基于水平集的图像分割技术研究

论文摘要

图像分割通常作为图像处理的基础性操作,图像分割结果直接关系到后续更高层的图像处理和计算机视觉工作。水平集方法的出现,给活动轮廓模型带来了强大的生命力,并由此出现了大量经典的轮廓模型。可以通过水平集方法,隐性的描述曲线的演化过程,克服了参数化Snake模型的很多固有缺陷,能够自动处理演化过程中曲线的拓扑结构的变化,这使得活动轮廓模型在应用中得到了很大的拓展。本文将主要研究水平集曲线演化理论在图像分割中的应用,并且研究如何将构造出性能更加优越的新活动轮廓模型。本文可以分为以下3个部分：首先,研究了水平集方法在曲线演化理论中的应用及其算法,并且研究了基于水平集方法的活动轮廓模型的发展及其经典模型。利用水平集方法来隐性的描述曲线的演化,可以自动处理演化中曲线的拓扑结构的变化,由此产生了一些性能优越的几何活动轮廓模型。本文介绍了水平集的数值计算方法,和一些性能较好的水平集快速算法和其初始化算法。详细介绍了一些经典的基于水平集方法的活动轮廓模型,并对其进行了实验,分析了相关模型固有的一些优缺点。其次,研究了基于偏微分方程的图像去噪方法,并将图像去噪方法与基于水平方法的图像分割方法向融合,提出了一个新的图像分割模型。噪声对图像的污染会使得在处理图像分割的过程中产生错误,因此,在本文中研究了在各方面性能都比较优越的基于偏微分方法的图像去噪方法,提出了一个新的基于高阶微分方程的图像去噪方法。并将该去噪方法与水平集图像分割方法相融合,目的是使得在处理图像分割和图像去噪过程中能够相互利用对方处理的结果,提出了一个基于图像去噪和水平集方法相融合的图像分割方法。最后,研究了基于模糊理论的图像分割方法,并将模糊理论应用于基于水平集方法的图像分割模型中,提出了一个带有模糊权值的活动轮廓模型。目的是使得基于区域信息的图像分割方法在处理图像分割时,能够达到全局最优,且能应用于那些类别区分模糊的图像分割。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 图像分割的意义
• 1.2 图像分割方法概述
• 1.3 水平集图像分割方法的研究
• 1.4 本文的主要工作
• 第二章 曲线演化理论和水平集方法
• 2.1 曲线演化理论
• 2.2 水平集方法
• 2.3 水平集数值计算
• 2.4 水平集快速算法
• 2.4.1 并行算法
• 2.4.2 窄带法
• 2.4.3 快速行进法
• 2.5 水平集初始化算法
• 2.5.1 广义最近点算法（Generalized Closest Point）
• 2.5.2 标准PDE近似方法
• 2.6 本章小结
• 第三章 基于传统活动轮廓模型的图像分割
• 3.1 Snake参数轮廓模型
• 3.1.1 基本原理
• 3.1.2 实验结果与分析
• 3.2 几何活动轮廓模型
• 3.2.1 基本原理
• 3.2.2 实验结果与分析
• 3.3 测地线活动轮廓模型
• 3.3.1 基本原理
• 3.3.2 实验结果与分析
• 3.4 C-V活动轮廓模型
• 3.4.1 基本原理
• 3.4.2 实验结果与分析
• 3.5 本章小结
• 第四章 基于曲线演化和各向异性扩散的图像分割方法
• 4.1 基于各向异性扩散的图像去噪方法
• 4.1.1 P-M方法
• 4.1.2 四阶非线性扩散图像去噪方法
• 4.2 基于高阶非线性扩散方程的新型图像去噪方法
• 4.2.1 P-M启发性扩散系数函数分析
• 4.2.2 构造新型的扩散系数函数
• 4.2.3 基于新型扩散系数函数的四阶非线性扩散图像去噪
• 4.2.4 实验结果与分析
• 4.3 基于曲线演化和各向异性扩散的图像分割方法
• 4.3.1 曲线演化模型
• 4.3.2 曲线演化与各向异性扩散之间联系
• 4.3.3 融合了各向异性扩散的曲线演化模型
• 4.3.4 实验结果与分析
• 4.4 本章小结
• 第五章 基于水平集的图像模糊分割技术
• 5.1 模糊C均值聚类的图像分割方法
• 5.1.1 数据集的C划分
• 5.1.2 模糊C均值聚类目标函数
• 5.1.3 模糊C均值聚类算法
• 5.1.4 关于FCM图像分割算法的分析
• 5.2 基于模糊聚类和水平集方法的图像分割模型
• 5.2.1 对单目标的图像分割模型
• 5.2.2 对多目标的图像分割模型
• 5.2.3 图像分割模型算法
• 5.2.4 实验与分析
• 5.3 本章小结
• 第六章 总结与展望
• 参考文献
• 附录A 图索引
• 附录B 表索引
• Appendix A Figure Index
• Appendix B Table Index
• 致谢
• 读硕期间发表的论文及从事的科研项目