论文摘要
图像分割和边界提取对于图像理解、模式识别、计算机视觉等具有非常重要的意义,是进一步图像分析的基础。目前,在图像分割领域,并没有对各类图像都适用的通用方法。如何快速且准确地检测到图像中目标物体或者感兴趣部分的边界,一直是人们研究的热点问题。近年来,基于偏微分方程的图像分割的研究十分活跃,成为图像分割研究领域一项受到广泛关注的技术。本学位论文首先介绍了现有的图像分割方法,以及图像分割中的偏微分方程方法,然后针对几何活动轮廓模型(GAC)进行了研究,得到如下的结果:在基于偏微分方程的图像分割中,基于边界的GAC模型几乎都依赖于停止速度函数(HSF),该函数通常是基于图像梯度定义的,其作用是使活动轮廓(演化曲线)停止在所希望的目标边界上。然而,在GAC模型中,由于传统的HSF在同质区域不够大,导致活动轮廓线不能均匀快速的演化到希望的目标边界,故基于GAC模型的图像分割有演化时间长的缺点。为了加快活动轮廓的演化速度,本文提出对HSF进行尺度变换的方法,实验结果显示,本学位论文提出的方案能够大大减少分割时间,同时,对于凹陷边界和弱边界的分割取得了更好的效果。针对无须重新初始化水平集方法(LX模型)对二值图像分割时间长的问题,本学位论文提出一种新的模型,意在分割二值图像时,可以自适应地确定曲线的演化方向,大大缩短二值图像的分割时间。实验结果表明,该算法可以大大缩短图像分割时间。