论文部分内容阅读
图像分割是图像理解和识别的前提，并作为图像处理的基础环节，一直是图像处理和计算机视觉领域的热点和难点问题。基于水平集图像分割方法，由于其具有自由拓扑变换以及多信息共融性的优点，近年来受到众多学者的关注。但水平集方法仍处于发展阶段，用它来分割灰度不均匀或目标类型多且拓扑关系复杂场景的图像并不理想，其理论和应用有待进一步完善。在此背景下，本论文开展了基于变分水平集图像分割方法的研究，并取得了如下研究成果：提出了基于局部驱动核活动轮廓模型、基于多分辨率多水平集分割方法、基于统计方法区域合并优先多水平集分割方法、多区域图像分割的多层水平集方法等。本文主要研究内容及创新点包括：（1）为解决灰度不均匀现象对医学图像的干扰问题，本文提出了基于局部驱动核活动轮廓（LKAC）模型。通过引入局部图像信息，该模型能有效地分割灰度不均匀图像。在规则化项中增加的能量惩罚项，使得水平集函数在演化过程中保持为近似的符号距离函数。与LIF模型和LBF模型相比，LKAC模型在迭代过程中无需进行卷积操作，极大地提高了计算效率。实验结果进一步证实LKAC模型比LIF模型和LBF模型有更好的分割效果和更快的计算效率，并对轮廓曲线初始条件不敏感。（2）针对多水平集方法中的混分现象，本文提出基于多分辨率多水平集图像分割方法。该方法用N1个水平集函数将图像分割成N (N﹥1)个区域，每个水平集函数表达一个区域，通过建立独立多水平集函数可以消除多余的轮廓，避免分割区域的重叠和漏分。多分辨率技术能防止水平集能量函数陷入局部最小值，缓解遥感图像中噪声等引起的类别错分问题，并能减小计算量。为了避免水平集函数在每次迭代后需重新初始化符号距离函数，增加的能量惩罚项能使水平集函数在演化过程中保持为逼近的符号距离函数。（3）针对多相图像中未知分割区域数问题，本文提出了基于统计方法的区域合并优先的多水平集（MRLSM-RMP-SA）方法。通过在能量项中增加了区域合并优先项，该项能使部分水平集函数在曲线演化过程中消失，从而得到理想的分割区域数。用贝叶斯理论估计整个图像域强度和高斯分布核函数估算图像的先验概率，使得计算简单而有效。通过与多种多水平集方法实验对比，实验结果显示只有MRLSM-RMP-SA方法能使分割区域数达到理想数目，得到较好的分割效果。（4）通过在水平集方法中引入图像层概念，本文提出了一种多区域图像分割的多层水平集方法。与通常所用的多水平集方法不同，通过在单图像层上用双水平集分割方法进行分割图像，当演化曲线满足终止条件时提取目标，然后用前景填充技术将提取的目标用背景区域的灰度均值进行填充，直至水平集演化过程再没有任何目标区域可以分割为止。在整个曲线演化过程中不需要人工干涉，并且具有较低的计算复杂度和更快的收敛速度。