论文摘要
图像分割是图像处理中的一项重要技术,也是计算机视觉中的基础问题,分割结果的好坏直接影响到更高层图像分析和理解等后续的处理。当前图像分割的算法层出不穷,但大部分方法对噪声比较敏感,易出现不连续的边缘。偏微分方程图像处理方法以其检测精度高、保持边缘连续性等优势成为研究的热点。本文先从基于边界的活动轮廓模型和基于区域活动轮廓模型两方面出发,详细介绍了Snake模型、GAC（Geodesic Active Contours）模型、Mumford-Shah（M-S）模型、Chan-Vese（C-V）模型、LBF（Local Binary Function）模型、LIF（Local Image Fitting）模型以及Sub-Local模型,并对每个模型的优缺点进行详尽的分析。接着,在Sub-Local模型的基础上,针对背景区域较为简单,目标区域较为复杂的图像提出了三种新型的基于半局部区域活动轮廓模型。这三个模型,不仅继承了C-V模型和LBF模型的优点,还摒弃了C-V模型只能分割同质图像,单相位的LBF模型不能分割重叠区域的缺点。同时它们也克服了现有基于半局部区域信息的Sub-Local模型所存在的不足。首先,本文提出了第一种基于半局部区域信息的LBF&CVB模型。该模型利用分片光滑函数来逼近图像的背景区域,用全局信息和局部信息组合来刻画图像的目标区域。此外,为了增加模型的演化效率,加入了气球力项。实验表明,L BF&CVB模型与传统的C-V模型和LBF模型相比有很大的优势,其无论对于同质图片、实际图片或是带有部分噪声的图像都有较好的分割效果。针对LBF&CVB模型无法使曲线收敛到目标真实边界的问题,本文提出了LBF&CVGAC模型。在LBF&CVB模型的基础上,去掉了气球力项,引入了扩展的GAC加权弧长项,使得曲线的演化更为稳定。实验显示,新模型不仅保持了LBF&CVB模型的分割效果,而且其收敛性比LBF&CVB模型和Sub-Local模型的收敛性都要好,同时在边界不会出现LIF模型和S ub-Local模型中的震荡现象。虽然曲线的收敛性问题得到了较大的提高,但LBF&CVGAC模型整体的演化速度较慢,且无法正确分割背景比较光滑,内部区域含有间隔较小的深凹陷区域的图像。因此,针对LBF&CVGAC模型的不足,本文提出了ILBF&CVGAC模型。模型通过调整曲线内外部的尺度参数,既提高了曲线的演化速度,又出色的分割出了LBF&CV GAC模型无法分割的图像。