论文部分内容阅读
图像分割是将给定的图像根据其特征分割成不同的区域,从背景中提取感兴趣的目标。在图像分割领域中,基于几何活动轮廓模型的图像分割方法一直是最活跃的研究热点之一。本文主要是分别对两个基于局部区域的活动轮廓模型展开研究,特别是对含弱边缘、弱纹理区域及复杂结构图像进行分割时存在的问题,提出相关的改进算法。详细的研究工作内容介绍如下:1.局部图像拟合(Local Image Fitting,LIF)模型是利用图像局部信息来建立的能量泛函,缺乏全局信息,因此该模型在分割含弱边缘及弱纹理区域的图像时,对初始轮廓曲线选取的要求较高,且对噪声的鲁棒性也不好。加权全局图像拟合(Weight Global Image Fitting,简称WGIF)模型通过引入加权全局的拟合图像与原图的差异性得到能量泛函,缺乏局部信息。针对LIF模型存在的问题,提出了一种融合全局分数阶微分的WGIF模型和LIF模型的图像分割算法。图像全局信息的分数阶微分梯度拟合力和局部图像的灰度拟合力构成了改进算法中演化曲线的驱动力,增强了演化曲线的驱动力,驱使演化曲线不断向目标轮廓运动。通过理论分析和实验结果均得到,提出的模型对弱边缘及弱纹理图像能得到有效的分割结果,且降低了对演化曲线初始轮廓选取的要求,也提高了对噪声的鲁棒性。2.局部高斯分布拟合能量(Local Gaussian Distribution Fitting,LGDF)模型是利用均值和方差的高斯分布统计信息对局部图像灰度分布进行描述,相比于区域可调拟合(region scalable fitting,RSF)模型和LIF模型,该模型对灰度不均匀图像、噪声图像及相对复杂图像都能实现更好的分割结果。但该模型缺乏全局信息,对初始轮廓曲线选取较敏感,特别在分割弱边缘和弱纹理区域的图像时,可能出现局部最优解的情况,且对噪声的鲁棒性较差,导致分割失败。为了提高LGDF模型的分割性能,在局部拟合项的LGDF模型中融合全局的Grümwald-Letnikov(G-L)分数阶梯度拟合项,能增强弱边缘和弱纹理区域的梯度信息,从而提高对初始轮廓曲线和噪声的鲁棒性;采用自适应权重函数确定全局项和局部项的系数,提高对灰度不均匀图像的分割效率和精度;利用图像的对比度、信息熵和梯度模值构建自适应分数阶阶次的数学模型,提高分割效率。提出的模型增强了对初始轮廓曲线和噪声的鲁棒性,对灰度不均匀图像的分割精度和效率都有所提高。