论文部分内容阅读
图像分割是连接低、高层次计算机视觉的图像处理的重要任务。图像分割是将图像分割成若干独特的子区域,使之成为图像处理应用程序的预处理步骤。由于图像的特征伪影（例如低对比度、噪声和强度变化或不均匀性）,图像分割仍然是最需要解决的问题。主动轮廓模型（Active Contour Model,ACM）是图像分割中用于目标检测的一种基于能量的方法。本论文中,我们设计了四个主动轮廓模型来分割不同类型的图像,这些图像具有低对比度、模糊边界、复杂的背景和强度变化或不均匀性。本文的主要贡献总结如下。（1）我们提出了一个新的 SPF 函数（Signed Pressure Force,SPF）:HTSPF 函数（Hyperbolic Trigonometric Signed Pressure Force,HTSP）,它可以在弱边界和模糊边界的情况下检测出不同强度的感兴趣区域。我们的HTSPF函数利用图像的谐波平均强度,从而有效地分割低对比度、均匀强度图像。基于该HTSPF函数,我们提出了一种基于区域的全局主动轮廓模型,将该HTSPF函数集成到ACMAM模型（Active Contour Model using Arithmetic Mean,ACMAM）的层次集框架中。这样,在我们设计的HTSPF函数中利用谐波平均强度提高了 ACMAM模型的能力,从而提高了均匀强度图像分割的效率和效果。在真实图像、合成图像和医学图像的实验结果证实,我们提出的改进全局主动轮廓模型比其他相关模型更快速、能够更有效地分割具有不同强度、模糊边界、低对比度,并且包含多个物体的均匀强度图像。（2）我们设计了一个混合主动轮廓模型,记为HMG,以改善具有低对比度、模糊边缘和具有不同分布的多个物体的超声图像的分割。我们的混合主动轮廓模型使用基于边缘的 DRLSE 模型（Distance Regularized Level Set Evolution,DRLSE）水平集框架,并用基于全局谐波平均值的HSPF函数替换其区域信息。在DRLSE模型的框架中,图像的全局调和平均强度的整合通过保持所需对象强度与其背景之间的细微差异,提供了稳健有效的分割结果。通过对合成图像、噪声图像和医学图像的测试来证明该模型的正确性、有效性和鲁棒性。实验结果表明,与其他相关模型相比,本文提出的混合主动轮廓模型更有效、快速、准确。（3）我们设计了一个新的混合主动轮廓模型,记作“全局、局部偏差校正主动轮廓模型”（Global,Local Bias-corrected ACM,GLBACM）,以应对各种类型图像中的噪声、复杂背景和强度变化或不均匀性等问题。我们设计的模型受全局和局部偏差拟合能量的启发,其能量函数由全局拟合图像（Global Fitted Image,GFI）和局部偏差拟合图像（Local Bias-fitted Image,LBI）组成。由于GFI的引入,轮廓在平滑强度区域上的发展速度加快,而LBI通过保留精细的局部细节和偏差校正,有助于对强度不均匀的物体进行分割。在梯度下降法最小化该能量函数的过程中,用新的“全局双曲三角有符号压力”函数（Global Hyperbolic Trigonometric Signed Pressure Force,GHTSPF）代替全局图像差,用新的“局部双曲三角有符号压力”函数（Local Hyperbolic Trigonometric Signed Pressure Force,LHTSPF）代替局部图像差。我们的GHTSPF函数是利用GFI和观测图像之间的差异来设计的,这种差异导致模糊和弱边界对象的分割,同时增加了算法的收敛速度。相比之下,我们的LHTSPF函数是利用LBI和观测图像之间的差异来设计的,这使得它能够在存在噪声和强度不均匀的情况下对复杂物体进行分割。对噪声和强度变化或不均匀性的医学、合成和自然图像的实验结果表明,设计的GLBACM优于相关的分割模型。（4）我们提出了一种新的混合主动轮廓模型,称为“基于全局局部谐波平均值的主动轮廓模型”（Global-Local Harmonic Mean based ACM,GLHMACM）,可以提高图像分割的收敛速度和精度。我们的GLHMACM模型通过在基于边缘的能量函数中使用改进的SPF函数来改进ACMAM模型的框架。提出了一种基于全局局部谐波平均拟合图像的改进SPF函数“GLHMACMSPF”。我们的全局局部谐波平均拟合图像综合了图像的全局谐波平均强度和局部平均强度。这样,通过将本地和全局区域图像细节合并到我们的GLHMACM模型中,ACMAM模型的能力得到了提高。对合成图像、噪声图像和医学图像的实验结果表明,所设计的GLHMACM模型具有计算简单、收敛速度快、分割效果好等优点。此外,与其他相关主动轮廓模型相比,所设计的 GLHMACM模型对初始曲线位置和噪声的影响较小。