基于對偶方法的多相圖像分割.pdf

1、圖像分割作為計算機視覺的關鍵技術，在數(shù)字圖像處理過程中得到了廣泛的研究和應用。在圖像分割模型中，基于水平集方法的活動輪廓線模型是一種非常成功的變分模型，該模型在能量泛函的驅動下，使輪廓線逐漸變形，直到輪廓線抵達分割區(qū)域的邊界，但其致命的缺點是難以處理變拓撲結構，只存在局部最優(yōu)解，解決此問題可以通過活動輪廓線模型的全局最優(yōu)解來實現(xiàn)。傳統(tǒng)的水平集方法采用符號距離函數(shù)作為水平集函數(shù)，差分格式十分繁瑣，在進行數(shù)值計算的時候為了防止分母為零的情況

2、，通常需要添加一個小量，這難免會對分割的結果產(chǎn)生影響，而且分割的速度比較慢，不能很好地解決復雜而且多目標的分割問題，所以本文采用對偶方法來克服基于水平集方法的圖像分割中出現(xiàn)的問題，引入對偶方法到活動輪廓線模型中，通過引入一個變量與已知變量組成對偶變量，系統(tǒng)地建立了該類模型計算的對偶方法，不僅提高了計算速度，而且克服了傳統(tǒng)總變差模型計算時引進小的規(guī)則化參數(shù)帶來的精度下降問題。本文對基于對偶方法的多相圖像分割進行了深入的研究，主要從以下幾個

3、方面進行了研究：第一，系統(tǒng)地研究了曲線演化、對偶方法、活動輪廓線模型的基本理論及其在圖像分割領域的應用；第二，在ROF模型和M-S模型的基礎上實現(xiàn)了活動輪廓線模型的全局最優(yōu)分割，包括二維圖像的分段常值和分段光滑的圖像分割；第三，編程實現(xiàn)了對偶方法的多相圖像分割，并將其應用于人工圖像，遙感圖像以及真實的醫(yī)學圖像分割實驗中，大量的實驗結果表明，本文提出的圖像分割模型充分利用對偶方法以及區(qū)域劃分策略，都達到了圖像分割的預期效果；最后，針對實驗