一种改进的凸变分水平集模型在图像分割中应用

《一种改进的凸变分水平集模型在图像分割中应用》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、一种改进的凸变分水平集模型在图像分割中应用针对传统的变分水平集CV模型在图像分割中不能分割灰度不均图像的缺陷，提出一种改进的水平集公式化的凸能量函数。改进模型既可以灵活地应用初始值，也可以在算法上设置合理的终止条件，对于背景简单的图像分割效果较清晰；对于前景清晰，目标明确的图像分割的干净，前景和背景明确；对于目标与背景对比不强烈的图像，抓取的H标轮廓明了清晰。应用在图像中提高了分割精度，缩短了计算时间，效果较好。，供学习和研宄使用，己关键词：凸变分水平集；能量函数；图像分割；变分系数TN911.73934A10047373X(2017)11?0072?

2、04Applicationofanimprovedconvexvariationallevel?setmodelinimagesegmentation(1.ShanxiKeyLaboratoryofInformationDetectionandProcessing，NorthUniversityofChina,Taiyuan030051,China；2.ShuozhouNormalCollege,Shuozhou036000，China)Abstract：Sincethetraditionalvariationallevel?setCVmode1can

3、'tsegmenttheunevengray?1eve1imageintheprocessofimagesegmentation,animprovedlevel?setformulationconvexenergyfunctionisputforward.Thismodelcanusetheinitialvalueflexibly,andsetthereasonableterminalconditioninthealgorithm,withwhichtheimagesegmentationeffectisclearforthesimplebackgro

4、undimage.Theimagesegmentationiscleanfortheimagewithdistinctforegroundandspecifictarget,anditsforegroundandbackgroundareexplicit.Thecapturedtargetcontourisclearfortheimagewithpoorcontrastbetweenthetargetandbackground.Themodelappliedtotheimagecanimprovethesegmentationaccuracy，shor

5、tenthecalculationtime，andhasperfectsegmentationresult.Keywords：convexvariationallevelset；energyfunction；imagesegmentation；coefficientofvariation0引言图像分割、特征提取和目标识别是计算机视觉领域由低到高的三个层次，图像分割是特征提取和H标识别的基础。分割的好坏影响着特征提取和目标识别，所以图像分割的算法受到人们极度的重视。一般的图像分割办法有三种：从区域上分割，从边界上分割，从纹理上分割。近些年来，学者们对图像

6、分割不断提出新理论新方法，具有代表性的有聚类、神经网络、遗传算法、支持向量机、数学形态学和水平集等方法。水平集的方法也在图像分割上有很好的效果。本文介绍一种改进的变分水平集模型在图像分割中的应用，能量函数在上是严格的凸函数，当两个分段常量值己知，保证能量函数在内全局最小值的存在性和惟一性。一幅图像在上有惟一的全局最小值，等同于一幅理想的两相图像，在目标，在背景。模型可以允许复杂的初始值，水平值函数能被任意函数且初始化，例如一个常函数。CV模型对有大景噪声的图像和明确检测不到边缘的目标有很好的处理效果，但是，能量函数是非凸性的，甚至两分段常数值是已知的，

7、并且有局部最小值，所以常常效果不佳。因此，模型的初始值非常重要。文献［1］中即使的零水平集停止变化后，的值取正值时变化到取负值时变化到所以在算法上难以设置终止条件。文献［2?3］模型在两相图像分割中效果很好，但是计算工作比较庞大。基于分割模型的变分系数(CoefficientofVariation,CoV)，这种模型能有效检测出现在复杂图像的薄弱边缘。文献［4?5］的能量函数也是非凸性且有局部最小值，所以初始值很重要。1己有模型介绍1.1CV模型Chan?Vese模型是很著名的变分水平集分割图像模型，CV模型在像分割中取得的效果很好，特别是对目标边界不

8、能通过梯度定义的图像具有很好的分割效果［1］，对噪声的干扰也有一定的鲁棒性，CV模型主要是极小