偏微分方程与变分技术在图像分割中的应用研究

《偏微分方程与变分技术在图像分割中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号密级太原理工大学博士学位论文题目偏微分方程与变分技术在图像分割中的应用研究ＲｅｓｅａｒｃｈｏｎＩｍａｅＳｅｍｅｎｔａｔｉｏｎＢａｓｅｄｏｎＰａｒｔｉａｌｇｇ丨Ｄ英文并歹Ｊ题目ｉｆｆｅｒｅｎｔｉａｌａｎｄＶａｒｉａｔｉｏｎａｌＴｅｃｈｎｉｑｕｅ研究生姓名：每．２０１３３１００３５学专业：计算机应用技术视觉信息处理－研究方向：李海芳导师姓名：职称：教授学位授予单位：太原理工大学论文提交日期２０１８／０６地址？太原

2、：山西太原理工大学声明，本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文不包含其他个人或集体已经发表或撰写过的研究成果。对本文的研究。做出重要贡献的个人和集体，均已在文中以明确方式标明本声明的法律责任由本人承担Ｐ论文作者签名：斗細日期：关于学位论文使用权的说明本人完全了解太原理工大学有关保管、使用学位论文的规定，其中包括：①学校有权保管、并向有关部门送交学位论文的原件与复印件；；②学校可以采用影印、缩印或其它

3、复制手段复制并保存学位论文③学校可允许学位论文被查阅或借阅；④学校可以学木交流为目的，复制赠送和交换学位论文：⑤学校可以公布学位论文的全部或部分内容（保密学位论文在解密后遵守制此规定）。日期：＞／＾＼Ａ／孓签名：１‘导师签名：日期：太原理工大学博士研究生学位论文偏微分方程与变分技术在图像分割中的应用研究摘要随着计算机视觉、人工智能和思维科学领域的不断发展，数字图像处理的研究和应用正在向更高、更深、更广的层次迈进。图像分割作为模式识别、目标跟踪、图像理解和机器视觉等领域基础且关键的研究课题，其主要

4、目的是把图像划分成若干个具有特定性质的互不重叠的子区域，将符合特定应用场景的目标从背景中提取出来。图像分割几乎渗透于图像处理的各个环节中，迄今为止，研究人员已经为之付出了很大的努力并提出了很多模型和算法。其中，基于水平集方法的活动轮廓模型因具有自由改变拓扑结构和多信息共融的优势，受到众多学者的持续关注与研究。然而，由于视觉信息的多样性、复杂性和海量性，图像分割技术仍然面临着巨大的挑战。为了得到通用性更好、分割精度和效率更高的算法模型，国内外学者至今仍在不断的研究探索，这也是本文选题的意义所在。本文以变分水平集方法和偏微分方程为基

5、础，针对背景复杂、灰度不均匀和噪声污染图像的分割问题，对基于变分理论的经典主动轮廓模型做了深入研究,从提高模型对初始轮廓的敏感性、噪声的鲁棒性以及分割的准确性等若干方面着手开展研究工作，提出了几种适用于噪声污染、灰度不均匀和背景复杂图像的分割模型。I太原理工大学博士研究生学位论文本文的主要贡献及创新性工作如下：（1）针对噪声污染和灰度不均匀复杂图像的分割问题，提出了一种结合局部灰度差异的噪声图像分割模型。该模型叠加了由局部灰度差异构建的噪声点修正函数，增强了模型对多种噪声的鲁棒性，该函数可以对偏离局部灰度均值较大的像素点进行适当

6、修正，将其像素的灰度值调整至合理范围内，降低了异常值对能量泛函计算过程的干扰，有效地减少了噪声对分割结果的影响。修正后的图像在全局范围内减小了图像像素的离散程度，抑制了噪声，改善了图像质量，使得图像变得更为平滑有效，最大程度地满足了分割技术要求。该模型利用局部区域内修正后的像素灰度值和局部均值之间的差异建立相关能量模型，对叠加各类噪声的仿真人工图像和自然图像进行的实验结果表明该模型不仅对初始曲线位置选择不敏感，并对不同类型和强度的噪声均有较强的适应能力，可得到良好的分割结果。（2）传统噪声鲁棒的水平集图像分割方法大多致力于准确判

7、别异常值，并对异常数据点进行适当降权，以减少其对分割过程的干扰和影响，这类方法容易抛弃过多的正常图像数据，在噪声环境下对非同质和弱边缘图像的分割精度较差。针对这一问题，本文提出一种自适应邻域的活动轮廓模型，使用图像梯度向量的方向和长度引导邻域变形，即允许水平集模型中的邻域变形为椭圆，椭圆长轴方向与邻域中心点的梯度向量方向重合，椭圆偏心率与梯度向量的长度正相关。在这种变形策略下，目标边界较清晰、梯度值较大时缩小邻域范围，沿梯度方向增大偏心率，抛弃部分无关的图像信息；反之扩大邻域、降低偏心率，使更多的图像信息参与运算，在提高分割精度

8、的同时保持了一定分割效率。进一步地，引入局部相关性系数方法，考虑邻II太原理工大学博士研究生学位论文域内的点与其它像素点的相关程度，对高噪点进行降权处理，避免了邻域变形过程中抛弃过多图像信息导致噪声干扰分割结果的问题。多组定量实验表明该模型相对于传统模型在处理噪