学位论文 > 优秀研究生学位论文题录展示

水平集方法及其在图像分割中的应用研究

作　者: 王晓峰
导　师: 黄德双
学　校: 中国科学技术大学
专　业: 模式识别与智能系统
关键词: 图像分割水平集方法灰度不均匀局部Chan-Vese模型图像层多层水平集框架密度聚类水平集密度演化终止准则先验信息
分类号: TP391.41
类　型: 博士论文
年　份: 2009年
下　载: 1362次
引　用: 15次
阅　读: 论文下载

内容摘要

在信息社会里,图像已成为人类获取和交换信息的重要途径,而利用计算机进行数字图像处理是为了对图像中的目标进行分析,从而获得目标的客观信息并建立对图像的相关描述。图像分割一直是数字图像处理领域中最为基础和重要的问题,它是对图像进行视觉分析和模式识别的基本前提。所谓图像分割指的是根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域,并使这些特征在同一区域内呈现出相似性,而在不同区域间呈现出明显的差异性。近年来,水平集方法已经成为图像分割领域的一个研究热点,并在处理图像分割问题时表现出了良好的性能。相较于传统的图像分割方法,水平集方法有着显著的优点:用隐式表达的演化曲线(面)可以很自然地改变其拓扑结构,因此可以分割图像中具有复杂形状的目标对象;避免了对闭合曲线(面)演化过程的跟踪,将曲线(面)的演化转化成一个纯粹的偏微分方程求解问题;其有着较强的数学背景作为理论支撑,较为容易扩展到高维情况。因此,对其进行研究是非常有必要的。同时,水平集方法仍然处于发展阶段,其理论和应用方面的研究都有待于进一步深化和完善。在此背景下,本论文对水平集方法及其在图像分割中的应用和进一步扩展进行深入的研究,在基于局部信息的混合型水平集模型、基于多层水平集框架的多相图像分割、基于水平集方法的密度聚类框架、基于先验信息的植物叶片图像分割几个方面提出了有效的算法。本文的主要工作概况如下:(1)提出了一种新的基于局部信息的Local Chan-Vese(LCV)模型。通过使用局部图像信息,该模型可以在较少的迭代次数内分割灰度不均匀图像。在规则化项中引入能量惩罚项,使得水平集函数在演化过程中很自然地保持为近似的符号距离函数。此外,给出了一个基于演化曲线长度变化的水平集演化终止准则。最后,构造了一个新的扩展型结构张量,将其与LCV模型相结合,可以分割灰度均匀或者不均匀的纹理图像。在一系列人工和真实图像上的实验证明了LCV模型的有效性和鲁棒性。通过与Chan-Vese模型和Local Binary Fitting模型进行实验对比,显示出LCV模型可以在较少的迭代次数内分割灰度均匀或不均匀的普通与纹理图像,并且对于初始轮廓的位置和演化参数的选择不敏感。(2)通过在水平集方法中引入一种图像层的概念,构建了一种新的多层水平集分割框架。与传统的多水平集分割不同,多层水平集框架仅使用一个水平集函数,并且以一种层级演化的方式来进行多相图像分割。为了保证收敛的速度,提出了一种参数自适应更新方案。此外,定义了单图像层上和全局上的水平集演化终止准则,整个演化过程中无需任何人工干涉。在人工和真实图像上的实验结果表明了多层水平集框架的有效性,与传统的多相Chan-Vese模型相比,多层水平集框架具有较低的计算复杂度和更快的收敛速度。(3)提出使用水平集演化来逼近聚类中心的思想,并构建了一种基于水平集方法的密度聚类框架,从而成功地将图像分割方法扩展至密度聚类领域。与传统水平集方法不同,借助于数据空间的特性,水平集初始轮廓可被自动创建。演化过程中,不同类型的轮廓会以不同的方式包围各个聚类中心。为了得到包围聚类中心的最优的水平集边界,给出了演化轮廓记录集的动态更新准则。此外,还提出了一种有效的数据空间中的水平集演化终止准则。最后,在水平集边界的基础上设计了一种新的水平集密度,以用于在聚类过程中替代传统的概率密度。在人工和真实数据集上的实验结果表明,所提出的密度聚类框架可以有效地处理聚类中心较为接近的数据集,并进行离群点检测。通过与其它密度聚类算法的实验对比,显示出该聚类框架可以避免过拟合现象,并能解决聚类边界点与噪声或离群点的易混淆问题。(4)提出了两种有效的基于先验信息的植物叶片图像分割方案。两种方案的共同特点在于,分割过程需要分为预分割和正式分割两步来进行。第一种方案是基于水平集演化方式,使用叶片的近似对称性作为先验信息。第二种分割方案是基于形态学处理中的分水岭算法,使用叶片的形状大小作为先验信息。实验表明,对存在交叠或枝叶干扰情况的真实叶片图像,上述两种方案均能产生正确的分割。

全文目录

摘要  4-6
ABSTRACT  6-17
第1章绪论  17-27
  1.1 数字图像处理的概念  17-18
  1.2 图像分割的概念  18-20
  1.3 图像分割方法的分类  20-23
  1.4 图像分割的应用  23
  1.5 本文的研究背景和意义  23-24
  1.6 本文的内容安排  24-25
  1.7 本文的主要创新点  25-27
第2章水平集方法综述  27-47
  2.1 参数活动轮廓模型  27-29
  2.2 水平集方法的基本理论  29-38
    2.2.1 曲线演化理论  29-32
    2.2.2 水平集方法  32-35
    2.2.3 水平集函数的初始化  35-36
    2.2.4 水平集方法的数值计算  36-38
  2.3 水平集方法的研究现状  38-46
    2.3.1 研究概况  38-41
    2.3.2 水平集方法在图像分割领域里的研究现状  41-45
    2.3.3 研究趋势  45-46
  2.4 本章小结  46-47
第3章基于局部信息的改进型 Chan-Vese 模型  47-76
  3.1 引言  47-49
  3.2 相关能量模型  49-52
    3.2.1 Mumford-Shah 模型  49-50
    3.2.2 Chan-Vese 模型  50-52
  3.3 Local Chan-Vese 模型  52-64
    3.3.1 全局项  52-53
    3.3.2 局部项  53-55
    3.3.3 规则化项  55-58
    3.3.4 水平集演化方程  58-60
    3.3.5 扩展型结构张量  60-62
    3.3.6 水平集演化的终止准则  62-63
    3.3.7 模型的数值实现  63-64
    3.3.8 算法步骤描述  64
  3.4 实验结果  64-75
    3.4.1 参数设置  64-65
    3.4.2 灰度分布均匀图像分割实验  65-66
    3.4.3 与CV 模型的对比实验  66-68
    3.4.4 与LBF 模型的对比实验  68-69
    3.4.5 纹理图像分割实验  69-71
    3.4.6 综合性真实图像分割实验  71-73
    3.4.7 能量惩罚项与快速步进法的对比  73-74
    3.4.8 讨论  74-75
  3.5 本章小结  75-76
第4章用于多相图像分割的多层水平集框架  76-93
  4.1 引言  76-77
  4.2 多相 Chan-Vese 模型  77-79
  4.3 多层水平集框架  79-86
    4.3.1 图像层的概念  79-81
    4.3.2 水平集函数初始化  81-82
    4.3.3 单图像层上的水平集演化  82-84
    4.3.4 图像背景层的检测  84-85
    4.3.5 多层水平集框架算法步骤  85-86
  4.4 实验结果  86-92
    4.4.1 两相图像分割实验  86-87
    4.4.2 多相图像分割实验  87-91
    4.4.3 与多相CV 模型的对比实验  91-92
  4.5 本章小结  92-93
第5章基于水平集演化的密度聚类框架  93-122
  5.1 引言  93-96
  5.2 水平集密度聚类框架  96-110
    5.2.1 数据空间与图像空间  96-97
    5.2.2 测地线活动轮廓模型  97-99
    5.2.3 核密度估计  99-100
    5.2.4 数据空间中的水平集初始轮廓  100-101
    5.2.5 数据空间中的水平集演化过程  101-104
    5.2.6 数据空间中水平集演化的终止准则  104-105
    5.2.7 水平集密度  105-106
    5.2.8 基于水平集密度的寻谷法  106-109
    5.2.9 离群点检测  109
    5.2.10 详细算法步骤  109-110
  5.3 实验结果  110-121
    5.3.1 参数设置  110-111
    5.3.2 人工数据集上的聚类实验  111-116
    5.3.3 真实数据集上的聚类实验  116-117
    5.3.4 与其他密度聚类方法的对比实验  117-119
    5.3.5 性能分析  119-121
  5.4 本章小结  121-122
第6章基于先验信息的植物叶片图像分割  122-137
  6.1 引言  122-124
  6.2 基于植物叶片近似对称性先验信息的水平集分割方案  124-130
    6.2.1 植物叶片的近似对称性  124-125
    6.2.2 两级水平集分割方案  125-128
    6.2.3 实验结果  128-130
  6.3 基于植物叶片形状大小先验信息的自动标记分水岭分割方案  130-136
    6.3.1 分水岭算法简介  130-131
    6.3.2 自动标记分水岭分割方案  131-134
    6.3.3 实验结果  134-136
  6.4 本章小结  136-137
总结和展望  137-140
参考文献  140-148
在读期间发表的学术论文与取得的其他研究成果  148-150
致谢  150-151

相似论文

森林防火系统中图像识别算法的研究,TP391.41
数字图像处理在集装箱检测中的应用研究,TP274.4
个性化人工膝关节设计及其生物力学特性研究,R318.1
基于图像处理技术的烟叶病害自动识别研究,S435.72
红外图像目标识别及跟踪技术研究,TP391.41
细菌聚类算法及其在图像分割问题中的研究与应用,TP391.41
基于粒子群优化的Fuzzy c-mean聚类算法的基因芯片图像处理,TP391.41
结合蚁群算法与基于划分的DBSCAN聚类算法的研究,TP311.13
基于知识的脊柱MRI影像分割算法研究,TP391.41
基于OpenCV的人脸检测方法研究,TP391.41
曲面几何噪声去除的非局部变分模型研究,TP391.41
计算机辅助髋关节置换手术系统研究与开发,TP391.41
基于单目夜视图像的深度估计,TP391.41
基于中介真值程度度量的图像分割方法研究,TP391.41
基于图像处理的棉花成熟度判定技术的研究,TP391.41
基于空间邻域词袋模型的图像标注技术,TP391.41
基于数字图像处理技术的路面裂缝检测算法研究,TP391.41
Web图像搜索中基于GPU的图像分割技术术究,TP391.41
基于改进的GVF主动轮廓模型的图像分割方法研究,TP391.41
基于主动轮廓模型的图像分割方法研究,TP391.41
基于主动轮廓模型的心脏核磁共振图像左心室分割方法研究,TP391.41