基于区域型水平集方法的图像分割研究

《基于区域型水平集方法的图像分割研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中国科学技术大学硕士学位论文基于区域型水平集方法的图像分割研究姓名：闵海申请学位级别：硕士专业：模式识别与智能系统指导教师：黄德双20100501摘要图像分析的主要目的是对图像感兴趣的目标进行分析处理，而图像分割是提取出这些感兴趣目标的必经步骤，并且是图像分析中关键的一步。随着科技水平的不断发展和日益增长的需要，图像分割对于现代生活越来越具有重要的实用价值。目前，有大量的优秀的图像分割算法，其中基于水平集的主动轮廓模型成为一种广受欢迎的方法，它强调的是设计一个好的能量函数，然后通过最小化这个能量

2、函数来得到最终目标轮廓的过程，并且其中的曲线用零水平集表示。本文主要研究的是基于区域型水平集的主动轮廓模型，对水平集的理论基础和数值计算做了研究，介绍了曲线演化理论，水平集的数值计算推导过程，以及其中的关键理论一变分法。接着介绍了所熟知的近年来出现的几个经典的区域型水平集模型，包括Chan-Vese模型，RegionScaleFitting模型，LocalChan-Vese模型等，我们给出了模型的理论依据和模型的能量函数表达式，并且展示了模型的实验结果，然后对各种的模型的性能以及优缺点给出了分析

3、和对比。通过对水平集主动轮廓模型的研究，我们提出了一种改进的水平集模型，称之为局部最大最小信息的水平集模型，模型的主要原理是基于图像的灰度值一般在边缘位置具有更大差异这一特性，使用局部的窗口算子对每一个像素点的窗口邻域内进行了最大最小差值运算，通过上述步骤，可提高图像的局部对比度，接着和全局的拟合项相融合构造出能量函数的主体部分，实验结果证明该模型在人工图像和真实图像上都是有效的。关键词：图像分割；主动轮廓模型；区域型水平集；局部最大最小信息；C-V模型ABSTRACTThemainpurpos

4、eofimageanalysisistoanalyzeandprocessthetargetofinterestoftheimage．Imagesegmentationisthekeystepforextractingthetargetofinterest．Andthestepisveryimportantforimageanalysis．Withthedevelopmentofscientificandtechnological，thetechnologyofimagesegmentation

5、ismoreandmoreimportantinmodemlife．Atpresent,therearelotsofmethodsforimagesegmentation，andlevelsetbasedonactivecontourmodeliSoneofthebestmethods，whichstressedthattheaccuracyofimagesegmentationissignificantwhendesigninganeffectiveenergyfunction．Andthen

6、theobjectcontourwillbeautomaticallyobtainedbyminimizingtheenergyfunction，wheretheactivecontourisreplacedbythezerolevelset．Themainresearchinthisthesisisregion—basedlevelsetbasedontheactivecontourmodel．Weintroducedthetheorybasisandnumericalcalculationo

7、flevelset．AndthenWeintroducedtherudimentarybasisofcontourgeometryandgavethederivationprocessofnumericalcalculation．Asanimportantstep，thecalculusofvariationsisexhibited．Besides，／seVeralclassicallevelsetmodelshavebeenproposedinrecentyears，includingChan

8、-Vesemodel，RegionScaleFittingmodel，LocalChan—VesemodelandSOon．Weintroducedthemainprincipleandenergyfunctionmodelofeverymodel，andthenexhibitedtheexperimentresults．Finally,theadvantagesanddisadvantagesofeverymodelareanalyzedandcomprised．Atlast，wepropos