基于改进主动轮廓模型的图像分割算法
合集下载
基于改进的聚类算法的图像分割技术研究
基于改进的聚类算法的图像分割技术研究摘要：图像分割是图像处理中的重要任务之一，它对于图像的理解和分析具有重要意义。
本文研究了基于改进的聚类算法的图像分割技术。
首先介绍了图像分割的定义和意义，然后详细介绍了常见的聚类算法及其在图像分割中的应用。
基于此，我们提出了基于改进的聚类算法的图像分割方法，并在多个图像数据集上进行了实验验证。
结果表明，我们的方法在准确性和效率上都取得了显著提升，具有实际应用价值。
1. 引言图像分割是将图像划分为具有一定语义的区域或像素集合，是图像处理和计算机视觉中的关键任务。
图像分割可以用于目标检测、图像分析和理解等领域。
传统的图像分割方法主要基于阈值分割和边缘检测，这些方法在一些简单场景下效果较好，但在复杂场景下存在一定的局限性。
近年来，聚类算法被引入到图像分割中，并取得了一定的研究进展。
2. 聚类算法的介绍聚类是一种无监督学习方法，将数据集划分为若干个相似的子集，每个子集称为一个簇。
常见的聚类算法包括K均值算法、层次聚类算法和谱聚类算法等。
这些算法在文本和数据挖掘等领域已经得到广泛应用，并且逐渐在图像领域中引起了研究者的兴趣。
3. 聚类算法在图像分割中的应用聚类算法在图像分割中的应用可以分为基于像素和基于区域的方法。
基于像素的方法将每个像素视为一个数据点，然后使用聚类算法将像素划分到不同的簇中。
基于区域的方法首先将图像划分为相似的区域，然后使用聚类算法进一步合并或分割这些区域。
这些方法都在不同程度上提高了图像分割的准确性和效率。
4. 基于改进的聚类算法的图像分割方法为了提高图像分割的准确性和效率，我们提出了一种基于改进的聚类算法的图像分割方法。
首先，我们使用K均值算法初始化聚类中心，并与传统的K均值算法相比，我们通过引入自适应权重和距离约束来提高其准确性。
然后，我们采用一种改进的层次聚类算法，通过考虑区域的相似性和距离约束来减少误差传播。
最后，我们使用谱聚类算法来进一步优化分割结果，以提高图像的连续性和整体性。
基于改进Swin-Unet_的遥感图像分割方法
ＡＳＰＰ）模块，用于提取不同尺度信息，增大感受野，
提取 更 多 细 节 信 息。其 中，Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ Ｂｌｏｃｋ
可以提取图像特征，Ｐａｔｃｈ Ｍｅｒｇｉｎｇ 操作的主要作用
是下采样，可以将特征图的长宽变为原来的一半，同
时通道数增加为原来的 ２ 倍。解码器部分包括了多
个残差 模块 （ Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ
和 异 物 同 谱 现 象 明 显 ［２］，给 遥 感 图 像 分 割 带 来 了 很大挑战。
近年来，越来越多的学者针对如何提高遥感图 像 分 割 精 度 的 问 题 展 开 了 研 究 ［３］。 阈 值 分 割 算 法 通过选取合适的阈值来实现目标和背景的分离，算 法难度小、实现简单，能够实现图像的快速分割［４］， 但对噪声比较敏感［５］，不适用于复杂场景下的遥感
１ 基于改进 ＳｗｉｎＵｎｅｔ 的遥感图像分割网络
１． １ 网络结构
本文在 ＳｗｉｎＵｎｅｔ 的基础上加以改进来实现遥
感图像分割，改进 ＳｗｉｎＵｎｅｔ 网络结构如图 １ 所示。
改进后的 ＳｗｉｎＵｎｅｔ 网络包括编码器、解码器和跳
跃连接 ３ 个部分。在编码器部分，输入图像先通过
图像分块处理（Ｐａｔｃｈ Ｐａｒｔｉｔｉｏｎ）操作，将输入图像划
基于改进 ＳｗｉｎＵｎｅｔ 的遥感图像分割方法
张 越，王 逊
（江苏科技大学 计算机学院，江苏 镇江 ） ２１２１００
摘 要：针对遥感图像数据本身存在分辨率高、背景复杂和光照不均等特性导致边界分割不连续、目标错分漏分以及
存在孔洞等问题，提出了一种基于改进 ＳｗｉｎＵｎｅｔ 的遥感图像分割方法。在编码器末端引入空洞空间金字塔池化 （Ａｔｒｏｕｓ
ＲｅｓＳｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ
图像处理中的图像分割算法改进方法
图像处理中的图像分割算法改进方法图像分割是图像处理领域中的重要任务，它旨在将一幅图像划分为一组具有相似特征的区域。
对图像进行有效的分割可以提取出感兴趣的目标，并为后续的图像分析和理解提供基础。
然而，由于图像中存在复杂的噪声、背景干扰以及目标形状和大小的差异，图像分割任务一直面临着挑战。
为了进一步提高图像分割的性能，研究人员提出了许多改进方法。
本文将介绍几种常见的图像分割算法改进方法，并讨论它们的原理和优缺点。
一、区域生长算法区域生长算法是一种基于类似区域像素特征的图像分割方法。
该算法从一组种子点出发，逐步生长和合并具有相似特征的像素。
该方法的主要优点是对不同大小、形状和纹理的目标具有较好的适应性。
然而，传统的区域生长算法容易受到噪声和纹理差异的影响，导致分割结果不准确。
为了改进该方法，研究人员提出了以下几种改进方法：1.多特征融合：将像素的多个特征（如颜色、纹理、梯度等）融合起来进行区域生长。
通过融合不同特征，可以减轻单一特征带来的误差，提高分割的准确性。
2.自适应阈值选择：传统的区域生长算法中，阈值通常是手动设置的，无法适应不同图像的特点。
采用自适应的阈值选择方法，可以根据图像的特征动态地选择合适的阈值，从而提高分割的鲁棒性。
3.分层分割策略：将图像分割任务分为多个层次，通过逐层分割和合并来获取更精确的结果。
这种策略可以提高分割的效率和准确性，并适用于大规模图像的处理。
二、基于深度学习的图像分割算法随着深度学习的快速发展，基于深度学习的图像分割算法在近年来取得了巨大的成功。
深度学习模型能够学习到图像的高级特征表示，从而提高分割的准确性和鲁棒性。
以下是几种常见的基于深度学习的图像分割算法：1.卷积神经网络（CNN）：CNN是一种常用于图像分割的深度学习模型。
通过多层卷积和池化操作，CNN可以学习到图像的局部和全局特征，从而实现像素级别的分割。
然而，传统的CNN在处理细节和形状复杂的目标时存在一定的困难，因此研究人员提出了一些改进的网络结构。
基于GVF模型的图像分割方法的改进
中图分类 号 ： Ｐ ９ ． １ Ｔ ３ １４
文献 标识 码 ： Ａ
Ｉ ｐｒ ｖ ｍ ｅ ｔｏ ｍ ａ ｅ ｓ ｇ ｅ ｔ ｔｏ ｂ ｓ ｄ ｏ ＶＦ ｏ ｌ ｍ ｏ ｅ ｎ ｆｉ ｇ ｅ ｍ ｎ ａ ｉｎ ａ ｅ ｎ Ｇ ｍ ｄｅ
ＷＡ Ｇ Ｈ ｉ ｕ ，Ｚ Ａ Ｇ Ｙ ｕｚ ｉ Ｎ ａ－ ｎ Ｈ Ｎ ｏ － ｊ ｈ
维普资讯
第２ ６卷 第 ５期
２０ ０ ６年 ５月
文章编 号 ： ０ — ０ １ ２０ ）５—１４ ０ １ １ ９ ８ （０ ６ ０ ０ ０ ０— ２
计 算机 应 用
Ｃｏ ｕｅ ｐ ｉ ａｉｎ ｍｐ ｔｒＡｐ ｌｃ ｔ ｓ ｏ
Ｖｏ ＿ ６ Ｎｏ ５ ｌ２ ．
克服 了 Ｇ Ｆ模型 难 以解 决的深 凹腔 问题 。 同时 ， 出在 Ｇ Ｆ模 型 中引入 和 设 置方 向 矢量 的算 法 ， Ｖ 提 Ｖ 在 矢量指 定范 围 内能屏 蔽掉 不 需要 的物体 力场 的影 响 ， 而更加 准确地 分割 出感兴趣 的物 体 。 从
关键词 ： 图像 分割 ；ｎ ｋ 模 型 ； Ｖ 模 型 ； 向矢量 Ｓａｅ Ｇ Ｆ 方
ｄｆ ｓ ｎ ｅ ｕ ｔ ｎ ｒ ｏ ｍａｉｅ ，ｗ ｉｈ ｍａ ｅｔ ｅ ｅ ｔ ｒ ａ ｒ ｅ ｒ ｌｖ ｎ ｆｔ ｅｄ ｓａ ｃ ｅｗｅ ｎ ｔ ｅｐ ｉ ｔ ｏ ｅｃ ｎ ｏ ｒ ｉ ｕ ｉ ｑ ａｉ ｓｗｅ ｅ ｎ ｒ ｌ ｚ ｄ ｏ ｏ ｈ ｃ ｄ ｈ ｘｅ ｎ ｆ ｃ ｓｉ ｅ ｅ ａ ｔ ｉｔ ｎ ｅ ｂ ｔ ｅ ｈ ｏ ｎｓ ｆ ｈ ｏ ｔ ｕ ｌ ｏ ｒ ｏ ｈ ｔ
ｄ ｓａ ｃ ｏｅ ｔ … ｉ ｎ ｅ ｐ ｔｎ ｉ ｔ ｌ ａ
、
■
（） ｌ ｏ ｏｃ ｅｄ ｃ Ｂａｌ ｎｆ ｒｅｆ ｌ ｏ ｉ
基于改进测地线轮廓模型的图像分割算法
的演化 速度 。
在对图像分割时 ， 几何化动态轮廓模型能够 自 动 地处 理拓 扑发 生 的 变化 问题 ， 虽 然 很 多 图像 有 多 个 独立 的 目标 同时存 在 ， 此类 模 型不 需 明 确 目标 的 数 目和 位置 ， 同样 也 可 以把 不 同的 目标分 割 出来 ， 并 且 分割 得 到的效 果 很 好 。 即使 这 样 ， 几 何 化 动态 轮 廓模型有很多的缺点 ： 首先是收敛速度较慢 ， 其次是 处 理非 凸 曲线 时容易 出现停 滞不 前 等情况 。测 地线 动态轮廓模型是在几何化动态轮廓模型之后 由 ｃ ａ ． ｓ ｅ ｌ ｌ ｅ ｓ 等 提 出 的 ， 该模 型是在 黎曼 空 间中的测 地线
的基础上 ， 引入 区域 方差概念 ， 加快 了初始轮廓 的演化效果 ； 同时， 在 几何化模 型 的能量 函数 中加入 判别 函数， 进 一步提 高 了 分割速度与 目标背景 区分度 。仿真实验结果表 明， 改进测地轮廓模型较原模 型对 初始轮廓 的放置有很 好的鲁棒 性， 是 一种有
效 的 图像 分 割 算 法 。
烈 的 内部连 续性 ； 再有 就是 结合 连续 性 和不连 续性 。
１ 测地轮廓模型
由Ｃ ａ ｓ ｅ ｌ ｌ ｅ ｓ 等人 提出的几何化动态轮廓模型 的梯 度 流方程 ：
…
－ ／ ２ ＋ ｄ ｉቤተ መጻሕፍቲ ባይዱｖ （
） ］（ １ ）
在 其 中加 入 一 个停 止 函数 后 ， 又提 出了一 个 比 较 相似 的模 型 ， 梯 度流 方程 为 ：
关键词 区域方差
判别 函数
初始 轮廓
鲁棒 性
中图法分类号
Ｔ Ｎ ９ １ １ ． ７ ３ ；
文献标志码
在对图像分割时 ， 几何化动态轮廓模型能够 自 动 地处 理拓 扑发 生 的 变化 问题 ， 虽 然 很 多 图像 有 多 个 独立 的 目标 同时存 在 ， 此类 模 型不 需 明 确 目标 的 数 目和 位置 ， 同样 也 可 以把 不 同的 目标分 割 出来 ， 并 且 分割 得 到的效 果 很 好 。 即使 这 样 ， 几 何 化 动态 轮 廓模型有很多的缺点 ： 首先是收敛速度较慢 ， 其次是 处 理非 凸 曲线 时容易 出现停 滞不 前 等情况 。测 地线 动态轮廓模型是在几何化动态轮廓模型之后 由 ｃ ａ ． ｓ ｅ ｌ ｌ ｅ ｓ 等 提 出 的 ， 该模 型是在 黎曼 空 间中的测 地线
的基础上 ， 引入 区域 方差概念 ， 加快 了初始轮廓 的演化效果 ； 同时， 在 几何化模 型 的能量 函数 中加入 判别 函数， 进 一步提 高 了 分割速度与 目标背景 区分度 。仿真实验结果表 明， 改进测地轮廓模型较原模 型对 初始轮廓 的放置有很 好的鲁棒 性， 是 一种有
效 的 图像 分 割 算 法 。
烈 的 内部连 续性 ； 再有 就是 结合 连续 性 和不连 续性 。
１ 测地轮廓模型
由Ｃ ａ ｓ ｅ ｌ ｌ ｅ ｓ 等人 提出的几何化动态轮廓模型 的梯 度 流方程 ：
…
－ ／ ２ ＋ ｄ ｉቤተ መጻሕፍቲ ባይዱｖ （
） ］（ １ ）
在 其 中加 入 一 个停 止 函数 后 ， 又提 出了一 个 比 较 相似 的模 型 ， 梯 度流 方程 为 ：
关键词 区域方差
判别 函数
初始 轮廓
鲁棒 性
中图法分类号
Ｔ Ｎ ９ １ １ ． ７ ３ ；
文献标志码
基于改进的参数活动轮廓模型的图像分割方法
离势能模 型作为 自适应外 力 ， 能很 好地引导 Ｓ ＫＥ逼近真 实边界 而不依赖 于特定 的初始 轮廓 的位 置。实验 结果 ＮＡ 表明 ： 该算法快速 有效 ， 能在更大的范 围内捕 捉图像特征 ， 是一 种有效的图像 分割 的算 法。
关
键
词： 医学 图像 分割 ； 参数 活动轮 廓模型 ；Ｎ Ｅ； 离势能 Ｓ ＡＫ 距
文章 编 号 ：Ｉ７ ．７ ２ ２ ０ ）２０ ７０ ６ １１ ４ （０ ８ ０ ． １ ．４ １
基 于 改 进 的 参 数 活 动 轮 廓 模 型 的 图像 分 割 方 法
张程 睿 ， 余艳梅 ， 罗代 升 ， 叶 波 ， 谢勤彬
（ 川 大学 电子信 息 学院 图像 信 息研 究所 ， 川 成 都 ６０ ６ ） 四 四 １０４
疾 病 的诊 断 和治疗 有 重 要意 义 。
活动轮廓模型是近年来发展起来的一种新的图像分割方法并被广泛应用于医学图像分割中。活动轮廓分为 参数活动轮廓模型以及几何活动轮廓模 型。几何活动轮廓模型基于曲线演化理论 和水平集方法ｌ 。参数活动 【 ｌ
轮廓模型也称 Ｓ ａｅ ｎｋ 模型 ， 是基于最小能量函数理论的一种图像分割方法 。该模型在变形过程 中以显式参数的 形式表达轮廓 曲线 ， 该表达形式允许与模型直接交互 ， 有利于快速实时实现。 自 Ｋ ｓ 等人提 出 Ｓ ａｅ ａ ｓ ｎｋ 模型 Ｊ 以 来， 越来越多的改进方法被提 出。传统 Ｓ ａｅ ｎｋ 模型对初始位置很 敏感 ， 须给定在图像边缘附近 ， 必 否则很可能收 敛到局部能量极小点【 ３。为了扩大传统活动轮廓模 型对于图像边缘的捕获范 围，ｏ ｅ 等人提 出了气球模型 。 ３ ｊ Ｃ ｈｎ Ｊ Ｘ 和 Ｐｉ ｅ 出了梯度矢量流（ ｒ ｉ ｔ ｃ ｒ ｌ Ｇ Ｆ ［来代替模型中的图像 力量 ， ｕ ｒ ｃ提 ｎ Ｇａ ｅ ｔ ｏ ｄ ｎ Ｖｅ ｏ Ｆ ｗ， Ｖ ） ５ Ｊ 在迭代计算 Ｓ ａｅ ｎｋ 前
基于主动轮廓模型的玉米种子高光谱图像分类
摘要 ： 提 出将 主 动 轮 廓 模 型 （ Ａｃ ｔ ｉ ｖ ｅ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｍｏ ｄ ｅ ｌ ， ＡＣ Ｍ） 应 用 于 玉 米 种 子 的 高光 谱 图像 分 割 中 。首 先 ， 通 过 高 光 谱 成 像 系统 获取 ９个 品 种 共 ４ ３ ２粒 玉 米 种 子 的 高光 谱 反 射 图像 ， 利 用 基 于主 动 轮 廓 模 型 的 图像 分 割 法 对 玉 米 种 子 高光 谱 图像 提 取 Ｉ ｌ标 区域 轮 廓 ， ｆ 得到单 波段 下每粒 玉米种子 １ ２个 形 状 特 征 参 数 ， 然后 通 过 主 成 分 分 析 法
第２ ８ 卷第３ 期
２ ０ １ ３年 ５月
数
据
采 集 与 处 理 Ｖ０ １ ． ２ ８ Ｎｏ ． ３
Ｍ ａｙ ２ ０１ ３
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｄａ ｔ ａ Ａｃ ｑ ｕ ｉ ｓ ｉ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｐｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ
（ Ｐ ｒ ｉ ｎ ｃ ｉ ｐ ａ ｌ ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ， Ｐ Ｃ Ａ） 对特 征 数 据 降 维 ， 结合 波段 间 的 相 关 性 选 出 １ ２个 最 优 波 段 ， 最 后 利 用误 差 反向传播 （ Ｂ ａ ｃ ｋ ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ ， Ｂ Ｐ ） 神 经 网络 模 型 进 行 建模 分 类 ， 与传 统的 阈值分割 法相 比， 取 得 了更 好 的 分 类 效 果 。研 究 结果 为 高 光谱 图像 目标 轮 廓 提 取 提 供 了 一 种 新 方 法 。
Ｊ ｉ ａ ｎ ｇ ｎ ａ ｎ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ，Ｗ ｕ ｘ ｉ ，２ １ ４ １ ２ ２ ，Ｃｈ ｉ ｎ ａ ）
基于改进SwinUnet的遥感图像分割方法
通过对不同的遥感图像进行实验，证明了所提出 方法的有效性和优越性。
与传统遥感图像分割方法相比，所提出方法在精 度和效率上均有所提升。
研究不足与展望
虽然所提出的方法在实验中取得了较好的效果 ，但仍然存在一些不足之处，例如在处理复杂 背景和噪声方面的能力还有待提高。
在未来的研究中，可以尝试将其他先进的深度 学习技术应用于遥感图像分割任务，以进一步 提高方法的性能和精度。
03
改进swinunet模型的提 出
改进思路与方法
01
针对遥感图像的特性
遥感图像具有分辨率高、信息量大、数据复杂等特点，传统的卷积神经
网络（CNN）在处理遥感图像时面临很多挑战。
02 03
Swinunet的局限性
Swinunet是一种基于轻量级卷积神经网络的图像分割方法，但其在大 规模遥感图像分割时存在一定的局限性，如计算效率不高、分割精度有 待提高等。
此外，可以考虑引入更多的数据增强技术和迁 移学习策略，以增加模型的泛化能力和适应不 同的遥感应用场景。
研究展望与发展趋势
基于深度学习的遥感图像分割方法是当前研究的热点领域之一， 具有广泛的应用前景。
在未来的研究中，可以尝试将所提出的方法应用于更多的遥感图 像分割任务中，例如土地覆盖分类、水体提取等。
有广泛应用。
图像分割是遥感图像处理中的重 要任务，对于提取目标特征、分
析场景信息具有重要意义。
现有的遥感图像分割方法在分割 精度、鲁棒性和泛化能力方面存
在一定的问题。
研究现状与问题
基于深度学习的图像分割方法成为研究热点，取得了显著的 成果。
SwinUNet是一种基于双向注意力机制的深度学习模型，在 图像分割领域具有较好的性能。
与传统遥感图像分割方法相比，所提出方法在精 度和效率上均有所提升。
研究不足与展望
虽然所提出的方法在实验中取得了较好的效果 ，但仍然存在一些不足之处，例如在处理复杂 背景和噪声方面的能力还有待提高。
在未来的研究中，可以尝试将其他先进的深度 学习技术应用于遥感图像分割任务，以进一步 提高方法的性能和精度。
03
改进swinunet模型的提 出
改进思路与方法
01
针对遥感图像的特性
遥感图像具有分辨率高、信息量大、数据复杂等特点，传统的卷积神经
网络（CNN）在处理遥感图像时面临很多挑战。
02 03
Swinunet的局限性
Swinunet是一种基于轻量级卷积神经网络的图像分割方法，但其在大 规模遥感图像分割时存在一定的局限性，如计算效率不高、分割精度有 待提高等。
此外，可以考虑引入更多的数据增强技术和迁 移学习策略，以增加模型的泛化能力和适应不 同的遥感应用场景。
研究展望与发展趋势
基于深度学习的遥感图像分割方法是当前研究的热点领域之一， 具有广泛的应用前景。
在未来的研究中，可以尝试将所提出的方法应用于更多的遥感图 像分割任务中，例如土地覆盖分类、水体提取等。
有广泛应用。
图像分割是遥感图像处理中的重 要任务，对于提取目标特征、分
析场景信息具有重要意义。
现有的遥感图像分割方法在分割 精度、鲁棒性和泛化能力方面存
在一定的问题。
研究现状与问题
基于深度学习的图像分割方法成为研究热点，取得了显著的 成果。
SwinUNet是一种基于双向注意力机制的深度学习模型，在 图像分割领域具有较好的性能。
基于主动轮廓模型的序列图像分割
约 轮廓 的 长度 ， 其 尽 可 能短 来 避 免边 缘 轮廓 收 敛 到 中 垂 线上 其 他组 织 的 较 强边 缘 点 ； 一 方 面 ， 用 序 列 图 像 之 使 另 利 间 局 部 区域 的 信息 相 关性 ， 新 构 造 外 部能 量 函 数 来 排 除 纹 理 特 征 的 干 扰 ， 好 地 捕 捉 到 边 缘 上 的 拐 角 点 ． 验 结 重 更 实 果 表 明 ， 出的 改 进 算 法 既 可 以 有 效地 检测 出 一 些 拐 角 点 和 凹 点 ， 提 又可 以避 免 目标 边 缘 收 敛 于 某 些 伪 边 缘 点 ， 达 可
Ａｂ ｔ ａ ｔ ｓｒ ｃ ：Ａｎ ｉ ｒ ｖ ｄ ａ ｔｖ ｏ ｔｕ ｄ ｌｉ ｒｓ ｎ ｅ ｏ ｅ ｍｅ ｔｔ ｎ ｏ ｄ ｃ ｌｉ ｇ ｅ ｕ ｎ ｅ ｍｐ ｏ ｅ ｃｉｅ ｃ ｎｏ ｒｍｏ ｅ ｓ ｐ ｅ ｅ ｔｄ ｆ ｒｓｇ ｎａｉ ｆｍｅ ｉａ ｍａ ｅ ｓ ｑ ｅ ｃ ｓ．Ａ ｅ ｔ ｃｉｎ ｉ ｏ ｒ ｓｒ ｔ ｓ ｉ ｏ ａ ｐｉｄ ｔ ｎ ｉｔｒ ａ ｎ ｒｙ ｆ ｎ ｔ ｎ ｔ ｋ ｈ ｅ ｇｈ ｏ ｏ ｔｕ ｓ ｓ ｏ ａ ｏ ｓｂｅ Ｓ ｓ ｔ ｒ ｖ ｎ ｏ ｔｕ ｒｍ ｐ ｌ ｏ ａ ｎｅ ｌ ｅ ｅｇ ｕ ｃｉ ｏ ｍａ ｅ ｔｅ ｌ ｎ ｔ ｆｃ ｎ ｏ ｒａ ｈ ａ ｓ ｐ ｓ ｉｌ Ｏ ａ ｏ ｐ ｅ ｅ ｔｃ ｎｏ ｒ ｆｏ ｅ ｎ ｏ ｃ ｎ ｅｇ ｎ ｔｓ ａｐ ｒｐ ｉｔ ｆｏｈ ｒｔ ｓ ｅｏ ｅ ｅ ｄ ｃ ｌ ｒｂ ｓ ｃｏ ．Ａｎ ｅ ｔｍ ａ ｎ ｒ ｕ ｃｉｎ ｉ ｏ ｓｒ ｃ ｅ ｒｍ ｈ ｏ ｖ ｒ ｉｇ ａ ｈ ｒｅ ｏｎｓｏ ｔｅ ｉ ｕ ｎ ｐ ｒ ｎ ｉｕａ ｉｅ ｔｒ ｓ ｐ ｘ ｅ ｌｅ ｅ ｇ ｆ ｎ ｔ ｓｃ ｎ ｔｕ ｔｄ ｆｏ ｔ ｅ ｙ ｏ ｉｆｒ ｔ ｎ ｐ ￣ｉ ｅ ｃ ｆｌｃ ｌｒｇｏ ｅｗｅ ｎ ｔ ｅ ｓ ｒ ｌｉ ｇ ｓｔ ｌｍｉａｅ ｔｅ ｉｔｒｅ ｅ ｃ ｆｔｘｕ ｅ ａ ｄ ｃ ｐｕ ｅ ｃ ｒ ｅ ｎｏ ｍａｉ ｅ ｎ ｎ ｅ ｏ ｏ ａ ｅ ｉｎ ｂ ｔ ｅ ｈ ｅ ａ ｍａ ｅ ｏ ｅｉ ｎ ｔ ｈ ｎｅｆ ｒｎ ｅ ｏ ｅ ｔ ｒ ｎ ａ ｔ ｒ ｏｎ ｒ ｏ ｉ ｐ ｉｔ ｏ ｌｔｌ ｏ ｎｓｃ ｍｐ ｅｅｙ．Ｅｘ ｅ ｍｅ ｔ ｅｕ ｔ ｈ ｗ ｈ ｔｔｅ ｉ ｒｖ ｄ ａｇ ｒ ｈ ｃ ｎ ｇｖ ｅｔｒｓ ｇ ｎ ａｉｎ，ｗｈｃ ａ ｅｅ ｔ ｐ ｒ ｎ ａ ｒｓ ｌｓｓ ｏ ｔａ ｈ ｍｐ ｅ ｌｏ ｉ ｍ ａ ｉｅ ｂ ｔｅ ｅ ｍｅ ｔｔ ｉ ｌ ｏ ｔ ｏ ｉｈ ｃ ｎ ｄ ｔｃ
基于改进C-V模型的图像分割算法
分的图像分析中 ， 必须把单个 目标从 图像 中分离 出来 ， 形成
在 主动轮廓模型 中， 最为经 典 的为 Ｃ ｈ ａ ｎ— Ｖ ｅ ｓ ｅ 模 型
以下简称 Ｃ — Ｖ模 型） ， Ｃ — Ｖ模 型是一种基 于区域 的动 态 目标与背景分离 ， 这种处理方式即为图像分割 ， 图像分割就 （ 是根据规定 的准则把给定的图像分成具有不 同特性的图像 轮廓模 型 。ｃ — Ｖ模型根据全局 图像统计信 息来完成对 图 部分 ， 图像分割的算法往往是根据规定 的准则 ， 图像 内部灰 像 的分割。假设 图像 目标是由同质 的区域构成 ， 一般能得 度颜色纹理等特点 目 标与背景 的不 同来预先建立¨ 。 到 良好 的实验结果 ， 但在实 际情况 中， 图像 的 目标并非 同 — Ｖ模型在 分割非 同质 目标 时 ， 得 到 的结 果不 是 在很多 的图像 分析 应用 的领 域 如遥感 测 量、 医 学成 质 。Ｃ 同时 ， 在演化过程 中， 要不断地将水平集 函数重 新 像、 安全管制 、 军事 目标检测都需要用到 图像分割技术 ， 图 很理想 ； 像分割技术越来越重要 。在实际的图像分析应用 中 ， 当所 初始化 ， 增加 了迭代时间 ， 使轮廓 曲线演化速度大大降低 。 需 目标被分开 时 ， 分割就 可以停止 了 ， 运用 自动 的图像分
基于改进 Ｃ － ＿ Ｖ模型的图像分割算法
杨艳丹 ， 韩 雪松 ， 韩应征 ， 庞冬 冬 ， 杜 军 慧
（ １ ． 太原理工大学 信息工程 学院， 山西 太原 ０ ３ ０ ０ ２ ４ ； ２ ． 中石化 山西分公 司， 山西 太原 ０ ３ ０ ０ ４） ２
【 摘 要】提出一种新的模型——ｃ ｈ ａ ｎ — Ｖ ｅ ｓ ｅ 模型， 该模型是基于曲线演化、 水平集方法、 局部 的统计信息， 新模型包括两个方 面： 局部核 心 函数和 惩罚项 。引入局部 统 计信 息 后 的新模 型可 以对 非 同质 图像 进行 有 效 的分 割。另 外 ， 核 心 函数 中加 入惩 罚 项， 可以有效避免水平集函数初始化 ， 缩短模型演化时间。通过实验的仿真结果发现， 新模型在对非 同质 图像进行分割时得到 了 良好 的结果 。
主动轮廓模型的研究及其改进模型在目标检测中的应用的开题报告
主动轮廓模型的研究及其改进模型在目标检测中的应用的开题报告一、研究背景和意义：随着计算机技术和现代视觉技术的不断发展，图像处理和计算机视觉技术已经得到了广泛的应用。
其中，目标检测技术是图像处理和计算机视觉领域的一个重要问题。
目标检测就是从图像或视频中确定感兴趣物体的位置和形状。
目标检测技术在许多领域都有广泛的应用，如智能交通、视频监控、医学诊断、娱乐等等。
主动轮廓模型（Active Contour Model，ACM）是一种特殊的变分模型，常用于图像分割和目标检测。
ACM模型基于贝叶斯定理和弯曲能量，通过最小化能量函数的方法来找到轮廓。
相比于一些传统的图像分割技术，主动轮廓模型能够更好地提取图像中的轮廓信息，并且能够适应复杂的轮廓形状。
因此，研究主动轮廓模型的改进和应用具有很大的意义。
二、研究内容和目标：本文主要研究主动轮廓模型的改进方法以及在目标检测中的应用。
具体内容包括以下几个方面：1.研究当前主动轮廓模型的改进方法，对比不同的主动轮廓模型，并分析比较其优劣势。
常用的主动轮廓模型包括基于全局和局部的模型、形态学方法、Snake模型、Level Set等。
2.研究如何将主动轮廓模型应用在目标检测中。
本文将主要研究基于主动轮廓模型的目标检测算法，重点解决目标检测中遇到的问题，如遮挡、光照变化等。
3.设计和实现改进的主动轮廓模型并进行实验验证。
我们将设计一种基于Level Set方法的改进主动轮廓模型，并与传统的主动轮廓模型进行对比实验。
在此基础上，我们将开发一个基于主动轮廓模型的目标检测系统，并对其进行评估和优化。
三、研究方法和技术路线：本文将采用如下的研究方法和技术路线：1.研究和分析当前主动轮廓模型的改进方法，包括基于全局和局部的模型、形态学方法、Snake模型、Level Set等。
2.研究主动轮廓模型在目标检测中的应用，包括基于主动轮廓模型的目标检测算法，解决目标检测中的遮挡、光照变化等问题。
结合梯度信息的主动轮廓模型图像分割算法
起 着 重 要 的 作 用 。基 于 图像 全 局 信 息 的 主 动轮 廓
模 型Ｍｕ ｏｄＳ ａ 模 型¨被提 出 以后 日益成 为 图像 ｍｆｒ—ｈ ｈ
分 剖 领域 中一 种 有 效 而强 大 的研 究工 具 。Ｃ ａ 和 ｈｎ Ｖ ｓ在Ｍｕ ｏｄＳ ａ 模 型和水 平 集方法 的基 础上 ｅｅ ｍｆｒ —ｈ ｈ
中 图分类号 ：Ｔ ３ １４ Ｐ ９ ．１ 文献标识码 ：Ａ 文章编号 ：１ ０－０ ３ （ ０ １ ２上 ） ０ ８ － ５ ９ １ ４ ２ １ ） （ 一 ０ ３ ０ ０
Ｄ ｉ１ ．９ ９ Ｊｉｓ ．０ ９ ０ ．０ １ ２ 上 ） ２ ｏ ： ３６ ／ ． ｎ １ ０ － １４ ２ １ ． （ ．７ ０ ｓ ３
边 界 处 像 素 点 水 平 集 函数 值 的进 化 速 度 ，从 而 加 速 Ｃ－ 型 的 分 割 速 度 。根 据 水 平 集 方 法 的 基 本 Ｖ模 原 理 和 弱 Ｆ标 的 梯 度特 征 提 出 了一 个 弱 目标 区 域 ｉ
控 制 项 ，该 控 制项 可 以快 速 稳 定地 锁 定 弱 目标 边
务１
甸 似
结 合 梯 度 信 息 的 主 动 轮 廓 模 型 图像 分 割 算 法
Ｉ ａｇｅ ｓ ｍ ｅｎｔ ｔｏｎ ａｌ ｍ ｅｇ ａ ｉ ｇｏｒｔ ｍ ｃｔｖ ｃｏｎ ｏｕｒ ｏ ｉｈ ｏｆａ ｉ ｅ ｔ ｓ ｍ ｄｅｌ ｍ ｂｉ ｅｄ ｇｒ ｄｉ ｔｉ ｆ ｍ ａ ｉ ｃｏ ｎ ａ ｅｎ ｏｒ ｎ ｔｏｎ
提 出了一种 图像 分割 模 型一 Ｃ Ｖ模型 。该 模 型提 —
点 的水 平 集 函数 值 的 特 征提 出 了一 个 基 于梯 度 信
息 的加 速 因子 。该 加 速 因 子 可 以有 效 地 加 速 目标
主动轮廓模型综述
主动轮廓模型综述
主动轮廓模型是一种用于图像分割的有效方法，它可以以高效的方式生成自然图像中物体的准确轮廓。
主动轮廓模型使用类似的技术来检测图像中的物体边界，但它不使用像素的灰度信息，而是使用形状信息。
它是基于边缘检测理论的一种改进，通过计算图像像素之间的相关性来识别物体边界。
主动轮廓模型采用具有动态内容的边缘检测算法，旨在从图像中检测物体边界。
与传统的边缘检测理论不同，主动轮廓模型采用了非线性的边缘检测算法，这种算法可以检测出复杂的物体边界，包括难以检测的边缘、曲线和斑点等。
主动轮廓模型也可以检测到图像中存在的物体边界，即使它们看起来无法被人眼所见。
主动轮廓模型采用多种技术来检测图像中物体边界，包括水平边缘检测、垂直边缘检测、对比度检测和颜色检测等。
它还可以使用特定的算法来识别和分类图像中的物体和背景，这样可以更好地检测出物体的边界。
此外，主动轮廓模型还可以自动检测和追踪图像中的运动物体，例如人物和动物等。
主动轮廓模型具有很强的实用性，它已经广泛应用于图像处理、机器视觉和计算机视觉等领域。
主动轮廓模型
可以自动检测出图像中的物体边界，帮助研究者更好地理解图像中的物体结构，并提取出图像中的有用信息。
主动轮廓模型在图像分割、机器人视觉、运动检测和视频监控等领域都有着广泛的应用。
总之，主动轮廓模型是一种有效的图像分割算法，它通过计算图像像素间的相关性来识别物体边界，同时可以自动检测出图像中的物体边界，并且广泛应用于图像处理、机器视觉、运动检测和视频监控等领域。
图像模式识别 5-8章-PPT
9
区域分裂合并的关键是分裂合并准则的设计，在实际应用中，通常是 将区域生长算法和区域分裂合并算法这两种基本形式结合使用。该类 算法对某些复杂物体定义的复杂场景的分割或对某些自然景物的分割 等类似先验知识不足的图像分割，效果较为理想。
优点：对复杂图像的分割效果较好，不需要预先指定种子点；
缺点：算法较为复杂，计算量大，分裂可能会破坏区域的边界。
11
利用Matlab中的函数qtdecomp、qtsetblk和full能够实现图像的分 裂和合并操作。qtdecomp(I,threshold)函数将输入图像I按允许的 阀值threshold分割子块，返回一个稀疏矩阵，每个子块的左上角给 出子块的大小。qtgetblk(I,s,4,vals)函数可获得四叉树分解后的 子块的像素即位置信息，返回值vals是dim×dim×k矩阵，k是符合 dim×dim大小的子块个数，qtsetblk将四叉树分解得到的子块中符 合条件的部分替换为指定的子块。full(s)函数将稀疏矩阵化为普通 矩阵，显示分裂后的图像。以matlab自带图像rice.png为例，以阀 值为0.2进行四叉树分解，结果如图所示。
区域生长一般步骤为：
选取图像中的1点为种子点(种子点的选取需要具体情况具体分析)。
在种子点处进行8邻域或4邻域扩展，判定准则是：若考虑的像素与种 子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素 所在的区域。
当不再有像素满足加入这个区域的准则时，区域生长停止。
一般来说，在无像素或区域满足加入生长区域的条件时,区域生长就会 停止。 区域生长是串行区域技术，其分割过程后续步骤的处理要根据
前面步骤的结果进行判断而确定。
8
区域分裂、合并
首先，确定一个分裂合并的准则，即区域特征一致性的测度；然后 ，从整个图像出发不断分裂得到各个子区域，然后再把前景区域合 并，实现目标提取。若把一幅图像分裂到像素级，那么就可以判定 该像素是否为前景像素。当所有像素点或子区域完成判断后，把前 景区域或像素合并就可得到前景目标。 当相邻的子区域满足一致性特征时则将它们合成一个大区域，直至 所有区域不再满足分裂合并的条件为止；当分裂到不能再分的情况 时，分裂结束；然后它将查找相邻区域有没有相似的特征，若有就 将相似区域进行合并，最后达到分割的作用。
区域分裂合并的关键是分裂合并准则的设计，在实际应用中，通常是 将区域生长算法和区域分裂合并算法这两种基本形式结合使用。该类 算法对某些复杂物体定义的复杂场景的分割或对某些自然景物的分割 等类似先验知识不足的图像分割，效果较为理想。
优点：对复杂图像的分割效果较好，不需要预先指定种子点；
缺点：算法较为复杂，计算量大，分裂可能会破坏区域的边界。
11
利用Matlab中的函数qtdecomp、qtsetblk和full能够实现图像的分 裂和合并操作。qtdecomp(I,threshold)函数将输入图像I按允许的 阀值threshold分割子块，返回一个稀疏矩阵，每个子块的左上角给 出子块的大小。qtgetblk(I,s,4,vals)函数可获得四叉树分解后的 子块的像素即位置信息，返回值vals是dim×dim×k矩阵，k是符合 dim×dim大小的子块个数，qtsetblk将四叉树分解得到的子块中符 合条件的部分替换为指定的子块。full(s)函数将稀疏矩阵化为普通 矩阵，显示分裂后的图像。以matlab自带图像rice.png为例，以阀 值为0.2进行四叉树分解，结果如图所示。
区域生长一般步骤为：
选取图像中的1点为种子点(种子点的选取需要具体情况具体分析)。
在种子点处进行8邻域或4邻域扩展，判定准则是：若考虑的像素与种 子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素 所在的区域。
当不再有像素满足加入这个区域的准则时，区域生长停止。
一般来说，在无像素或区域满足加入生长区域的条件时,区域生长就会 停止。 区域生长是串行区域技术，其分割过程后续步骤的处理要根据
前面步骤的结果进行判断而确定。
8
区域分裂、合并
首先，确定一个分裂合并的准则，即区域特征一致性的测度；然后 ，从整个图像出发不断分裂得到各个子区域，然后再把前景区域合 并，实现目标提取。若把一幅图像分裂到像素级，那么就可以判定 该像素是否为前景像素。当所有像素点或子区域完成判断后，把前 景区域或像素合并就可得到前景目标。 当相邻的子区域满足一致性特征时则将它们合成一个大区域，直至 所有区域不再满足分裂合并的条件为止；当分裂到不能再分的情况 时，分裂结束；然后它将查找相邻区域有没有相似的特征，若有就 将相似区域进行合并，最后达到分割的作用。
基于改进Snake模型的图像分割方法
—
ｍｎｍ—ｎ ．ｎ ｅａ ｏ ｔｍ， ｈ ｈｈｓａｖｎ ｇｓｉ ｅｔ ｃｎ ｒｅ ｏｊｃ ｆ ｍ ａｃｒ ｉ ｇ ｎ ｉ ａ ｆ ｃｖ ‘’ ｚ ｉｉｉ ｇ Ｓ ａ ｌ ｒｈ ｗ ｉ ａ ｄａｔ ｅ ｘｒ ｔ ｇｔ ｇｔ ｂｅｔｒ ｅａｎｒ ｉ ，ｓ ｎｅ ｅｔ ｅ ｉ ｋ ｇｉ ｃ ａ ｎ ａｉ ａ ｏ ｔ ｅｏ ｉ
ｐ ｉｔ ． ｉｈ ｃ ｎ ｒ ｄ ｃ ｒｉ ｃ ａ ｅ ｅ ｔ ｎ ｗｏｋ ａ ｅ ｌ ｓｎ ｉｅｉ ｔｒｅ ｅ ｃ ．Ｉ ｄ ｉ ｏ ｔ ｅ ｐ ｅ ｅ ｔｒ ｓ ａ ｃ ｅ ｏｎ ｓ ｗｈ ｃ ａ ｅ ｕ ｅ ａｔ ｉ ｓ ｌ ｃｉ ｒ ｓｗ ｌ ａ ｏｓ ｎｅ ｆ ｒｎ ｅ ｎ ａ ｄ ｔ ｎ， ｈ ｒ ｓ ｎ ｅ ｅ ｒ ｈ ｔ ｓ ｉ ｆ ｌ ｏ ｉ ｉ ｒ ｔ ｏ ｉ ｅ Ｄｉｃ ｅｅ Ｓ ａ ｅＡｌｏ ｔ ｍ ｄ Ｐ ｅ ｅ ｓ ｇ ｒ ｈ ｔ ｂ ａｎ ｔ ｅｃ ａ ａ ｔ ｒ ｔ ｄ ｅｐ ｉｔ ｆ ｈ ｇ ｏ ｃ ｍｂ ｎ ｓ ｒ ｔ ｎ ｋ ｇ ｒ ｈ ａ ｉｃ ｗ ｅ ＤＰ Ａｌ ｏ ｔ ｍ ｏ ｔ ｉ ｈ ｈ ｒ ｃ ｅ ｓｉ ｅ ｇ ｏ ｎ ｓｏ ｅ ｉ ｅ ｉ ｎ ｉ ｉ ｏ ｉ ｃ ｔ ｍａ Ｓ ｓ ｔ ｍｐ ｏ ｅ ｔ ｅｃ ｎ ｅｇ ｎ ｅ ｓ ｅ ｄ ｏ ｎ ｋ ．Ｆ ｎ ｌ ，ｔ ｅ ｒ ｓ ａ ｃ ｓ ｓｍｏ ｏｏ ｉ ｐ ｎ ｉ ｌ ｔ ｉ ｉｅ ｔ ｏ ｅｅ ｇ Ｏ ａ ｏ ｉ ｒｖ ｈ ｏ ｖ ｒ ｅ ｃ ｐ ｅ ｆＳ ａ ｅ ｉ ａｌ ｈ ｅ ｅ ｒ ｈ ｕ ｅ ｎ ｔｎ ｃ ｒ ｃｐ ｅ ｏ ｄ ｖｄ ｈ ｓ ｄ ｅ ｙ ｉ ｐ ｉ ｔ ｔ ｅ ｏ ｎ ｔｎ ｏ ｅ ，ａ ｄ ａ ｃ ｒ ｅｆ ｔ ｇ ｍｅｈ ｄ ｉ ， ｕ ｔ ｅｍｏ ｅ ｄ ｐ ｅ ａ ｈ ｍｏ ｏｏ ｅｚ ｎ ｅ ｏｎ ｓ ｏ ｇ ｔｓ ｍｅ ｍｏ ｏｏ ｅ ｚ ｎ ｓ ｎ ｕ ｔ ｎ ｔ ｏ ｓ ｆ ｒ ｒ ｒ ，ａ ｏ ｔ ｄ ｉ ｅ ｃ ｎ ｔｎ ｏ ｅ ｔ ｇ ｔ ｖ ｉ ｉ ｈ ｎ ｏ ｃ ｎ ｉ ｕ ｕ ｄ ｅ ｏ ｅ ｉ ｇ ｅ ｈ ｅ ｕ ｔ ｈ ｗ ｈ ｔ ｏ ｕ ｅ Ｉ ｒ ｖ ｄ Ｓ ａ ｅＡｌ ｏ ｔ ｍ ａ ｅ ｏ ｔ ｕ ｕ ｄ ｃｏ ｅ ｏ ｔ ｏ ｓ ｅ ｇ ｆｔ ｍａ ．Ｔ ｅ ｒ ｓ ｌ ｓ ｏ ｓｔ ａ ｓ ｍｐ ｏ ｅ ｎ ｋ ｇ ｒ ｈ ｃ ｎ ｇ ｔａ ｃ ｎ ｉ ｏ ｓａ ｌ ｓ ｎ ｈ ｔ ｉ ｎ ｎ
ｍｎｍ—ｎ ．ｎ ｅａ ｏ ｔｍ， ｈ ｈｈｓａｖｎ ｇｓｉ ｅｔ ｃｎ ｒｅ ｏｊｃ ｆ ｍ ａｃｒ ｉ ｇ ｎ ｉ ａ ｆ ｃｖ ‘’ ｚ ｉｉｉ ｇ Ｓ ａ ｌ ｒｈ ｗ ｉ ａ ｄａｔ ｅ ｘｒ ｔ ｇｔ ｇｔ ｂｅｔｒ ｅａｎｒ ｉ ，ｓ ｎｅ ｅｔ ｅ ｉ ｋ ｇｉ ｃ ａ ｎ ａｉ ａ ｏ ｔ ｅｏ ｉ
ｐ ｉｔ ． ｉｈ ｃ ｎ ｒ ｄ ｃ ｒｉ ｃ ａ ｅ ｅ ｔ ｎ ｗｏｋ ａ ｅ ｌ ｓｎ ｉｅｉ ｔｒｅ ｅ ｃ ．Ｉ ｄ ｉ ｏ ｔ ｅ ｐ ｅ ｅ ｔｒ ｓ ａ ｃ ｅ ｏｎ ｓ ｗｈ ｃ ａ ｅ ｕ ｅ ａｔ ｉ ｓ ｌ ｃｉ ｒ ｓｗ ｌ ａ ｏｓ ｎｅ ｆ ｒｎ ｅ ｎ ａ ｄ ｔ ｎ， ｈ ｒ ｓ ｎ ｅ ｅ ｒ ｈ ｔ ｓ ｉ ｆ ｌ ｏ ｉ ｉ ｒ ｔ ｏ ｉ ｅ Ｄｉｃ ｅｅ Ｓ ａ ｅＡｌｏ ｔ ｍ ｄ Ｐ ｅ ｅ ｓ ｇ ｒ ｈ ｔ ｂ ａｎ ｔ ｅｃ ａ ａ ｔ ｒ ｔ ｄ ｅｐ ｉｔ ｆ ｈ ｇ ｏ ｃ ｍｂ ｎ ｓ ｒ ｔ ｎ ｋ ｇ ｒ ｈ ａ ｉｃ ｗ ｅ ＤＰ Ａｌ ｏ ｔ ｍ ｏ ｔ ｉ ｈ ｈ ｒ ｃ ｅ ｓｉ ｅ ｇ ｏ ｎ ｓｏ ｅ ｉ ｅ ｉ ｎ ｉ ｉ ｏ ｉ ｃ ｔ ｍａ Ｓ ｓ ｔ ｍｐ ｏ ｅ ｔ ｅｃ ｎ ｅｇ ｎ ｅ ｓ ｅ ｄ ｏ ｎ ｋ ．Ｆ ｎ ｌ ，ｔ ｅ ｒ ｓ ａ ｃ ｓ ｓｍｏ ｏｏ ｉ ｐ ｎ ｉ ｌ ｔ ｉ ｉｅ ｔ ｏ ｅｅ ｇ Ｏ ａ ｏ ｉ ｒｖ ｈ ｏ ｖ ｒ ｅ ｃ ｐ ｅ ｆＳ ａ ｅ ｉ ａｌ ｈ ｅ ｅ ｒ ｈ ｕ ｅ ｎ ｔｎ ｃ ｒ ｃｐ ｅ ｏ ｄ ｖｄ ｈ ｓ ｄ ｅ ｙ ｉ ｐ ｉ ｔ ｔ ｅ ｏ ｎ ｔｎ ｏ ｅ ，ａ ｄ ａ ｃ ｒ ｅｆ ｔ ｇ ｍｅｈ ｄ ｉ ， ｕ ｔ ｅｍｏ ｅ ｄ ｐ ｅ ａ ｈ ｍｏ ｏｏ ｅｚ ｎ ｅ ｏｎ ｓ ｏ ｇ ｔｓ ｍｅ ｍｏ ｏｏ ｅ ｚ ｎ ｓ ｎ ｕ ｔ ｎ ｔ ｏ ｓ ｆ ｒ ｒ ｒ ，ａ ｏ ｔ ｄ ｉ ｅ ｃ ｎ ｔｎ ｏ ｅ ｔ ｇ ｔ ｖ ｉ ｉ ｈ ｎ ｏ ｃ ｎ ｉ ｕ ｕ ｄ ｅ ｏ ｅ ｉ ｇ ｅ ｈ ｅ ｕ ｔ ｈ ｗ ｈ ｔ ｏ ｕ ｅ Ｉ ｒ ｖ ｄ Ｓ ａ ｅＡｌ ｏ ｔ ｍ ａ ｅ ｏ ｔ ｕ ｕ ｄ ｃｏ ｅ ｏ ｔ ｏ ｓ ｅ ｇ ｆｔ ｍａ ．Ｔ ｅ ｒ ｓ ｌ ｓ ｏ ｓｔ ａ ｓ ｍｐ ｏ ｅ ｎ ｋ ｇ ｒ ｈ ｃ ｎ ｇ ｔａ ｃ ｎ ｉ ｏ ｓａ ｌ ｓ ｎ ｈ ｔ ｉ ｎ ｎ
基于改进主动轮廓模型的图像分割方法研究
第４ ０ 卷
第７ 期
计
算
机
科
学
Ｖｏ １ ． ４ ０ Ｎｏ ． ７
２ ０ １ ３年 ７月
Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ
Ｊ ｕ ｌ ｙ ２ ０ １ ３
基 于 改进 主 动 轮 廓 模 型 的 图像 分 割 方 法 研 究
任 守纲 马 超 徐 焕 良 （ 南京农 业 大学信 息科 技 学院 南 京 ２ １ ０ ０ ９ ５ ）
ｇ ｏ ｏ ｄ ｎ ｏ ｉ ｓ ｅ ｉ ｍｍ ｕ ｉｔ ｎ ｙ ． Ｃｏ ｍｐ ａ ｒ ｅ ｄ ｗｉ ｔ ｈ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ａ ｃ ｔ ｉ ｖ ｅ ｃ ｏ ｎ ｔ ｏ ｕ ｒ 。 ｔ ｈ ｅ ｍｏ ｄ ｅ ｌ ａｓ ｈ ａ ｇ ｒ ｅ ａ ｔ ｍｐ ｉ ｒ ｏ ｖ ｅ ｍｅ ｎ ｔ ｉ ｎ ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ａ ｃ —
ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ａ ｎ ｄ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｒ ｅ ｐ ｏ ｓ ｓ ｅ ｓ ｓ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｍ ， ｈ ｔ ｈ ｅ ｎ ｅ ｖ ｏ ｌ ｖ ｅ ｓ ｔ ｈ ｅ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｔ ｏ ｗａ ｒ ｄ ｓ ｔ ｒ ｕ ｅ ｅ ｄ ｇ ｅ ｏ ｆ ｏ ｂ ｊ ｅ ｃ ｔ ｂ ｙ ｔ ｈ ｅ ａ ｃ －
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ Ａｃ ｔ ｉ ｖ ｅ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｍｏ ｄ ｅ ｌ ｉ ｓ ａ ｎ ｅ ｆｅ ｃ ｔ ｉ ｖ ｅ ｉ ｍａ ｇ ｅ ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ， ｂ ｕ ｔ ｔ ｈ ｅ ｒ ｅ ａ ｒ ｅ ｎ’ ｔ ｍａ ｎ ｙ ｍｅ ｔ ｈ ｏ ｄ ｓ ｉ ｎ ｔ ｈ ｅ ａ ｃ ｔ ｉ ｖ ｅ ｃ ｏ ｎｔ ｏ ｕ ｒ ｍｏ ｄ ｅ ｌ ｗｈ ｅ ｎ ｄ ｅ ｔ ｅ ｒ ｍｉ ｎ ｇ ｔ ｈ ｅ ｉ ｎ ｉ ｔ ｉ ａ ｌ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ． Ｉ ｎ ｓ ｕ ｃ ｈ ｃ ａ ｓ ｅ ， ｔ ｈ ｉ ｓ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｐ ｕ ｔ ｆ ｏ ｒ ｗａ ｒ ｄ ｎ ａ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｓ ｋ ｅ ｌ ｅ ｔ ｏ ｎ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ａ ｃ ｔ ｉ ｖ ｅ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｍｏ ｄ ｅ １ ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｔ ｈ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ．Ｔｈ ｅ ｍｏ ｄ ｅ ｌ ｃ ｒ ｅ ａ ｔ ｅ ｓ ａ ｎ ｉ ｎ ｉ ｔ ｉ ｌ ａ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｂ ｙ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｓ ｋ ｅ ｌ ｅ ｔ ｏ ｎ
第７ 期
计
算
机
科
学
Ｖｏ １ ． ４ ０ Ｎｏ ． ７
２ ０ １ ３年 ７月
Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ
Ｊ ｕ ｌ ｙ ２ ０ １ ３
基 于 改进 主 动 轮 廓 模 型 的 图像 分 割 方 法 研 究
任 守纲 马 超 徐 焕 良 （ 南京农 业 大学信 息科 技 学院 南 京 ２ １ ０ ０ ９ ５ ）
ｇ ｏ ｏ ｄ ｎ ｏ ｉ ｓ ｅ ｉ ｍｍ ｕ ｉｔ ｎ ｙ ． Ｃｏ ｍｐ ａ ｒ ｅ ｄ ｗｉ ｔ ｈ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ａ ｃ ｔ ｉ ｖ ｅ ｃ ｏ ｎ ｔ ｏ ｕ ｒ 。 ｔ ｈ ｅ ｍｏ ｄ ｅ ｌ ａｓ ｈ ａ ｇ ｒ ｅ ａ ｔ ｍｐ ｉ ｒ ｏ ｖ ｅ ｍｅ ｎ ｔ ｉ ｎ ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ａ ｃ —
ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ａ ｎ ｄ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｒ ｅ ｐ ｏ ｓ ｓ ｅ ｓ ｓ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｍ ， ｈ ｔ ｈ ｅ ｎ ｅ ｖ ｏ ｌ ｖ ｅ ｓ ｔ ｈ ｅ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｔ ｏ ｗａ ｒ ｄ ｓ ｔ ｒ ｕ ｅ ｅ ｄ ｇ ｅ ｏ ｆ ｏ ｂ ｊ ｅ ｃ ｔ ｂ ｙ ｔ ｈ ｅ ａ ｃ －
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ Ａｃ ｔ ｉ ｖ ｅ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｍｏ ｄ ｅ ｌ ｉ ｓ ａ ｎ ｅ ｆｅ ｃ ｔ ｉ ｖ ｅ ｉ ｍａ ｇ ｅ ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ， ｂ ｕ ｔ ｔ ｈ ｅ ｒ ｅ ａ ｒ ｅ ｎ’ ｔ ｍａ ｎ ｙ ｍｅ ｔ ｈ ｏ ｄ ｓ ｉ ｎ ｔ ｈ ｅ ａ ｃ ｔ ｉ ｖ ｅ ｃ ｏ ｎｔ ｏ ｕ ｒ ｍｏ ｄ ｅ ｌ ｗｈ ｅ ｎ ｄ ｅ ｔ ｅ ｒ ｍｉ ｎ ｇ ｔ ｈ ｅ ｉ ｎ ｉ ｔ ｉ ａ ｌ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ． Ｉ ｎ ｓ ｕ ｃ ｈ ｃ ａ ｓ ｅ ， ｔ ｈ ｉ ｓ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｐ ｕ ｔ ｆ ｏ ｒ ｗａ ｒ ｄ ｎ ａ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｓ ｋ ｅ ｌ ｅ ｔ ｏ ｎ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｂ ａ ｓ ｅ ｄ ａ ｃ ｔ ｉ ｖ ｅ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｍｏ ｄ ｅ １ ｔ ｏ ｓ ｏ ｌ ｖ ｅ ｔ ｈ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ．Ｔｈ ｅ ｍｏ ｄ ｅ ｌ ｃ ｒ ｅ ａ ｔ ｅ ｓ ａ ｎ ｉ ｎ ｉ ｔ ｉ ｌ ａ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ｂ ｙ ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ ｓ ｋ ｅ ｌ ｅ ｔ ｏ ｎ
基于选择性注意机制的无边界主动轮廓图像分割算法
的无边界主动轮廓模 型中 ， 对单 目标 和多 目标 图像 分别 采用 基于 显著 图的方法 以及基 于选择 注意 与小波变 换相结
合的方法进行掩膜初始化 ， 最后应用水平 集方 法进行 图像分 割 。结 果表 明 ， 该 算法不 仅可 以减少 迭代次 数 ， 当图像
中存在多个 目标 时还可以得到更精确 的分割结果 ， 有效地 提高了主动轮廓算法 的效率 。
２ ０ １ ３年
第３ ７卷
中国石 油大学学报 （自然科 学版 ）
ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｃ ｈ ｉ ｎ ａ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｐ ｅ ｔ ｒ ｏ ｌ ｅ ｕ ｍ
Ｖｏ １ ． ３ ７ Ｎｏ ． ６
Ｄｅ ｃ． ２０１ ３
第 ６期
噪 性能更 强 ， 而且 能 够 收 敛 到 全局 最 优 ， 其 中， 最 具 有 代 表性 的是 Ｃ ｈ ａ ｎ等 于 ２ ０ ０ １年提 出 的无边 界主 动 轮 廓模 型 ｌ ９ ］ 。 无 边界 主 动 轮廓 模 型 （ 又称 为分段常量模型 ） 是一 种全局 最优 的分 割 方 法 ， 认 为所 分 的两 个 区 域
文章编号 ： １ ６ ７ ３ — ５ ０ ０ ５ （ ２ ０ １ ３ ） ０ ６ － ０ １ ７ ７ ￣７
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ３ — ５ ０ ０ ５ ． ２ ０ １ ３ ． ０ ６ ． ０ ２ ９
基于选择性注意机制的无边界主动轮廓图像分割算法
出一种基于选择性注意机制的无边界主动轮廓图像 分 割算法
基金项 目 ： 国家 自然科学基金项 目（ ６ １ ２ ７ １ ４ ０ ７ ） 作者简介 ： 李蕙 （ １ ９ ８ ６ 一 ） ， 女， 博士研究生 ， 主要研究方 向为计 算机 视觉和模式识 别。Ｅ － ｍ ａ ｉ ｌ ： ｕ ｐ ｃ ７ ３ ７ ｉ ｉ ｓ ｌ ａ ｂ ＠１ ２ ６ ． ｃ ｏ ｉ ｎ 。
合的方法进行掩膜初始化 ， 最后应用水平 集方 法进行 图像分 割 。结 果表 明 ， 该 算法不 仅可 以减少 迭代次 数 ， 当图像
中存在多个 目标 时还可以得到更精确 的分割结果 ， 有效地 提高了主动轮廓算法 的效率 。
２ ０ １ ３年
第３ ７卷
中国石 油大学学报 （自然科 学版 ）
ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｃ ｈ ｉ ｎ ａ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｐ ｅ ｔ ｒ ｏ ｌ ｅ ｕ ｍ
Ｖｏ １ ． ３ ７ Ｎｏ ． ６
Ｄｅ ｃ． ２０１ ３
第 ６期
噪 性能更 强 ， 而且 能 够 收 敛 到 全局 最 优 ， 其 中， 最 具 有 代 表性 的是 Ｃ ｈ ａ ｎ等 于 ２ ０ ０ １年提 出 的无边 界主 动 轮 廓模 型 ｌ ９ ］ 。 无 边界 主 动 轮廓 模 型 （ 又称 为分段常量模型 ） 是一 种全局 最优 的分 割 方 法 ， 认 为所 分 的两 个 区 域
文章编号 ： １ ６ ７ ３ — ５ ０ ０ ５ （ ２ ０ １ ３ ） ０ ６ － ０ １ ７ ７ ￣７
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ３ — ５ ０ ０ ５ ． ２ ０ １ ３ ． ０ ６ ． ０ ２ ９
基于选择性注意机制的无边界主动轮廓图像分割算法
出一种基于选择性注意机制的无边界主动轮廓图像 分 割算法
基金项 目 ： 国家 自然科学基金项 目（ ６ １ ２ ７ １ ４ ０ ７ ） 作者简介 ： 李蕙 （ １ ９ ８ ６ 一 ） ， 女， 博士研究生 ， 主要研究方 向为计 算机 视觉和模式识 别。Ｅ － ｍ ａ ｉ ｌ ： ｕ ｐ ｃ ７ ３ ７ ｉ ｉ ｓ ｌ ａ ｂ ＠１ ２ ６ ． ｃ ｏ ｉ ｎ 。
基于改进CV模型的多尺度图像分割方法
ｅ ｒ ｃｅ ｔｅ ｃ ｃ ｌ． Ｍ ｏｅ ｖ ｒ，ｔ ｉ ｄｅ ｓ ｉ ｌ ｍｅ ｅ ｓｎ ａ ｉｔｏ ｌｌ ｖ ｌｓ ｔａ ｐｒ ａ ｈ． Ｔ ｘ ｒｍｅ ｔ ｂｔｉ ｘｔａ ｔｄ ａ ａ ｈ ｓ ａｅ ｒｏ ｅ ｈ ｓｍｏ ｌｗａ ｍｐ ｅ ｎｔｄ ｕ ｉｇ ｖ ｒａｉｎａ ｅ ｅ ｅ ｐ ｏ ｃ ｈｅ ｅ ｐｅ ｉ ｎ ｓ ｏ ａｎ ｐ ｅｅ ａ ｌ ｅ ｕ ． ｒ ｆｒ ｂ ｅ ｒｓ ｈｓ
Ｋ ｙｗ ｒｓ ｍ ｇ ｅｍ ｎａｏ ； ｒｄ ｎ ｅｔ ｏ （ Ｖ ） Ｃ ａ —ｅｅｍ ｄｌ ｕ ｉ ａ ｅ ｏｄ ：ｉ ａｅｓｇ ｅｔ ｉ ｇａｉ ｔ ｃ ｒ ｗ Ｇ Ｆ ； ｈｎＶ ｓ ｏｅ；ｍ ｈｓ ｌ ｔｎ ｅ ｖ ｏｆ ｌ ｃｅ
图像分割是图像处理和分 析应用 中一项 非常重要 的前期
Ｍ ｕｔｓ ａｅ ｉ ｇ ｅ ｍｅ ｔｔｏ ａ ｅ ｎ ｉ ｒ ｖ ｄ ＣＶ ｄ ｌ ｌ ｃ ｌ ｍａ ｅ ｓ ｇ ｎａｉｎ ｂ ｓ ｄ ｏ ｍｐ ｏ ｅ ｉ ｍｏ ｅ
Ｒ Ｎ Ｊｊｎ ＨＥＭｉｇｙ Ｅ ｉｕ ， ｎ —ｉ －
（ ｈａ ｘ Ｋ ｙＬ ｂｒｔｒ ｒ ｏｏｍ ｔ ｎＡ ｑｉｔｎ＆ Ｐｏｅ ｉ Ｓ ａｎ ｉ ｅ ａｏａｏｙ ｏ ｌ ｒ ａｉ ｃｕｓｉ ｆ ｆ ｏ ｉｏ ｒｃ ｓ ｇ，Ｓｈ ｏ ｏ ｌ ｔ ｎｃ＆ Ｉ ｏｍ ｔ ｎ ｏｔ ｅｔｎＰ ｌｅｈ ｉ ｌ ｎ ｅｉ ｓｎ ｃｏｌｆＥｅ ｒ ｉ ｃｏ ｎ ｒ ａｉ ，Ｎ ｒ ｗ ｓ ｒ ｏ ｔ ｎｃ ｉｒ ｔ ｆ ｏ ｈ ｅ ｙ ｃ ａ Ｕ ｖ ｓｙ
工作 。 尺 度是 图像 分 割 和 机 器 视 觉 中 的 一 个 基 本 概 念 。多 尺
集 方法在一 定程 度上克服了 Ｓａ ｅ ｎ ｋ 模型的缺点 ， 如对初始轮廓
的选择无特殊要求 ， 以很好地 处理拓扑结 构改变 等。但 是 ， 可 传统 的水平集 图像分 割方 法仅 利用 图像 的局部边缘信息 ， 于 对
Ｋ ｙｗ ｒｓ ｍ ｇ ｅｍ ｎａｏ ； ｒｄ ｎ ｅｔ ｏ （ Ｖ ） Ｃ ａ —ｅｅｍ ｄｌ ｕ ｉ ａ ｅ ｏｄ ：ｉ ａｅｓｇ ｅｔ ｉ ｇａｉ ｔ ｃ ｒ ｗ Ｇ Ｆ ； ｈｎＶ ｓ ｏｅ；ｍ ｈｓ ｌ ｔｎ ｅ ｖ ｏｆ ｌ ｃｅ
图像分割是图像处理和分 析应用 中一项 非常重要 的前期
Ｍ ｕｔｓ ａｅ ｉ ｇ ｅ ｍｅ ｔｔｏ ａ ｅ ｎ ｉ ｒ ｖ ｄ ＣＶ ｄ ｌ ｌ ｃ ｌ ｍａ ｅ ｓ ｇ ｎａｉｎ ｂ ｓ ｄ ｏ ｍｐ ｏ ｅ ｉ ｍｏ ｅ
Ｒ Ｎ Ｊｊｎ ＨＥＭｉｇｙ Ｅ ｉｕ ， ｎ —ｉ －
（ ｈａ ｘ Ｋ ｙＬ ｂｒｔｒ ｒ ｏｏｍ ｔ ｎＡ ｑｉｔｎ＆ Ｐｏｅ ｉ Ｓ ａｎ ｉ ｅ ａｏａｏｙ ｏ ｌ ｒ ａｉ ｃｕｓｉ ｆ ｆ ｏ ｉｏ ｒｃ ｓ ｇ，Ｓｈ ｏ ｏ ｌ ｔ ｎｃ＆ Ｉ ｏｍ ｔ ｎ ｏｔ ｅｔｎＰ ｌｅｈ ｉ ｌ ｎ ｅｉ ｓｎ ｃｏｌｆＥｅ ｒ ｉ ｃｏ ｎ ｒ ａｉ ，Ｎ ｒ ｗ ｓ ｒ ｏ ｔ ｎｃ ｉｒ ｔ ｆ ｏ ｈ ｅ ｙ ｃ ａ Ｕ ｖ ｓｙ
工作 。 尺 度是 图像 分 割 和 机 器 视 觉 中 的 一 个 基 本 概 念 。多 尺
集 方法在一 定程 度上克服了 Ｓａ ｅ ｎ ｋ 模型的缺点 ， 如对初始轮廓
的选择无特殊要求 ， 以很好地 处理拓扑结 构改变 等。但 是 ， 可 传统 的水平集 图像分 割方 法仅 利用 图像 的局部边缘信息 ， 于 对
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
【 关键词 】图像分割； Ｃ ｈ ａ ｎ — Ｖ ｅ ｓ ｅ 模型； 邻域平均； 局部方差 【 中图分类号】Ｔ Ｎ ９ １ １ ． ７ 【 文献标志码】 Ａ
Ｉ ｍａ ｇ ｅ Ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｉ ｍｐ ｒ ｏ ｖ ｅ ｄ Ａｃ ｔ ｉ ｖ ｅ Ｃｏ ｎ ｔ ｏ ｕ ｒ Ｍｏ ｄ ｅ ｌ
【 摘 要ｌ针对 ｃ — Ｖ模型对灰度不均匀的图像分割效果不理想的情况 ， 提 出一种改进的 ｃ — Ｖ模型。该模型在 ｃ — Ｖ模型的基础
上， 引入 非加权 的邻域 平均和局部 窗 口 方 差概念 ， 加快 并精 确 了 Ｃ — Ｖ模 型的演化效 果 ， 同 时在 Ｃ — Ｖ模 型 的能量 函数 中加入 惩 罚 项， 使得 Ｃ － Ｖ模型在演化过程中无须重新初始化， 进一步提高了分割速度。仿真实验结果表明改进 的 ｃ — ｖ模型较原模 型对灰 度 不均 匀 图像分 割具 有较好 的分 割效果 。
【 Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ 】Ａ ｉ ｍ ｉ ｎ ｇ ａ ｔ ｔ ｈ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｏ ｆ ｔ ｈ ｅ ｉ ｎ ｅ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｓ ｅ ｇ ｍ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｏ ｆ ｔ ｈ ｅ ｎ ｏ ｎ — ｕ ｎ ｉ ｆ ｏ ｒ ｍ ｇ ｒ ａ ｙ ｉ ｍ ａ ｇ ｅ ｓ ｆ ｏ ｒ Ｃ Ｖ ｍ ｏ ｄ ｅ ｌ ， ａ ｎ ｉ ｍ ｐ ｒ ｏ ｖ ｅ ｄ Ｃ － Ｖ ｍ ｏ ｄ ｅ ｌ ｉ ｓ ｐ ｒ ｅ ｓ —
近年来 ， 主动轮廓 方法 已经在 图像 分割 、 视觉 跟踪 等
对于灰度不均匀 的图像分割效果 不理想 的情况 ， 国内
领域获得 了广泛的应用 。其基 本思想是通 过演化 一个 轮 外学者也提 出了很多改进方法 ，一 些学者提 出结合基于边 廓， 来最小 化 已知 的 能量 泛 函 ， 从 而 达 到期 望 的分 割结 界 和基 于区域 的能量 函数 ， 产生一 个联合 能量 函数 ， 通过
ｅ ｎ ｔ ｅ ｄ．Ｔｈ ｅ ｍｏ ｄ ｅ ｌ ，ｗｈ ｉ ｃ ｈ ｉ ｓ ｏ ｎ ｔ ｈ ｅ ｂ ａ ｓ ｉ ｓ ｏ ｆ ｈｅ ｔ Ｃ－Ｖ ｍｏ ｄ ｅ ｌ ，ｃ ａ ｎ ａ ｃ ｃ ｅ ｌ ｅ ｒ ａ ｔ ｅ ｎｄ ａ ｍａ ｋ ｅ ａ ｎ ａ ｃ ｃ ｕ ｒ ａ ｔ ｅ Ｃ－ Ｖ ｍｏ ｄ ｅ ｌ ｅ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｅ ｆｅ ｃ ｔ ｓ ｂ ｙ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｉ ｎ ｇ ｈｅ ｔ ｃ ｏ ｎ ｃ ｅ ｐ ｔ ｏ ｆ ｈｅ ｔ ｎ ｏ ｎ —ｗｅ ｉ ｇ ｈ ｔ ｅ ｄ ｎ ｅ ｉ ｇ ｈ ｂ ｏ ｒ ｈ ｏ ｏ ｄ ａ ｖ ｅ ｒ ａ ｇ ｉ ｎｇ ａ ｎ ｄ ｈｅ ｔ ｌ ｏ ｃ ａ ｌ ｗｉ ｎ ｄ ｏ ｗ ｖ ａ ｒ ｉ ｎｃ ａ ｅ ．Ｍｅ ａ ｎ ｗｈｉ ｌ ｅ．ｔ ｈ ｅ ｐ ｅ ｎ ｌｔ ａ ｙ ｔ ｅ ｒ ｍ ｉ ｓ ｐ ｕ ｔ ｉ ｎ ｈｅ ｔ Ｃ－ Ｖ ｍｏ ｄ ｅ ｌ ｅ ｎ ｅ ｒ ｇ ｙ ｆ ｕ ｎｃ ｔ ｉ ｏ ｎ ｉ ｎ ０ ｒ － ｄｅ ｒ ｔ ｏ ａ ｖ ｏ ｉ ｄ ｔ ｈ ｅ ｒ ｅ— ｉ ｎ ｉ ｔ ｉ ａ ｌ ｉ ｚ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｈｅ ｔ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｏ ｆ ｅ ｖ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｏ ｆ ｈｅ ｔ Ｃ－ Ｖ ｍｏ ｄ ｅ ｌ ｎｄ ａ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｓ ｐ ｅ ｅ ｄ．Ｓ ｉ ｍｕ ｌ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｈｅ ｔ ｉ ｍ— ｐ ｒ ｏ ｖ ｅ ｄ ＣＶ ｍｏ ｄ ｅ ｌ ｈ ｓ ａ ｂ ｅ ｔ ｔ ｅ ｒ ｓ ｅ ｍ ｅ ｇ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｅ ｆ ｆ ｅ ｃ ｔ ｈａ ｔ ｎ ｈｅ ｔ ｏ ｉｇ ｒ ｉ ｎ ｌ ａ ｍｏ ｄ ｅ ｌ ｉ ｎ ｈｅ ｔ ｎ ｏ ｎ—ｕ ｎ ｉ ｆ ｏ ｒ ｍ ｒａ ｇ ｙ ｉ ｍａ ｇ ｅ ｓ ．
Ｐ ＡＮＧ Ｄｏ ｎ ｇ ｄ ｏ ｎ ｇ，Ｓ ＨＩ Ｊ ｉ ａ ｎ ｆ ａ ｎ ｇ
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆＩ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｔ ａ ｉ ｙ ｕ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆＴ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ， Ｔ ａ ｉ ｙ ｕ ａ ｎ ０ ３ ０ ０ ２ ４ ， Ｃ ｈ ｉ ｎ ａ ）
Ｄ Ｌ ＿ ， Ｉ Ｇ Ｉ Ｔ Ａ Ｌ ｖ Ｉ Ｄ Ｅ ｏ 洫 ｇ 一 ■
【 本文献信息】庞冬冬， 史健芳 ． 基于改进主动轮廓模型的图像分割算法［ Ｊ ］ ． 电视技术 ， ２ ０ １ ３ ， ３ ７ （ １ ）
基于改进主动轮廓模型的图像分割算法
庞 冬冬 ， 史健 芳
（ 太原理工大学 信 息工程 学院 ， 山西 太原 ０ ３ ０ ０ ２ ４ ）
【 Ｋ ｅ ｙ ｗ ｏ ｒ ｄ ｓ 】Ｉ ｍ ａ ｇ ｅ ｓ ｅ ｍｅ ｇ ｎ ｔ ａ ｔ ｉ ｏ ｎ ； Ｃ ｈ ａ ｎ — Ｖ ｅ ｓ ｅ ｍ ｄｅ ｏ ｌ பைடு நூலகம் ｎ ｅ ｉ ｇ ｈ ｂ ｏ ｒ ｈ ｏ ｏ ｄ ａ ｖ ｅ ｒ ａ ｇ ｉ ｎ ｇ ； ｌ ｏ ｃ ｌ ａ ｖ ａ ｒ ｉ ｎｃ ａ ｅ