資源描述:
《一種改進(jìn)的凸變分水平集模型在圖像分割中應(yīng)用》由會(huì)員上傳分享,免費(fèi)在線閱讀,更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫(kù)。
1、一種改進(jìn)的凸變分水平集模型在圖像分割中應(yīng)用針對(duì)傳統(tǒng)的變分水平集CV模型在圖像分割中不能分割灰度不均圖像的缺陷,提出一種改進(jìn)的水平集公式化的凸能量函數(shù)。改進(jìn)模型既可以靈活地應(yīng)用初始值,也可以在算法上設(shè)置合理的終止條件,對(duì)于背景簡(jiǎn)單的圖像分割效果較清晰;對(duì)于前景清晰,目標(biāo)明確的圖像分割的干凈,前景和背景明確;對(duì)于目標(biāo)與背景對(duì)比不強(qiáng)烈的圖像,抓取的H標(biāo)輪廓明了清晰。應(yīng)用在圖像中提高了分割精度,縮短了計(jì)算時(shí)間,效果較好。,供學(xué)習(xí)和研宄使用,己關(guān)鍵詞:凸變分水平集;能量函數(shù);圖像分割;變分系數(shù)TN911.73934A10047373X(2017)11?0072?
2、04Applicationofanimprovedconvexvariationallevel?setmodelinimagesegmentation(1.ShanxiKeyLaboratoryofInformationDetectionandProcessing,NorthUniversityofChina,Taiyuan030051,China;2.ShuozhouNormalCollege,Shuozhou036000,China)Abstract:Sincethetraditionalvariationallevel?setCVmode1can
3、'tsegmenttheunevengray?1eve1imageintheprocessofimagesegmentation,animprovedlevel?setformulationconvexenergyfunctionisputforward.Thismodelcanusetheinitialvalueflexibly,andsetthereasonableterminalconditioninthealgorithm,withwhichtheimagesegmentationeffectisclearforthesimplebackgro
4、undimage.Theimagesegmentationiscleanfortheimagewithdistinctforegroundandspecifictarget,anditsforegroundandbackgroundareexplicit.Thecapturedtargetcontourisclearfortheimagewithpoorcontrastbetweenthetargetandbackground.Themodelappliedtotheimagecanimprovethesegmentationaccuracy,shor
5、tenthecalculationtime,andhasperfectsegmentationresult.Keywords:convexvariationallevelset;energyfunction;imagesegmentation;coefficientofvariation0引言圖像分割、特征提取和目標(biāo)識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域由低到高的三個(gè)層次,圖像分割是特征提取和H標(biāo)識(shí)別的基礎(chǔ)。分割的好壞影響著特征提取和目標(biāo)識(shí)別,所以圖像分割的算法受到人們極度的重視。一般的圖像分割辦法有三種:從區(qū)域上分割,從邊界上分割,從紋理上分割。近些年來(lái),學(xué)者們對(duì)圖像
6、分割不斷提出新理論新方法,具有代表性的有聚類(lèi)、神經(jīng)網(wǎng)絡(luò)、遺傳算法、支持向量機(jī)、數(shù)學(xué)形態(tài)學(xué)和水平集等方法。水平集的方法也在圖像分割上有很好的效果。本文介紹一種改進(jìn)的變分水平集模型在圖像分割中的應(yīng)用,能量函數(shù)在上是嚴(yán)格的凸函數(shù),當(dāng)兩個(gè)分段常量值己知,保證能量函數(shù)在內(nèi)全局最小值的存在性和惟一性。一幅圖像在上有惟一的全局最小值,等同于一幅理想的兩相圖像,在目標(biāo),在背景。模型可以允許復(fù)雜的初始值,水平值函數(shù)能被任意函數(shù)且初始化,例如一個(gè)常函數(shù)。CV模型對(duì)有大景噪聲的圖像和明確檢測(cè)不到邊緣的目標(biāo)有很好的處理效果,但是,能量函數(shù)是非凸性的,甚至兩分段常數(shù)值是已知的,
7、并且有局部最小值,所以常常效果不佳。因此,模型的初始值非常重要。文獻(xiàn)[1]中即使的零水平集停止變化后,的值取正值時(shí)變化到取負(fù)值時(shí)變化到所以在算法上難以設(shè)置終止條件。文獻(xiàn)[2?3]模型在兩相圖像分割中效果很好,但是計(jì)算工作比較龐大?;诜指钅P偷淖兎窒禂?shù)(CoefficientofVariation,CoV),這種模型能有效檢測(cè)出現(xiàn)在復(fù)雜圖像的薄弱邊緣。文獻(xiàn)[4?5]的能量函數(shù)也是非凸性且有局部最小值,所以初始值很重要。1己有模型介紹1.1CV模型Chan?Vese模型是很著名的變分水平集分割圖像模型,CV模型在像分割中取得的效果很好,特別是對(duì)目標(biāo)邊界不
8、能通過(guò)梯度定義的圖像具有很好的分割效果[1],對(duì)噪聲的干擾也有一定的魯棒性,CV模型主要是極小