資源描述：
《圖像分割文獻(xiàn)綜述.doc》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。
1、文獻(xiàn)綜述圖像分割就是把圖像分成各具特色的區(qū)域提取感興趣目標(biāo)的技術(shù)和過程。它是由圖像處理到圖像分析的關(guān)鍵步驟，是一種基本的計算機(jī)視覺技術(shù)。圖像分割起源于電影行業(yè)。伴隨著近代科技的發(fā)展，圖像分割在實(shí)際中得3到了廣泛應(yīng)用，如在工業(yè)自動化、在線產(chǎn)品檢驗、生產(chǎn)過程控制、文檔圖像處理、遙感和生物醫(yī)學(xué)圖像分析、以及軍事、體育、農(nóng)業(yè)工程等方面?？傊灰巧婕皩ο竽繕?biāo)進(jìn)行特征提取和測量，幾乎都離不開圖像分割。所以，對圖像分割的研究一直是圖像工程中的重點(diǎn)和熱點(diǎn)。自圖像分割的提出至今，已經(jīng)提出了上千種各種類型的分割算法。由于分割算法非常多，所以對它們的分類方法也不盡相同。我們依據(jù)使用知識的特點(diǎn)與層次，將其分為
2、基于數(shù)據(jù)和基于模型兩大類。前者是直接對當(dāng)前圖像的數(shù)據(jù)進(jìn)行操作，雖然可以利用相關(guān)的先驗信息，但是不依賴于知識；后者則是直接建立在先驗知識的基礎(chǔ)上，這類分割更符合當(dāng)前圖像分割的技術(shù)要點(diǎn)，也是當(dāng)今圖像分割的主流?；跀?shù)據(jù)的圖像分割算法多數(shù)為傳統(tǒng)算法，常見的包括，基于邊緣檢測，基于區(qū)域以及邊緣與區(qū)域相結(jié)合的分割方法等等。這類分割方法具有以下缺點(diǎn)，易受噪聲和偽邊緣影響導(dǎo)致得到的邊界不連續(xù)，需要用特定的方法進(jìn)行連接；只能提取圖像局部特征，缺乏有效約束機(jī)制，難以獲得圖像的全局信息；只利用圖像的底層視覺特征，難以將圖像的先驗信息融合到高層的理解機(jī)制中。這是因為傳統(tǒng)的圖像處理算法都是基于MIT人工智能實(shí)驗室M
3、arr提出的各層相互獨(dú)立、嚴(yán)格由低到高的分層視覺框架下進(jìn)行的。由于各層之間不存在反饋，數(shù)據(jù)自底向上單向流動，高層的信息無法指導(dǎo)底層特征的提取，從而導(dǎo)致底層的誤差不斷積累，且無法修正。基于模型的分割方法則可以克服以上缺陷?；谀Ｐ偷姆指罘椒梢詫⒎指钅繕?biāo)的先驗知識等有用信息融合到高層的理解機(jī)制之中，并通過對圖像中的特定目標(biāo)對象建模來完成分割任務(wù)。這是一種自上而下的處理過程，可以將圖像的底層視覺特征與高層信息有機(jī)結(jié)合起來，因此更接近人類的視覺處理?；谀Ｐ偷膱D像分割方法主要包括：基于統(tǒng)計模型的分割方法；基于神經(jīng)網(wǎng)絡(luò)的分割方法；基于形變模型的分割方法。主動輪廓模型（ActiveConlourMod
4、el，ACM）（又稱活動輪廓模型，變形曲線模型）的研究背景及發(fā)展?fàn)顩r。即Snake模型，最初由Kass等人于1998年提出，并成功應(yīng)用于圖像分割方面。這種模型通過建立與參數(shù)化曲線Ｃ相關(guān)的能量函數(shù)，然后優(yōu)化該能量函數(shù)，使輪廓向目標(biāo)邊界演化，并在目標(biāo)邊界處達(dá)到最優(yōu)值。1987年Kass、Witkin和Terzopoulos首次提出主動輪廓模型，并成功應(yīng)用于圖像分割、視頻跟蹤等相關(guān)應(yīng)用。這種模型對Marr提出的各自獨(dú)立分層圖像處理模型提出了挑戰(zhàn)，它將圖像本身的底層視覺屬性（如邊緣、紋理、灰度、色彩等）與待分割目標(biāo)的先驗信息（如形狀、亮度、色彩等）以一種有機(jī)的方式——能量函數(shù)的形勢結(jié)合起來，最終得到
5、待分割目標(biāo)的完整表達(dá)。能量函數(shù)一般由兩部分構(gòu)成：內(nèi)部能量函數(shù)和外部能量函數(shù)。一般說來，內(nèi)部能量函數(shù)嵌入了對目標(biāo)特征約束的先驗性假設(shè)，以及保持輪廓本身特性（如光滑性和剛性）的約束條件；而外部能量函數(shù)則根據(jù)圖像的數(shù)據(jù)特性（如邊緣特性、區(qū)域特性等）構(gòu)造合理的約束。因此，能量函數(shù)表示先驗信息與圖像特征之間匹配程度的度量。形變被看作輪廓在能量的共同作用下向感覺興趣目標(biāo)運(yùn)動變形的結(jié)果。通過優(yōu)化方法得到能量函數(shù)的極小值來實(shí)現(xiàn)先驗信息與圖像特征之間的最佳匹配。主動輪廓模型可以分為參數(shù)化模型和幾何化模型兩類。最初提出的是參數(shù)化模型，它有很大的缺陷：對初始化位置敏感、凹陷邊緣處收斂效果不理想，以及不具備自動拓?fù)?/p>
6、變化（曲線的分裂與合并）等。因此學(xué)界提出了很多改進(jìn)方法。1991年Cohen等人通過加入氣球力來增大輪廓演化的力，可以使初始輪廓遠(yuǎn)離目標(biāo)邊界，但是該力的大小難以控制；如果太小，則輪廓演化變慢，反之則容易越過目標(biāo)的弱邊界，導(dǎo)致分割錯誤。Xu和Prince提出了基于梯度矢量流的主動輪廓模型，可以有效改善參數(shù)主動輪廓模型初始輪廓需要靠近目標(biāo)邊界以及對凹陷邊緣處收斂效果不理想的缺陷。Caselles等和Malladi等分別獨(dú)立提出了幾何化的主動輪廓模型，這種模型基于曲線演化理論和水平集方法，不同于參數(shù)化模型，這種模型的演化過程基于曲線的幾何度量（法向量、曲率等），而這些度量采用水平集方法可以方便表示
7、。Casellos和Yezzi等提出的測地線主動輪廓模型（GAC模型）是一種應(yīng)用較多的模型，在一定程度上可以解決“邊界側(cè)漏”問題。利用圖像的邊界信息構(gòu)造演化停止項，從而使輪廓在邊界停止演化，因而統(tǒng)稱為基于邊界的主動輪廓模型。Chan和Vese提出了一種基于簡化的Mumford-Shah模型的主動輪廓模型，即CV模型。該模型利用像素灰度的區(qū)域統(tǒng)計信息構(gòu)造能量函數(shù)，然后利用變分法極小化能量函數(shù)，得到輪廓的演化方程
