基于活動輪廓模型的快速圖像分割.pdf

1、圖像分割作為數(shù)字圖像分析的重要步驟之一。在實際的醫(yī)學圖像中，觀測圖像中經(jīng)常存在復雜噪聲、灰度不均勻以及低對比度的問題，使得精確、快速地分割圖像面臨諸多難題。而活動輪廓模型以其自適應性、亞像素精度等優(yōu)點成為研究的熱點。
　　本文針對以活動輪廓模型為基礎的圖像分割方法進行了相對深入的探討。首先對傳統(tǒng)的活動輪廓模型進行了分類歸納和綜述，然后重點介紹以區(qū)域信息為的幾何活動輪廓模型的數(shù)學背景以及幾個典型區(qū)域活動輪廓模型。最后對加速局部區(qū)域信

2、息活動輪廓模型的收斂速度進行了重點研究，最終提出了一種基于活動輪廓模型的兩步快速分割算法，主要內容如下:
　　1.基于局部區(qū)域信息的活動輪廓模型可以抵抗未知復雜噪聲的影響，對灰度非同質圖像可以達到較好的分割效果，但模型在計算時采取梯度下降法求解，因而計算復雜度高、收斂速度緩慢，同時由于僅利用局部區(qū)域信息，使得模型對設定的初始輪廓敏感。本文提出并采用兩步分割算法。第一步:采用下采樣減少數(shù)據(jù)量，對采樣后的圖像進行分割，得到粗分割結果。

3、第二步:將粗分割結果上采樣到原始圖像的比例，并作為細分割的初始輪廓，進行精細分割。研究結果表明，與一般的區(qū)域活動輪廓模型相比，兩步分割模型由于第一步分割提供了較好的初始值，能夠在極少的步數(shù)內得到更精確的結果。
　　2.第一步分割得到的粗輪廓上采樣到原始圖像的比例，分割結果與真實的目標邊界很接近，但仍有一定的差距。為保證第二步分割水平集函數(shù)的演化穩(wěn)定、快速地進行，引入距離正則化能量泛函。在第二步分割的模型中引入一個距離函數(shù)Rd，它能

4、夠校正模型與初始輪廓的偏差，保證曲線演化的穩(wěn)定性，該距離函數(shù)是連接兩步分割的關鍵。
　　3.梯度下降流法是以函數(shù)當前點對應的梯度（或近似梯度）的反方向的規(guī)定步長距離點進行迭代探索，目前應用范圍廣，但其收斂速度慢，使得模型迭代過程長。本文算法中采用Bregman迭代算法快速求解，有效地提高了模型的分割效率。
　　采用MATLAB軟件進行大量仿真實驗，實驗結果表明，與CV模型、LBF模型、LIF模型以及LCK模型對比，本文算法能