论文部分内容阅读
图像分割是指依据图像中的色彩、纹理等信息以及其所描述的对象的实际含义将图像划分为互不重叠且含有物理意义的区块。由于通过构造能量函数能够融入更多的先验信息，目前，将图像分割问题转化成泛函优化问题已经成为图像分割的主流方法。 传统基于泛函优化的图像分割方法在对前/背景进行建模时，通常采用参数建模法。参数模型主要基于现有已知的一些分布，并使用一组参数来对模型进行描述。利用参数模型来对图像的前景进行建模，主要存在两个缺点：1）从现有分布中选择最佳的一个分布或者分布组合来描述图像前/背景缺乏理论上的指导；2）现有分布是针对无限样本容量的概率密度估计问题的最优解，但是在图像中，无论是前景还是背景，其样本容量都是有限的。为了克服参数模型的这些缺点，本文研究了采用核密度估计法对图像的前/背景进行建模并利用这种模型构造能量函数进行图像分割的思路。 在采用核密度估计法对图像的前/背景进行建模后，本文利用“最大类间差异”的原则构造能量函数，并考虑使用两种方式来实现这一原则。在第一种方式里，能量项的构建依据的是Chan-Vese模型的主体思路，使用区域内每一个像素点的核密度估计与该区域核密度估计的Bhattacharyya距离之和来描述区域的内在差异。第二种方式是直接利用前/背景的Bhattacharyya度量做为能量函数，并通过引入辅助函数的方式将对原目标函数的优化问题变换为对其上界函数的优化问题。 针对构建的能量泛函，本文采用图割算法进行优化。通过大量对自然图像的实验，本文所提出的基于核密度估计的图像分割算法具有较好的分割效果，尤其是针对细长物体以及具有凹陷部位的物体。