论文摘要
图像分割是一种很重要的图像处理技术,是从图像处理到图像分析的关键步骤,其成功与否,直接影响后续工作的质量。近年来,水平集（Level Set）方法受到研究人员的广泛关注。在水平集方法中,曲线对应为一个更高维曲面的演化函数的零水平集,然后用某种形式的偏微分方程来表示演化函数。该方法的主要特征是可以自然地改变轮廓曲线的拓扑,因而在图像分割中得到广泛应用。然而,水平集方法在实现上遇到个很难解决的问题,那就是它们的计算量相当大,直接导致曲线的演化速度很慢。本文在基于水平集方法的主动轮廓模型（active contour model）图像分割问题进行了深入的研究,开展了以下几方面的工作:1)基于支持度滤波器的水平集图像分割方法的研究将支持度滤波器与几何主动轮廓模型相结合,本文提出了一种新的基于支持度滤波器的水平集轮廓提取方法。该方法用映射最小二乘向量机（mapped LS-SVM）推导出支持度滤波器,采用在基本支持度滤波器中填充零的方法得到一系列的多尺度支持度滤波器。采用图像与支持度滤波器作卷积运算计算出支持度图像,并在此基础上,用支持度图像计算几何主动轮廓模型的边界探测函数。由于支持度变换算法得到的是一系列的显著性特征图像,几何主动轮廓模型在显著性特征图像上演化,从而使计算量大大减少。将提出的方法应用到人脸轮廓提取中。为了解决基本的水平集方法不易区分图像中与人脸肤色类似的物体的问题。本文提出了一种简单可行的水平集人脸轮廓提取方法。其基本思想是:首先将图像进行支持度变换得到支持度图像,在此基础上,用支持度图像计算几何主动轮廓模型的边界探测函数,在演化过程中先选取参数较小的边界探测函数,使得边界探测函数对眉毛不敏感,然后选取参数较大的边界探测函数,使得演化正确收敛于人脸轮廓。实验结果表明,基于支持度滤波器的水平集图像分割方法与传统的水平集方法相比,收敛速度快,分割结果准确,用于人脸轮廓提取效果较好。2)基于标记的水平集图像分割方法基于水平集的图像处理方法近年来成为研究中一个持续热点,然而自动初始化问题仍然没有得到很好的解决,实际上大多数由人工选定,因此,如何恰当地自动选取初始轮廓成为实现自动提取的关键问题。针对上述问题,本文提出了基于标记提取的水平集图像分割方法。首先采用扩展最小值变换（Extended-minima transform）计算图像中的局部最大区域位置作为目标内部的感兴趣区域,然后用提取的标记作为水平集的初始曲线。标记的使用带来关于图像分割的某种带有先应性质的知识。实验结果表明,本文提出的分割方法要求的计算复杂度较低,同时能够有效果解决水平集初始化问题。本文针对水平集方法在基于主动轮廓模型的图像分割中的应用进行了研究,力图通过深入分析模型,实现对经典方法的改进和创新。文中提出了一些新的方法和思路,实验和理论分析都证明了新方法比传统方法有明显的优越性,对水平集方法和主动轮廓模型理论都有重要的补充。