基于变分方法的图像分割研究

《基于变分方法的图像分割研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、华中科技大学硕士学位论文摘要图像分割是计算机视觉中的关键问题之一，其应用范围非常广泛，几乎出现在有关图像处理的所有领域，并涉及到各种类型的图像。传统非模型的分割方法由于其方法本身的局部性、分割区域边界可能不完整、缺乏结合先验知识能力等缺陷，难以满足诸如医学图像分割等复杂分割应用的需求。因此，需要一种有机结合图像本身的低层次视觉属性与待分割目标各种信息的灵活框架，以获得分割区域的完整表达。基于变分方法的图像分割方法正是这种需求下出现的。传统的基于变分方法的图像分割模型有活动轮廓模型，Mumford-Shan模型和Chen-Vese模型。传统的变分模型在处理最底层的视觉

2、信息（灰度，彩色信息）组成的图像获得了巨大的成功。近些年研究的重点是在传统模型上加入较高级的视觉信息。基于形状先验知识的分割模型是将对物体的先验认知加入的传统的模型中，使得模型在物体被遮挡或信息丢失的情况下做出正确的分割。纹理信息差异是指物体和背景之间的纹理的区别，从频率分析的角度来看，这些区别在于频率，方向以及尺度的差别。从图像中提取纹理信息主要使用纹理结构张量或者Gabor滤波器。提取的纹理信息组成的特征空间一般需要前期处理以去掉噪声的干扰。基于纹理信息变分模型是指将这些提取的纹理信息融合到传统的变分模型中达到分割的目的。关键词：图像分割，形状先验知识，纹理分割

3、，活动轮廓模型I华中科技大学硕士学位论文AbstractImagessegmentationisoneofthekeyissuesincomputervision,itsscopeofapplicationisverybroad,anditappearsinalmostallareasoftheimageprocessing.Traditionalnon-modelmethodsaredifficulttomeettheapplicationsofcomplicatedimagesegmentation,forexample,medicalimagesegmenta

4、tion,becauseoftheirincompleteborderregionsegmentation,andthelackofaprioriknowledge.So,imagessegmentationbasedonvariationalmethodisemerging.ActiveContourmodels,Mumford-ShanmodelandChen-VesemodelareTraditionalsegmentationmodelsbasedonvariationalmodels.Thetraditionalvariationalmodelobtain

5、edgreatsuccessindealingwiththelowlevelvisualinformation(greyorcolorinformation)images.Therefore,inrecentyears,researchofsegmentationisfocusedonthetraditionalmodelintegratedwiththehighervisualinformation.Segmentationmodelsbasedonshapeprioriknowledgeaddtheshapeprioriknowledgetothetraditi

6、onalmodel,theobjectswhichareblockedorlossofinformationwillbecorrectlysegmented.Texturedifferenceisthedifferencebetweenthetextureonobjectsandbackgroundoftheimage.Fromthefrequencyanalysispointofview,thedifferenceliesinthefrequency,scaleanddirection.Extractingtextureinformationfromimagesu

7、sedtexturestructuretensororGaborfilters.Thefeaturespacecomposedofextractedtextureinformation,thefeaturespaceneedspretreatmenttoremovenoise.Thevariationalmethodbasedontextureinformationisonethatintegratesthetextureinformationintotraditionalmodel.Keywords:imagesegmentation,shapediffere