论文部分内容阅读
图像分割是图像测量、识别和分析等研究的基础,它将感兴趣区域从图像中分离出来,便于对其作进一步处理。基于工业CT图像的裂纹检测,首先要将CT图像中的裂纹区域分割出来,以便下一步对裂纹进行测量和分析。分割的准确性直接影响下一步工作的有效性,因而具有重要的意义。新近发展起来的C-V模型是一种基于偏微分方程理论的图像分割模型。它将水平集应用到图像分割中,利用由零水平集函数曲线决定的内能和由图像数据决定的外能,使零水平集函数曲线最终停止在目标区域的边界位置。因而C-V模型具有其它传统图像分割方法不具备的许多优点:它可以自动适应目标几何结构的拓扑变化,获得连续边缘。但是利用C-V模型分割图像时,局部边缘往往定位不够精确。Facet模型是一种精度高、抗噪性强的曲面拟合边缘检测方法,已广泛应用于图像分割中,但所得的边缘往往是不连续的。本文的研究内容主要包含下面三个部分:(1)研究了C-V模型和Facet模型,并将其分别应用于二维CT图像的裂纹边缘检测。(2)结合C-V模型和Facet模型的优缺点,研究了一种综合的二维裂纹检测方法:先利用C-V模型得到图像中裂纹边缘点的坐标,再在这些裂纹边缘点的周围利用Facet模型进行边缘检测,最后结合两次检测的结果,得到连续、封闭和高精度的边缘。(3)研究了可以直接对三维体数据进行边缘检测的三维C-V模型。作为二维C-V模型的推广,它避免了原先需对三维体数据进行降维的缺点。实验结果表明,三维C-V模型可以较好地检测出三维裂纹体,为后面进行裂纹应力分析打下基础。