主動(dòng)輪廓圖像分割綜述

1、主動(dòng)輪廓圖像分割綜述基于基于PDE的主動(dòng)輪廓圖像分割（主要使用水平集）的主動(dòng)輪廓圖像分割（主要使用水平集）主動(dòng)輪廓圖像分割：將目標(biāo)邊緣整體化，通過(guò)完整的輪廓曲線經(jīng)過(guò)特定的算法自動(dòng)的將目標(biāo)與背景分割開。分割流程： 建立一個(gè)能量泛函 在圖上給出一個(gè)初始輪廓用變分法最小化能量泛函使輪廓曲線在自身的內(nèi)力和圖像信息的外力下發(fā)生形變 曲線演化到目標(biāo)邊界時(shí)能量達(dá)到最小 實(shí)現(xiàn)目標(biāo)與背景的分割參數(shù)主動(dòng)輪廓模型參數(shù)主動(dòng)輪廓模型：基于拉格朗日方程框架，以弧長(zhǎng)等參數(shù)顯式地表達(dá)演化曲線。（snake模型）幾何主動(dòng)輪廓幾何主動(dòng)輪廓模型模型：基于歐拉方程框架，用水平集函數(shù)的零水平集來(lái)表示輪廓曲線。 基于邊緣：利用圖像梯度信

2、息，對(duì)噪聲敏感，結(jié)果依賴 初始化的設(shè)置。（GAC） 基于區(qū)域：從統(tǒng)計(jì)上對(duì)前景和背景進(jìn)行建模仿真，通過(guò)尋找一個(gè)最優(yōu)能量來(lái)使模型最佳擬合原圖像。(MS-CV,LBF)主動(dòng)主動(dòng)輪廓的演化過(guò)程就是頂點(diǎn)序列的迭代過(guò)程，每次迭代輪廓的演化過(guò)程就是頂點(diǎn)序列的迭代過(guò)程，每次迭代得到頂點(diǎn)序列的新位置并計(jì)算得到的新參數(shù)。得到頂點(diǎn)序列的新位置并計(jì)算得到的新參數(shù)。利用水平集來(lái)實(shí)現(xiàn)圖像分割流程：利用水平集來(lái)實(shí)現(xiàn)圖像分割流程：建立能量泛函 引入水平集函數(shù)用水平集函數(shù)表示能量泛函 使用變分法得到拉格朗日歐拉方程 使用梯度下降法得到關(guān)于時(shí)間的PDE 使用有限差分法PDE的解即為最終的分割邊界獲得了一個(gè)包含所需曲線的曲面，然后

3、進(jìn)行演化：獲得了一個(gè)包含所需曲線的曲面，然后進(jìn)行演化：基于邊緣梯度信息或基于區(qū)域特征（只有曲面演化速度方程不同）曲面演化速度方程即水平集演化方程：在曲線演化過(guò)程中，由于圖像的離散性和噪聲的干擾，水平集函數(shù)經(jīng)過(guò)一段時(shí)間后會(huì)發(fā)生震蕩，并逐漸失去光滑性和距離函數(shù)特性，出現(xiàn)尖角或平坦的現(xiàn)象，從而導(dǎo)致最終的計(jì)算結(jié)果偏離真實(shí)情況。早期研究人員提出通過(guò)周期性重新初始化來(lái)解決，現(xiàn)在普遍使用李春明教授提出的在能量函數(shù)中嵌入能量懲罰項(xiàng)來(lái)解決這一問(wèn)題。基于水平集的主動(dòng)輪廓模型（幾何活動(dòng)輪廓）：不可表示點(diǎn)和非閉合曲線，不可描述有相交點(diǎn)的曲線變化?？商幚硌莼€的拓?fù)浣Y(jié)構(gòu)改變，計(jì)算穩(wěn)定，但計(jì)算慢?；谶吔纾篏AC(19

4、97) 利用邊界信息，對(duì)噪聲敏感，依賴初始曲線的選取。利用 圖像灰度值的突變。基于區(qū)域：MSCVPSRSF(LBF)新的局部區(qū)域分割模型【Zhang,2010】不利用梯度信息，對(duì)弱邊界目標(biāo)仍有好的分割效果，將圖像分割成相似的區(qū)域。MS：CV:PS:RSF:水平集將曲線演化轉(zhuǎn)化成一個(gè)純粹的求PDE數(shù)值解的問(wèn)題。源于變分原理的PDE方法將所研究的圖像處理問(wèn)題歸結(jié)為一個(gè)求泛函極值的問(wèn)題。求解求解過(guò)程：過(guò)程：用變分法導(dǎo)出一組PDE（有初始條件或邊界條件以此保證PDE有實(shí)際意義）求能量函數(shù)極值，求極值函數(shù)的歐拉微分，最后利用梯度下降法獲得PDE.用PDE的數(shù)值方法求解（有限差分法）利用等間隔網(wǎng)格化后的離散圖像中相鄰點(diǎn)的值只差與此相鄰點(diǎn)間的距離之比來(lái)近似函數(shù)的偏導(dǎo)數(shù)。此解為一幅圖像（圖像增強(qiáng)，圖像修復(fù)）或?yàn)閳D像和它的邊界（圖像分割）基于水平集的圖像分割研究趨勢(shì)：水平集水平集計(jì)算效率：計(jì)算效率：水平集函數(shù)初始化；自適應(yīng)步長(zhǎng)；初始化函數(shù)：基于多分辨技術(shù)；水平集水平集與其它方法融合：與其它方法融合：基于分水嶺；基于SVM；基于核空間；基于圖割；基于隨機(jī)場(chǎng)；（主要是給分割提供先驗(yàn)知識(shí)，先粗分再細(xì)分）多相水平多相水平集分割：集分割：即多目標(biāo)分割，關(guān)鍵在于如何自動(dòng)確定待分割區(qū)域的數(shù)目。分割灰度不分割灰度不均勻圖像：均勻圖像：（醫(yī)學(xué)圖像，核磁共振圖像，遙感圖像）提升抗噪能力和計(jì)算