基于蛇模型图像分割研究综述.doc

《基于蛇模型图像分割研究综述.doc》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于蛇模型图像分割研究综述摘要：蛇(Snake)模型，也称活动轮廓模型(ActiveContourModel),能利用图像的高层信息能量泛函最小化来解决图像分割问题，多数学者因这点认真研究并改进了Snake,参数活动轮廓最先被研究，从改进力场的角度入手，以GVF-Snake最为出色，该类模型非常适合医学图像的分割，但其本身基于拉格朗日框架，分割结果依赖于初始轮廓的设置，学者借助几何活动轮廓模型，解决参数蛇难于处理拓扑变化问题，使分割以自适应方式进行，极大弱化了初始化耍求，提高分割鲁棒性，能分割遥感、纹理、彩色图片。关键词：图

2、像分割；参数活动轮廓；几何活动轮廓；能量泛函；蛇模型中图分类号：TP3914文献标识码：A文章编号：2095-2163(2013)02-0082-040引言蛇(Snake)模型,即活动轮廓模型(ActiveContourModel),一度曾被国内学者译成主动轮廓模型，最早由Kass等人提出，能利用图像高层信息能量泛函来解决图像分割问题，2000年左右引入国内。国内，较早关注此模型的有哈工大李培华教授，当时将国外最新的蛇模型技术进行了综述［1］。文中阐述了Snake的数学模型，提到了Snake的算法实现，主要有计算复杂度为0(

3、nm3)的Amimi动态规划法，和算法复杂度为0(nm)的Williams的贪婪算法。接着又介绍了Snake的改进模型，如Cohen的气球模型，Storvik的基于贝叶斯概率统计的Snake模型，及用于运动跟踪的可变形模板(DeforinnbleTemplates)模型。另外一位长期深入研究Snake模型、且造诣深厚的学者是美籍华人徐成阳，首先提出了GVF-Snake模型［2］。该模型在图像分割或轮廓提取时，能双向驱动初始曲线的演化,使其进入图像的深凹轮廓，同时，在更大程度上降低了对初始化曲线位置需有严格限制的要求。早期的S

4、neike模型在图像分割或轮廓提取时，因驱动外力不够，要求初始化曲线须设定在图像真实轮廓的附近，否则较难收敛于图像真实轮廓，得不到较好分割效果。在此期间，国内则少有学者开展Snake研究，可见的发表成果为：周彦博结合变分法处理医学图像，成功提取红细胞。贾春光结合遗传算法研究MR图像，提取大脑皮层外轮廓和左脑室，但并未取得满意效果［1］。国内其他学者，鉴于Snake方法的新颖，于2001年左右对Snake算法进行了系统研究，课题多会涉及国家口然基金项冃。研究活动多是集中于对Snake算法的各种改进，并得到改进的GVF-snak

5、e模型，再后来，即是采用水平集方法，所得研究成果多为几何活动轮廓模型。在Sneike模型的研究期间内，因多种原因所致，如学术名词的翻译等,Snake模型，曾被冠以多种名称，如蛇模型［1］、Snake算法［3］、主动轮廓模型［1,4］、活动轮廓模型［5,6］、几何主动轮廓模型［4,7］、可变形模板Snake模型［1,5］、基于角点的Snake模型［8］,随着研究的进一步深入，乂出现了结合区域信息、边界信息的改进的新蛇模型，但这些新数学模型已经与当年Kass的原始Snake有较大区别，本文依然将其归纳为蛇模型家族。为了统一起见，

6、将蛇模型分为参数式活动轮廓模型、几何式活动轮廓模型、融合其他信息的混合蛇模型。(1)基于参数的经典蛇模型有Snake；Balloon-Snake；跖•离势能Snake；GVF-Snake；GGVF-Snake；虚拟电场Snake(VirtualElectricField),简称VEF；改进的虚拟电场Snake(ExternalForceUsingVectorFieldConvolution)简称VFCo(2)几何式蛇模型。采用水平集方法，包括了测地线蛇模型(GeodesicActiveContourModel)简称GAC；测

7、地线活动区域模型(GeodesicActiveRegion),简称GAR；分段常数模型(Chan-Vese)简称C-V；此外，还有双向Chan-Veseo第2期王成杰：基于蛇模型图像分割研究综述智能计算机与应用第3卷(3)混合蛇。两种模型结合的Snake,融合了边界或区域信息，由此得到了对Snake改进后的新方法，如，2006年，Lie等人提出了基于区域的二值水平集。Tai提出了基于边界的二值水平集。2007年，尚岩峰提出自适应的Balloon-GVFSnakeo此后一些学者，又结合其他方法，研究了参数蛇模型进行多目标分割的

8、算法，此算法打破了参数蛇模型不能解决拓扑结构变化的问题。还另有一批学者，结合边界信息，通过演化曲线方式,实现了水平集。1Snake模型的思想图像分割(ImageSegemention)可将给定的图像分割成一系列感兴趣的区域，因而是图像分析、图像理解的基础。Marr的传统视觉将信息处理分为底