的平均时间大大减少。与DRLSE模型相比,本文提出的算法不仅收敛时间更短,而且分割的准确度更高。