基于形状先验和图割的彩色图像分割_牛文斐_汪西莉
Computer Engineering and Applications 计算机工程与应用
基金项目：国家自然科学基金资助项目（41171338）；中央高校基本科研业务费（GK201102009）。 基于形状先验和图割的彩色图像分割
牛文斐，汪西莉
NIU Wenfei ，WANG Xili
陕西师范大学计算机科学学院，陕西 西安 710062
School of Computer Science Shaanxi Normal University, Xi’an Shaanxi,710062
Color image segmentation based on shape prior and graph cuts
Abstract ：Image segmentation methods based on graph cuts can achieve a global optimal solution in binary labeling problem,and can get a local optimal solution with strong features in multiple-labels problem .But it has a bad effect on the complex images that have noise or occlusions ，so it can not make people satisfy.This paper proposed an image Segmentation method based on shape prior segmentation and Graph cut.On the basis of graph cut,incorporated with shape prior knowledge,the algorithm can restrict the object search space by more constraint, extract the target completely and improve the algorithm accuracy,and handle the affine transformation of shape by feature matching algorithm ，in order to make this algorithm flexibility and deal with different situations. The results of expermient show that the proposed method is effective.
Key words: image segmentation; graph cut; shape prior; energy function
摘 要：基于图割理论的图像分割方法在二值标号问题中可以获取全局最优解，而在多标号问题中可以获取带有很强特征的局部最优解。但对于含有噪声或遮挡物等复杂的图像，分割结果不完整，效果并不令人满意。本文提出了一种基于形状先验和图割的图像分割方法。以图割算法为基础，加入形状先验知识，使该算法包含更多约束信息，从而限制感兴趣区域的搜寻空间，能够更好地分割出完整的目标,增加了算法的精确度。针对形状的仿射变换，运用特征匹配算法进行处理，使本文算法更加具有灵活性，能够应对不同类型的情况。实验表明了算法的有效性。
关键词：图像分割；图割；形状先验；能量函数
中图分类号：TP751 文献标示码：A doi ：10.3778/j.issn.1002-8331.1302-0199
0 引言
图像分割是利用图像的某些特性，如灰度、颜色、纹理、形状等信息将图像划分成若干个独立的有意义的连续区域或对象，在每个区域内部具有同质的特性。图像的分割结果直接影响到后期的图像分析理解。利用图割理论进行图像分割是近年来基于能量最小化框架的一个研究热点。该理论的新颖之处在于它的全局最优求解能力及结合多种知识的统一图像分割框架。1989年，Greig 等人[1]
为了验证模拟退火算法解决全局优化问题的不足，首次将图割理论引入计算机
视觉领域。2001年，Boykov 和Jolly [2]
首次提出了基于图割的图像分割方Interactive graph cuts，它有着获取全局最优解以及融合多种先验知识的能力，奠定了运用图割理论进行图像分割的基本架构。 传统的图割方法对简单图像的分割是成功的，但是对于含有噪声或遮挡物的复杂图像的分割效果并不好。针对该缺陷，本文提出以图割算法为基础，增加形状先验知识，运用形状先验信息和组合图割优化的方
法进行图像分割，可以有效改善这些问题。
网络出版时间：2013-04-18 16:14
网络出版地址：https://www.wendangku.net/doc/8a13815277.html,/kcms/detail/11.2127.TP.20130418.1614.007.html
1 基于图割的图像分割 1.1 图割理论
图割是一种基于图论的组合优化方法，它将一幅图像映射成一个网络图，其中像素点对应图中的节点，相邻像素点之间的关系对应图中节点之间边，并建立关于标号的能量函数，割的容量对应能量函数。运用最大流/最小割算法对网络图进行切割，得到网络图的最小割，即对应于待分割的目标边界。
设),(E V G =为一个带有非负权值的无向图，其中V 为顶点集，对应图像的像素点集P ；E 为边集，对应图像像素点之间的关系。V 包含两个额外添加的顶点(称为终端)，一个称为源S ，一个称为汇T 。因此},{T S P V ∪=。E 包含两类边link
t ?( terminal links )和
link n ?(neighborhood links)，每个像素
p 都有两个link t ?:},{S p 和},{T p ，
邻域像素对N q p ∈},{都由links n ?连接,因
此}},{},,{{T p S p N E P
p ∈=∪。图G 的一个
割C 是边集E 的一个子集，由它所导出的
子图),()(C E V C G ?=，将图G 的两个终端分离( 即两个终端之间没有道路连通)。割C 的容量(记作||C ) 定义为组成割C 的所有边的权值之和。最小割就是图G 所有割中容量最小的割。最小割可根据L.Ford
and D. Fulkerson [3]
提出的网络流理论，通过求网络图的最大流而得到，而这个最小割正是要求解的能量函数的全局最优值。 1.2 图割方法解决图像分割的一般框架[4]
：
（1）构造能量函数,从而将分割问题转化为能量函数最小化问题，该能量函数反映了图像分割结果的好坏。
（2）根据图像构造s-t 网络图，这个图将能量函数视为其中边的集合，使能量与网络图的割相对应，从而将能量最小化问题转化为求网络图最小割问题。
（3）根据最大流/最小割定理，将网络图最小割问题转化为最大流问题。
（4）求得网络图的最大流，即对应着图的最小割，从而得到能量函数的全局最优
解，最终得到图像分割结果。
图割理论的核心思想是构造一个能量
函数，能量函数一般由两项组成[5]
：
)
()()(f E f E f E smooth data += (1)
其中，数据项)(f E data 用来衡量像素p 所分配的标号p f 与观察到的数据不一致性；光滑项)(f E smooth 用于约束邻接像素间具有一致视差，它体现了区域内部的连续性和边界的不连续性。不同的能量函数对应网络图中的边所赋权值的方法是不同的，但能量函数最终是解决标号问题的。运用图割算法求解能得到该能量函数的全局最优解。
2 基于形状先验和图割的图像分割
传统图割方法可以获取全局最优解或者是带有很强特征的局部最优解，但是对含有噪声或遮挡物等复杂图像，算法会受图像中噪声、遮挡等的影响，分割得到的目标不完整或者包含一些杂质。而目前提出很多在已有算法中加入形状先验的思想，使算法包含更多约束信息，限制了感兴趣区域的搜寻空间，从而更好的分割出完整目标。如Greg
Slabaugh [6]
等提出了基于椭圆形状先验和
图割的图像分割方法。Olga Veksler [7]
提出一种融合星形形状先验到图割算法中的图像分割方法。引入形状先验的思想，关键要考虑如何将形状先验惩罚添加到传统图割算法中，从而进行有效的分割。形状先验模板可以选用一个简单的模板，也可以选用多个形状先验模板的训练集，后者更为灵活，适用于变形的形状，但计算是复杂而耗时的。因此本文在图割算法的基础上，加入了简单的形状先验知识，有效提高了图割的分割精度，使图割方法更具有鲁棒性。若给定形状先验模板与待分割目标存在平移、旋转、尺度缩放等刚性变换，则运用sift （Scale Invariant feature transform）算法进行特征匹配，通过仿射变换将给定模板与分割目标进行对齐，解决形状先验模板与待分割目标存在的仿射不同，使该算法更
灵活
2.1 形状先验模型
首先定义形状先验能量，根据文献[8]
中提到的运用Chan and Zhu [9]
提出的形状距离的描述形式，将形状先验能量通过终端边缘权值合并到图中。该方法中的形状距离是对称的，而且遵循了三角不等式。该方法使用的形状模板是和待分割目标相同的二值形状模板。
对于给定的一个形状模板0?，我们定
义二值标签f 的能量：
),(),(0
20p
p p p S f d f E ??= 20)(∑
∈?=P
p p
p f ? 2
00)**(∑∈+=P p p
p p p f f ?? (2) 由上述思想可以得到，形状先验惩罚
为：
)**()(0
0p p p p p s f f f V ??+= (3)
其中f 表示未含形状先验得到的分类标记，
0?表示已知的二值形状模板。
加入形状惩罚的思想：如果分类得到的标记模板和已知形状的二值模板在某点的标记不一致，如p 点的标记0=p f ，而模板10=p ?，或p 点的标记1=p f ，而模板0
0=p ?，则表示分割有误，需要加入形状惩罚1；如果分割得到的标记模板和已知二值模板的像素点的标记一致，则形状惩罚为0，即不需要加入任何惩罚。 2.2 模板仿射变换
如果给定的二值形状模板和分类得到的标记模板不完全相同，存在平移、旋转、尺度缩放等差异，则需要将两个形状通过仿射变换进行配准。通过仿射变换实现图像配
准有多种方法，比如归一化算法[10]
、梯度下
降法[11]
等，
但归一化算法是根据图像矩来求解的，对于含有阴影等杂质的模板处理效果不好，往往得不到正确的形式；梯度下降法求解容易陷入局部最优，找不到最优解。本文运用Sift（Scale Invariant Feature
Transform ）特征匹配算法[12]
，Sift 由D.G.Lowe 于1999年提出，2004年完善总结。其匹配能力较强，可以处理两幅图像之间发生平移、旋转、尺度缩放等情况下的匹配问题。Sift 算法是一种提取局部特征的算
法，在尺度空间寻找极值点，提取位置，尺度，旋转不变量。极值点是一些十分突出的
点，比如角点、边缘点、暗区域的亮点以及亮区域的暗点，如果两幅图像中有相同的景物，那么使用某种方法分别提取各自的稳定
点，则这些点之间会有相互对应的匹配点。 根据正确匹配的特征点，运用仿射变换公式求得变换参数，从而使两幅图像正确匹配。
2.3 本文方法 2.
3.1 算法设计 本文算法的思想：首先建立关于标号的能量函数)(f E A ，利用图割方法最小化该能
量函数求得最优解，从而得到初始分割结果。在此基础上，运用上述提到的添加形状先验的思想，在能量函数中添加形状项，构成新的能量函数，通过终端边缘权值将形状惩罚合并到图中，运用图割算法求得最终分割结果。
算法流程为：
步骤1 首先选取一幅彩色图像，对图像构造s-t 网络图，建立关于此标号的能量函数)(f E A ，根据定义好的能量函数，确定图的边缘之间的权值。
步骤2 然后在该网络图上运用最大流/最小割算法求得图的最大流，即对应着最小割，从而得到初始的图像分割结果。
步骤3 在上述算法的基础上，结合添加形状先验的思想，定义形状先验能量，在能量函数中添加形状项，构成新的能量函数)(f E ，然后把这些形状能量通过终端边缘权值合并到图中。
步骤4 运用图割方法进行分割，得到加入形状以后的图像分割结果。
2.3.2 能量函数的定义
算法第一步和第三步是建立关于标号
的能量函数，本文选择的能量函数形式为：
)()()(f E f E f E S
A += (4)
该能量函数包括两项，第一项是基于图像信息的能量项，第二项是形状能量项。算法第一步中建立的是基于图像的能量函数，对应（4）式的第一项，这一项是基于图像信息的，包含数据项和平滑项。算法第三步建立的能量函数如（4）式所示，包括两项。
能量函数中第一项)(A E 采用文献[2]
定义的形式：
)()()(A B A R f E A +?=λ (5)
其中)(A R 是数据项，)(A B 是平滑项。式中系数0≥λ表示了区域项)(A R 和边界项
)(A B 的相对重要性。数据项和平滑项的定
义如下： 数据项:∑∈=
P
p p
A R
A R )()( (6)
)|(ln )"("O I P obj R p p ?= (7)
)|(ln )"("B I P bkg R p p ?= (8)
平滑项:∑
∈?=
N q p q p q p A A B A B },{},{),()(δ(9) ???≠= 0 1),(otherwise A A if A A q
p q p δ (10) )
,(1
)2)(exp(2
2
},{q p dist I I B q p q p ?
??
∝σ(11)
（6）式中)(A R 表示像素p 属于背景或者目标的概率的代价。式（9）中系数0},{≥q p B 表示像素p 和q 之间的不相似性的代价，
),(q p A A δ表示像素点标号的值，式（11）
中p I 和q I 表示像素点的值。算法中，数据
项选用高斯模型来建模。采用K 均值算法。将图像像素点聚为两类，得到样本的标记并计算每类的均值和协方差，从而估计得到参数进行建模。 能量函数中第二项形状项)(f E S 采用
上述2.1节描述来定义。如果给定的形状模板经过了仿射变换，则采用上述2.2节的思想来定义。 3实验结果与分析
运用上述方法对彩色图像进行分割。程
序用Matlab 编写，其核心部分由C++语言实现，编程环境为Matlab 2009b 和VC2008。选用标准图像库Weizmann horse database
（https://www.wendangku.net/doc/8a13815277.html,/people/members/eranb/）中的
图像进行实验，该数据库中马的颜色、大小、
形态各异，而且背景也十分复杂，有些与马
的颜色很接近，不同图像中的目标之间、背景之间也有着明显的差异。本文分别用传统
图割算法和添加形状先验后的算法对图像进行分割。两种方法的能量函数定义的参数λ均设置为43。
图1中（a）是一幅加入均值为0、方差为0.01的高斯噪声后的彩色图像,使用传统
图割方法时得到初始分割结果如图（b）。添加形状先验能量后，使用图割方法得到分割
结果和标记如图（c）。从图中可以看到，分割效果得到了优化，错误率明显降低。图2和图3是加入和上图相同大小的噪声后得到
的图像分割结果。从这三个图像的分割结果
图来看，加入形状先验后的图割算法，对含
有噪声的图像具有更强的鲁棒性，得到更完
整的目标分割。
(a) 原图像
（b）未加形状先验
（c）加入形状先验
图1 horse320.jpg加入高斯噪声分割结果
(a) 原图像
（b）未加形状先验
（c）加入形状先验
图2 horse125.jpg加入高斯噪声分割结果
(a) 原图像
（b）未加形状先验
（c）加入形状先验
图3 horse321.jpg加入高斯噪声分割结果 图4中（a）是一幅在原图上添加一部分遮挡物后得到的彩色图像。使用传统图割方法得到初始分割结果如图（b）。从结果图中可以看到，遮挡物部分没有得到有效分割，仍然属于一个整体被错分给了目标部分。添加形状先验能量后，使用图割方法得到分割结果和标记如图（c）。从图中可以看到，遮挡物部分得到了正确分割，目标部分分割更加完整，分割效果得到了优化，错误率明显降低。
(a) 原图像
（b）未加形状先验
（c）加入形状先验
图4 horse002.jpg加入遮挡物分割结果 图5中（a）是一幅彩色图像。该图像本身就含有遮挡物，图中人坐在马上，人的上部分身体属于背景，下部分身体属于目标，人为遮挡物。使用传统图割方法得到初始分割结果如图（b）。从图中可以看出，人的部分没有得到正确分割，目标分割不完整。添加形状先验能量后，使用图割方法得到分割结果和标记如图（c）。从图中可以看到，错误部分得到了很大改善，分割效果得到了优化。
(a) 原图像
（b）未加形状先验
（c）加入形状先验
图5 horse097.jpg含遮挡物分割结果
图6中（a）为一幅彩色图像。图中人和马都有影子，含有阴影遮挡。首先使用传统图割方法得到初始分割结果如图（b）。从结果图中看出，阴影部分均还存在，没有得到正确分割。在上述图割算法中添加形状先验惩罚后，得到分割结果如图（c）。从图中可以看到，阴影部分得到正确分割，分割结果得到了优化。
(a) 原图像
（b）未加形状先验
图图78和图9
(c)未加形状先验 （d）加入形状先验 图7 horse129.jpg 的图像分割结果
(a)平移后的模板 (b)原图像
(%/s)
(%/s) horse002 6.7%/1.65 0.1%/7.89
horse097 2.2%/1.32 0.2%/3.82 horse099 1.7%/1.42 0.2%/5.89 horse320
2.8%/4.26 0.3%/7.66 horse125 6.8%/4.38 0.6%/10.45 horse321
3.7%/5.02 0.4%/6.93 horse129 15.8%/3.18 0.49%/10.24 horse008 2.1%/1.56 0.6%/7.03 horse182
15.9%/3.09
0.004%/14.2
从表1看出，添加形状先验后的错误率
大幅度下降，图像分割效果良好。但耗时会增加，主要是由于增加形状惩罚部分引起的，因为形状惩罚是按图像的像素点加进去的，所以需要逐个像素点来判断，但是并没有增加太多的时间复杂度。实验数据进一步表明了本文算法的有效性和分割效率，表明了本文算法针对含噪、有遮挡或阴影的复杂图像可以较完整地分割出目标，取得较好的结果。
4 结束语
传统的图割方法对简单图像的分割可以得到良好的效果，但是对于含有噪声、遮挡物等的复杂的图像，它的分割效果不能令人满意，有的图像目标分割不完整，有的图像分割结果包含杂质或阴影等部分。本文提出的基于形状先验和图割的图像分割算法，比传统的图割方法分割精度高，特别是对上述提到的复杂图像也能得到良好的分割结果，为图割融合先验知识提供了一种思路。文中选用一个形状先验模板，对一些特定的目标分割具有局限性，只能分割和该形状先验模板一样或仿射不同的目标，对于和形状模版有非刚性变形的目标分割则不适用。针对该局限性，可以考虑采用多个形状先验模板，以适应局部和全局变形。
参考文献：
[1]D.Greig,B.Porteous,A.Seheult.Exact maximum a posteriori estimation for binary image[J].Journal of the Royal Statistical Society:Series
B,1989,51(2):271-279.
[2]Yuri Y . Boykov ,Marie-Pierre Jolly.Interactive Graph Cuts for Optimal Boundary & Region Segmentation of Objects in N-D Images.Internation Conference on Computer Vision,July 2001 [3]L.Ford,D.fulkerson.Flows in Networks,Prin
-ceton University Press,1962.
[4]杨建功,汪西莉.一种结合图割与双水平集的图像分割方法.计算机工程与应用.2012,48(3) 195-197.(YANG Jiangong, WANG Xili. Image segmentation approach based on graph cuts and dual level set method. Computer Engineering and Applications, 2012, 48（3）195-197)
[5]Boykov Y , V eksler O, Zabih R. Fast approximate energy minimization via graph cuts[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2001,23(11): 1222-1239
[6]Greg Slabaugh,Gozde Unal.GRAPH CUTS SEGMENTATION USING AN ELLIPTICAL SHAPE PRIOR.Intelligent Vision and Reasoning Department Siemens Corporate Research Princeton,NJ 08540 [7] Olga Veksler.Star Shape Prior for Graph-Cut Image Segmentation.University of Western Ontario London,Canada.
[8]Nhat Vu,B.S. Manjunath. Shape Prior Segmentation of Multiple Objects with Graph Cuts. Department of Electrical and Computer Engineering University of California, Santa Barbara, CA 93106-9560
[9]T.Chan,W.Zhu.Level set based shape prior segmentation.In CVPR, pages 1164–1170, June 2005. [10]Soo-Chang Pei,Chao-Nan Lin.Image normalization for pattern recognition,Image and Vision Computing Volume 13 Number 10 December 1995
[11]Nikos Paragios, Mikael Rousson, Visvanathan Ramesh. Non-rigidregistration using distancefunctions. Computer Vision and Image Understanding, V olume 89, Issues 2–3, February–March 2003, Pages 142-165 [12]David G . Lowe.Distinctive image features from scale-invariant keypoints, International Journal of Computer Vision, 60, 2 (2004), 91-110
一种适用于血管图像分割的活动轮廓模型
第27卷 第5期2010年 10月 生物医学工程学杂志 Journal of Biomedical E ngineering V ol.27 N o.5 October 2010 一种适用于血管图像分割的活动轮廓模型3 田 飞 杨 丰Δ 刘国庆 (南方医科大学生物医学工程学院,广州510515) 摘 要:本文提出了一种适用于血管图像分割的活动轮廓模型。根据局部轮廓曲线与血管边界的吻合状况,该模型能够自适应地调节能量方程中全局强度信息和局部强度信息的比重。实验结果表明,此模型能够有效地应用于非均匀、含噪声血管造影图像的分割。与其它方法相比,该方法对轮廓曲线的初始位置不敏感,且无需对引入参数进行人工调节。 关键词:Chan2Vese模型;图像分割;灰度非均匀;LBF模型 中图分类号 TP391.41 文献标识码 A 文章编号 100125515(2010)0520968206 An Active Contour Model Applied to V ascular Image Segmentation Tian Fei Yang Feng Liu G uoqing (Depart ment of B iomedical Engineeri ng,S out hern Medical Universit y,Guangz hou510515,China) Abstract:In this paper is presented an active contour model applied to vascular image segmentation.This model can adaptively adjust the proportion of global and local intensity information in accord with the anastomosis status be2 tween local contour and boundaries.Our method is able to work effectively on segmentation of angiographic image with intensity inhomogeneity and https://www.wendangku.net/doc/8a13815277.html,pared with other methods,our method is not sensitive to initialization and it eliminates the need for manual adjustment of new parameter. K ey w ords:Chan2Vese model;Image segmentation;Intensity inhomogeneity;LBF model 引言 血管图像分割是循环系统血管分析的一个重要组成部分,也是血管三维重建、定量分析的基础。由于血管中造影剂的分布不均往往造成血管在血管造影图像中亮度非均匀,加上图像噪声的影响,使得血管很难从造影图像中分割出来。在众多的图像分割方法/算法中,基于曲线演化的活动轮廓模型因其演化过程与处理结果是一条清晰、完整的目标轮廓曲线,而成为当前研究热点对象,大量的活动轮廓模型被提出并应用于图像分割和计算机视觉处理。目前存在的活动轮廓模型主要被分成两类:基于边界的活动轮廓模型[123]和基于区域的活动轮廓模型[429]。基于边界的活动轮廓模型依靠目标边界的图像梯度终止轮廓曲线的演化。因此基于边界的活动轮廓模型容易跨过弱边界发生“泄漏”现象。与基于边界的活动轮廓模型相比,基于区域的活动轮廓模型不依 3国家自然科学基金资助项目(60672115) Δ通讯作者。E2mail:yangf@https://www.wendangku.net/doc/8a13815277.html, 赖目标边界的梯度信息,因此对弱目标边界的图像具有较好的分割效果。在众多基于区域的活动轮廓模型中,C2V模型[5]得到较为广泛的应用。C2V模型又被称为分段常量(PC)模型,该模型基于假设图像由一系列的灰度均匀区域构成。但是,对于一些含有非均匀特性的血管造影图像,C2V模型往往很难把非均匀血管准确地从背景中分割出来。 为克服灰度非均匀给医学图像分割带来的困难,Li等[8]提出了一种局部二元拟合(local binary fitting,LBF)能量模型。LB F模型使用了局部图像灰度信息,能够解决灰度非均匀性给图像分割带来的问题。但是,LB F模型的局部特性使得该模型对初始轮廓曲线的位置较为敏感。为了克服这种现象,Wang等[9]提出了一种利用全局和局部强度拟合信息的活动轮廓模型。在该模型中,能量泛函是由一个局部强度拟合能量项和一个辅助的全局强度拟合能量项组成。由于含有全局强度拟合能量,该模型能够在一定程度上降低活动轮廓曲线对初始位置的敏感性,同时增大了活动轮廓曲线收敛到非均
图像分割技术与MATLAB仿真
中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日
中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日
目录 摘要 (1) Abstract (1) 引言 (3) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (5) 2.3 区域分割法 (7) 2.4 基于水平集的分割方法 (8) 2.5 分割算法对比表格 (8) 3基于水平集的图像分割 (9) 3.1 水平集方法简介 (9) 3.2 水平集方法在图像分割上的应用 (9) 3.3 仿真算法介绍 (10) 3.4 实验仿真及其结果 (11) 结论 (18) 致谢 (19) 参考文献 (19)
图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾 名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MA TLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the background. Because these segmented image regions are very similar in some properties, image segmentation is often used for pattern recognition and image understanding and image compression and coding of two major categories. Because the generated in the segmented region is a kind of image content representation, it is the image of visual analysis and pattern recognition based and segmentation results of quality of image analysis, recognition and interpretation of quality has a direct impact. Image segmentation it is according to certain features of the image (such as gray level, spectrum, texture, etc.) to a complete picture of the image is segmented into several meaningful area. These features made in a certain region of consistent or similar, and between different regions showed significantly different. Image segmentation technology in various fields have most of the field and its important significance in digital image processing, image segmentation has a wide range of applications, such as industrial automation, process control, online product inspection, image coding, document image processing, remote sensing and medical image analysis, security surveillance, as well as military, sports and other aspects. In medical image processing and analysis, image segmentation for body occurrence of three-dimensional display of the diseased organ or lesion location determination and analysis plays an effective role in counseling; in the analysis and application of road traffic conditions,
基于方向气球力活动轮廓模型的图像分割
邮局订阅号：８２－９４６３６０元／年 技 术创新 图像处 理 《ＰＬＣ技术应用２００例》 您的论文得到两院院士关注 基于方向气球力活动轮廓模型的图像分割 ＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎＵｓｉｎｇＤｉｒｅｃｔｉｏｎａｌＢａｌｌｏｏｎＦｏｒｃｅＡｃｔｉｖｅＣｏｎｔｏｕｒＭｏｄｅｌ （江苏科技大学）祖克举 周昌雄 Ｚｕ，ＫｅｊｕＺｈｏｕ，Ｃｈａｎｇｘｉｏｎｇ 摘要：针对传统参数活动轮廓模型存在对轮廓线初始位置敏感的缺点，提出了方向气球力活动轮廓模型并应用于ＭＲＩ图像 分割。该模型利用底层图像分割的结果确定外力的方向，使气球力方向始终指向目标边界，引导轮廓线变形。 当轮廓线运动到目标边界附近时，在高斯势力作用下继续变形，完成图像高层分割。 实验结果表明，该模型与轮廓线初始位置无关，能实现ＭＲＩ图像的自动分割。 关键词：图像分割；方向气球力；活动轮廓模型；高斯势力 中图分类号：ＴＰ３９１ 文献标识码：ＡＡｂｓｔｒａｃｔ：Ｔｒａｄｉｔｉｏｎａｌｐａｒａｍｅｔｒｉｃａｃｔｉｖｅｃｏｎｔｏｕｒｍｏｄｅｌｉｓｓｅｎｓｉｔｉｖｅｔｏｔｈｅｉｎｉｔｉａｌｐｏｓｉｔｉｏｎ．Ａｎｉｍｐｒｏｖｅｄｅｘｔｅｒｎａｌｆｏｒｃｅｆｏｒｔｈｅａｃｔｉｖｅｃｏｎ－ ｔｏｕｒ，ｃａｌｌｅｄｄｉｒｅｃｔｉｏｎａｌｂａｌｌｏｏｎｆｏｒｃｅｉｓｐｒｏｐｏｓｅｄｔｏａｄｄｒｅｓｓｐｒｏｂｌｅｍａｓｓｏｃｉａｔｅｄｗｉｔｈｉｎｉｔｉａｌｉｚａｔｉｏｎａｎｄｉｓｕｓｅｄｔｏｓｅｇｍｅｎｔＭＲＩｉｍａｇｅｓ．Ｉｎｔｈｉｓｍｏｄｅｌｔｈｅｄｉｒｅｃｔｉｏｎｏｆｔｈｅｆｏｒｃｅｉｓｄｅｃｉｄｅｄｂｙｔｈｅｒｅｓｕｌｔｓｏｆｌｏｗ－ｌｅｖｅｌｓｅｇｍｅｎｔａｔｉｏｎａｎｄａｌｗａｙｓｐｏｉｎｔｓｔｏｏｂｊｅｃｔｂｏｕｎｄａｒｙｔｏｍａｋｅｔｈｅｃｏｎｔｏｕｒｄｅｆｏｒｍ．Ｉｎｔｈｅｖｉｃｉｎｉｔｙｏｆｏｂｊｅｃｔｂｏｕｎｄａｒｙ，Ｇａｕｓｓｉａｎｐｏｔｅｎｔｉａｌｆｏｒｃｅｄｒｉｖｅｓｔｈｅｃｏｎｔｏｕｒｔｏｗａｒｄｓｂｏｕｎｄａｒｙａｎｄｈｉｇｈ－ｌｅｖｅｌｓｅｇｍｅｎｔａｔｉｏｎｉｓｉｍｐｌｅｍｅｎｔｅｄ．ＴｈｅｅｘｐｅｒｉｍｅｎｔｓｏｆｓｅｇｍｅｎｔｉｎｇｌｅｆｔｖｅｎｔｒｉｃｌｅＭＲＩｉｍａｇｅｓｓｈｏｗｔｈａｔｔｈｉｓｍｏｄｅｌｂｅｉｎｄｅｐｅｎｄｅｎｔｏｆｔｈｅｉｎｉｔｉａｌｐｏｓｉｔｉｏｎａｎｄｃａｎｓｅｇｍｅｎｔｉｍａｇｅａｕｔｏｍａｔｉｃａｌｌｙ． Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ；ｄｉｒｅｃｔｉｏｎａｌｂａｌｌｏｏｎｆｏｒｃｅ；ａｃｔｉｖｅｃｏｎｔｏｕｒｍｏｄｅｌ；Ｇａｕｓｓｉａｎｐｏｔｅｎｔｉａｌｆｏｒｃｅ 文章编号：１００８－０５７０（２００６）１０－３－０３０１－０３ 引言 Ｋｉｓｓ等提出的经典参数活动轮廓模型在图像感兴趣区域定义一条带有能量的样条曲线，曲线在自身内力和图像信息产生的外力共同作用下使曲线沿能量降低的方向形变，最终收敛到目标的边界。 在活动轮廓模型中外力一般取高斯势力，它是图像灰度梯度的负值，在图像灰度变化均匀区域，高斯势力为零，不提供任何引导轮廓线变形的信息，轮廓线在内力的作用下最终收缩为一个点。高斯势力只包括图像局部信息，所以只有当初始轮廓线在目标边界附近时，才能收敛到实际目标边界，在远离目标区域时迅速下降为零。针对这一缺点，Ｃｏｈｅｎ提出附加另外一种外力———气球力的活动轮廓模型。气球力垂直于 轮廓线指向外法线方向，使轮廓线向外扩张，当初始轮廓线全部位于目标区域内部时，能正确收敛到实际的目标边界。当初始轮廓线全部位于背景区域或跨越目标和背景两个区域时，气球力模型无法使轮廓线收敛到实际的目标边界。文献通过结合小波系数，在气球力模型基础上，提出了有向图像力（ＤＩＦ）的概念，图像经过离散小波变换后，通过判断小波系数，取得过零点的方向和模值，再通过与Ｓｎａｋｅ轮廓线的法向方向点乘得到ＤＩＦ，该模型在判定图像力方向时只利用了局部信息，虽然能解决尖角和凹陷问题，但算法有时不稳定，且由于采用小波变换，计算时间明显提高。Ｘｕ提出的梯度向量流（ＧｒａｄｉｅｎｔｖｅｃｔｏｒＦｌｏｗＧＶＦ）是通过扩散方程把梯度信息扩展到更远的均匀区域，能使远离目标边界的初始轮廓线收敛到凹形目标边界，由于需要解扩散方程，ＧＶＦ计算量很大。为此在气球力Ｓｎａｋｅ模型中融入图像全局信息，使得气球力可以根据底层图像的分割结果选择形变方向，指导高层图像分割。模型既能保持气球力模型稳定、抗干扰能力强的特点，同时与轮廓的初始位置无关，能够实现图像的自动分割。 １气球力Ｓｎａｋｅ模型 参数活动轮廓模型在数学上可定义为Ｘ（ｓ）＝（ｘ（ｓ），ｙ（ｓ））的集合，其中Ｘ（ｓ）是轮廓线上的二维坐标点，ｓ是归一化的弧长，取值为０≤ｓ≤１，轮廓线的能量函数为 （１） 其中Ｅｉｎｔ为内部能量，Ｅｅｘｔ为外部能量，通过最小化（１）式，轮廓线沿能量降低方向变形，其中 （２） （２）式中的右边第一项为弹性能量，第二项为刚性能量。ａ（ｓ），β（ｓ）分别为弹性系数和刚性系数，一般取常数。内部能量控制着轮廓线的平滑性和连续性。 （３） 其中，为Ｉ（ｘ，ｙ）图像的灰度值，Ｇσ（ｘ，ｙ）表示标准偏差为σ的二维高斯滤波算子，＊是卷积算子，为梯度算子，Ｇσ＊Ｉ为平滑滤波 2 (())[()()]P X s G x y I x y σ=??? ?祖克举：硕士研究生讲师 江苏省教育厅自然科学基金资助项目（２００２３１６） ３０１－－
图像分割算法的比较与分析
中北大学 课程设计说明书 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学院：信息与通信工程学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法的比较与分析 指导教师：陈平职称: 副教授 2014 年12 月29 日
中北大学 课程设计任务书 14/15 学年第一学期 学院：信息与通信工程学院专业：电子信息工程 学生姓名：学号： 课程设计题目：信息处理综合实践: 图像分割算法的比较与分析起迄日期：2015年1月5日～2015年1月16日课程设计地点：电子信息工程专业实验室 指导教师：陈平 系主任：王浩全 下达任务书日期: 2014 年12月29 日课程设计任务书
课程设计任务书
目录 第一章绪论 (1) 研究目的和意义 (1) 图像分割的研究进展 (1) 第二章区域生长法分割图像 (4) 区域生长法介绍 (4) 区域生长法的原理 (4) 区域生长法的实现过程 (5) 第三章程序及结果 (6) 区域生长算法及程序 (6) 图像分割结果 (7) 第四章方法比较 (8) 阈值法 (8) 区域法 (8) 分水岭法 (8) 形态学方法 (9) 第五章总结 (10) 参考文献 (11)
第一章绪论 研究目的和意义 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割;但某些分割方法只是适合于某些特殊类型的图像分割，所以分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有重要位置。一方面，它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象、更紧凑的表达形式，使得更高层的图像分析和理解成为可能。因此在实际应用中，图像分割不仅仅要把一幅图像分成满足上面五个条件的各具特性的区域，而且要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务，为下一步的图像分析做好准备，使更高层的图像分析和理解成为可能。 图像分割在很多方面，如医学图像分析，交通监控等，都有着非常广泛的应用，具有重要的意义。(1)分割的结果常用于图像分析，如不同形式图像的配准与融合，结构的测量，图像重建以及运动跟踪等。(2)在系统仿真，效果评估，图像的3D重建以及三维定位等可视化系统中，图像分割都是预处理的重要步骤。 (3)图像分割可在不丢失有用信息的前提下进行数据压缩，这就降低了传输的带宽，对提高图像在因特网上的传输速度至关重要。(4)分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。 图像分割的研究进展 图像分割是图像处理中的一项关键技术，至今已提出上千种分割算法。但因
基于主动轮廓模型的图像分割算法
2007年第4期 漳州师范学院学报(自然科学版) No. 4. 2007年 （总第58期） Journal of Zhangzhou Normal University （Nat. Sci.） General No. 58 文章编号:1008-7826(2007)04-0041-06 基于主动轮廓模型的图像分割算法 高 梅1 , 余 轮2 (1. 福建行政学院, 福建 福州 350002; 2. 福州大学 物理与信息工程学院, 福建 福州 350002) 摘 要: 主动轮廓模型算法是目前流行的图像分割算法, 其主要优点是无论图像的质量如何, 总可以抽取得 到光滑、封闭的边界. 本文综述了主动轮廓模型算法的发展概况, 并分类介绍了各算法的特点. 此外, 本文还给出 了算法发展的方向, 以及今后研究所面临的关键问题. 关键词: 图像分割 ; 主动轮廓模型 ; 水平集方法 ; 纹理分割 中图分类号： TP391.41 文献标识码： A 1 引言 图像分割的任务是把图像分成互不交叠的有意义的区域，每个区域内部的像素都具相似性，而在边界处具有非连续性. 它是图像分析和理解的首要一步，分割结果的好坏直接影响对图像的理解. 由于尚无通用的分割模型，现有的分割算法都是针对具体问题的，因此，图像分割的研究多年来仍然受到人们的高度重视[1]. 基于变分的方法是近年来研究颇为活跃的一个分支，它将图像分割问题表达为能量函数的最小化，并由变分原理将其转化为偏微分方程的求解[2]. 相比于传统的区域分割方法，变分方法可以通过定义能量函数，综合考虑几何约束、与图像内容有关的约束条件，获得更加自然的分割效果. 主动轮廓模型是目前流行的基于变分的图像分割算法[3]. 其主要优点是无论图像的质量如何，总可以抽取得到光滑、封闭的边界. 它的基本思想是在图像上定义一个初始轮廓线，通过最小化能量函数，驱使轮廓线形变运动至目标边界. 早期的主动轮廓模型存在一定的限制，它对初始值比较敏感，尤其是不具备自动拓扑变化能力；水平集方法则通过将轮廓线看作演化曲线，能够对其拓扑变化进行很自然地处理，同时也降低对初值的敏感性[4]. 结合水平集方法的主动轮廓模型因而被广泛地应用于图像处理与计算机视觉领域. 2 主动轮廓模型方法概述 上世纪八十年代后期，Kass 等人突破了传统的分层视觉模型，提出称为Snake 的主动轮廓模型，开创了基于形变模型的图像处理的先河[5]. 近二十年来，相关改进和扩展研究已经不仅仅局限于最初的图像分割领域，而被越来越多的研究者成功地运用于计算机视觉的其它领域，如图像复原、运动跟踪、3D 重建等等[6]. Snake 是一条闭合的参数曲线))(),(()(s y s x s =C ，参数]1,0[∈s ，它能主动地调整其形状和位置，使能量函数达到最小[3]： ()∫++=1 0 ))(( ))(( ))(( )(ds s E γs E βs E C E con img int C C C α 其中，Snake 的移动由三项共同控制：内部能量int E 确保曲线的光滑度和规则性；图像能量img E 吸引Snake 移至期望的图像特征，比如边缘；约束能量con E 指定一些求解约束. 式中的内部能量常用曲线弧长和曲率 收稿日期: 2007-06-22 作者简介: 高 梅(1964-), 女, 河北省南和县人, 讲师.
水平集图像分割方法研究
生物医学图像分割方法研究 1、图像分割概述 图像是用各种观测系统以不同形式和手段观测客观世界所获得的，可以直接或间接作用于人眼并产生视觉感知的实体。在现实生活之中，大约有75%左右的信息来源于人眼（图像），也就是说人类大部分的信息是视觉信息，从图像中得到。所以，对图像的认识和理解一直是人类视觉研究中非常重要的问题。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割是计算机视觉领域中最古老也是研究最广泛的问题之一。任何图像处理系统，医学图像或是工业图像，图像分割都是一个关乎系统成败的关键问题。 现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。 1、基于阈值的分割方法。 阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。阈值分割当面比较有名的方法有最大类间方差法(OTSU)、基于直方图的阈值方法和熵方法等。 2、基于边缘的分割方法 所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的分割方法指的是基于灰度值的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。 阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点来确定边缘，具体实现时可以使用图像与模板进行卷积来完成。常用的边缘检测算子有sobel，canny和laplace等等。
图像分割程序设计汇总
******************* 实践教学 ******************* 兰州理工大学 计算机与通信学院 2012年秋季学期 图像处理综合训练 题目：图像分割程序设计 专业班级： 姓名： 学号： 指导教师： 成绩：
目录 摘要 (1) 一、前言 (2) 二、算法分析与描述 (3) 三、详细设计过程 (5) 四、调试过程中出现的问题及相应解决办法 (8) 五、程序运行截图及其说明 (8) 六、简单操作手册 (12) 设计总结 (15) 参考资料 (16) 致谢 (17) 附录 (18)
摘要 图像分割就是从图像中将某个特定区域与其他部分进行分离并提取出来的处理 通常又称之为图像的二值化处理。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。 关键词：图像分割；阈值；二值化；
一、前言 图形图像处理的应用领域涉及人类生活和工作的各个方面，它是从60年代以来随计算机的技术和VLSI的发展而产生、发展和不断成熟起来的一个新技术领域理论上和实际应用上都并取得了巨大的成就。数字图像处理与模拟图像处理的根本不同在于，它不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化，所以图形图像的处理在我们的生活中又很重要的作用。在对图像的研究和应用中，人们往往只对图像中的某些部分感兴趣。这些部分通常称为目标或前景，它们一般对应图像中特定的、具体独特性质的区域。为了辨识和分析目标，需要将它们分别提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成各具特性的区域并提取出感兴趣的目标的技术和过程。在图象分析中,通常需将所关心的目标从图象中提取出来,即图象的分割。图象分割在图象分析,图象识别,图象检测等方面占有非常重要的位置。
沈阳理工大学迭代阈值法图像分割程序设计
成绩评定表 学生姓名高冰钰班级学号1303030402 专业 电子信息工程课程设计题目 基于最大类间方差法图 像分割程序设计 —迭代阈值法 评 语 组长签字： 成绩 日期2016年7月18日
课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名高冰钰班级学号1303030402 课程设计题目基于最大类间方差法图像分割程序设计—迭代阈值法实践教学要求与任务： 本设计要求利用Matlab进行编程及仿真，仿真内容为基于最大类间方差法图像分割程序设计——迭代阈值法。利用所学数字图象处理技术知识，在Matlab软件系统上来实现图像分割，并且对程序进行测试。要求如下： （1）掌握课程设计的相关知识、概念、思路及目的。 （2）程序设计合理、能够正确运行且操作简单，可实施性强。 （3）掌握图像分割的方法。 （4）能够利用迭代阈值法进行图像分割。 工作计划与进度安排： 第一阶段（1-2）天：熟悉matlab编程环境，查阅相关资料； 第二阶段（2-3）天：算法设计； 第三阶段（2-3）天：编码与调试； 第四阶段（1-2）天：实验与分析； 第五阶段（1-2）天：编写文档。 指导教师： 2016年7月3日专业负责人： 2016年7月4日 学院教学副院长： 2016年7月4日
摘要 数字图像处理的目的之一是图像识别，而图像分割是图像识别工作的基础。图像分割是从图像预处理到图像识别和分析、理解的关键步骤，在数字图像处理中占据重要的位置。图像分割的目的是将图像分成一些有意义的区域并对这些区域进行描述。 图像分割的方法主要有点相关分割、区域相关分割、阈值法、界限检测法、匹配法、跟踪法等。本设计主要采用阈值分割法中的迭代阈值法，利用MATLAB 软件中的图像处理函数将图像导入，然后对图像进行灰度变换，通过迭代法求图像最佳分割阈值，根据该阈值对图像进行分割，从而产生二值化后的图像。仿真结果表明，通过迭代法选取的阈值是比较准确的，可以采用此阈值对图像进行分割。 关键词：图像分割；迭代阈值法；MATLAB
一种区域自适应主动轮廓模型的图像分割方法
Computer Engineering and Applications 计算机工程与应用 2015，51（9）1引言自从Kass 等人提出主动轮廓模型以来[1]，就广泛应用于图像分割领域。其主要原因是因为主动轮廓模型和其他经典分割方法（如边缘检测法、阈值法[2]等）相比，能够得到光滑闭合曲线。目前，它仍然是计算机视觉的研究热点问题之一[3-4]。主动轮廓模型根据驱动力的不同可分为基于边界信息[5]和基于区域信息[6]的两类主动轮廓模型。一般来 说，基于边界信息的主动轮廓模型是以图像的梯度作为轮廓演化的驱动力[7-8]，对强边界图像具有很好的分割效果，但对弱边界图像，如核磁共振图像，分割效果却较差，而且由于要对图像求梯度，因此对噪声非常敏感。基于区域信息的主动轮廓模型以图像区域内的统计信 息（如均值、方差等）作为轮廓演化的驱动力[8-10]。由于一种区域自适应主动轮廓模型的图像分割方法 邢辉1，彭亚丽1，刘侍刚1，范虹1，孙建成2 XING Hui 1,PENG Yali 1,LIU Shigang 1,FAN Hong 1,SUN Jiancheng 2 1.陕西师范大学计算机科学学院，西安710062 2.西安电子科技大学计算机学院，西安710071 1.School of Computer Science,Shaanxi Normal University,Xi ’an 710062,China 2.School of Computer Science and Technology,Xidian University,Xi ’an 710071,China XING Hui,PENG Yali,LIU Shigang,et al.Regional adaptive active contour model for image https://www.wendangku.net/doc/8a13815277.html,-puter Engineering and Applications,2015,51（9）：176-179. Abstract ：In order to effectively segment intensity inhomogeneous image,this paper presents a regional adaptive active contour model for image segmentation.In the model,an energy function including a local energy term and a global energy term is defined.At the beginning of evolution,the force from the global energy term which is larger than the one from the local energy term is overwhelming,which has the advantages of fast convergence speed.On the contrary,in the late of evolution,the force from the local energy is overwhelming,which has the advantages of positioning precision.Experimental results show that the model can fast and effectively segment the intensity inhomogeneous images. Key words ：active contour model;level set;image segmentation 摘要：为了有效地分割灰度不均匀图像，提出了一种区域自适应主动轮廓模型，在该模型中，定义了一个包含全局能量项和局部能量项的能量泛函。在算法的初期，全局能量项占主导地位，它具有收敛速度快、对初始轮廓不敏感的优点。在算法的后期，局部能量项占主导地位，它具有定位精度高的优点。理论分析和实验结果表明，该模型具有收敛速度快、分割精度高、对初始轮廓不敏感等优点。 关键词：主动轮廓模型；水平集；图像分割 文献标志码：A 中图分类号：TP391doi ：10.3778/j.issn.1002-8331.1306-0204 基金项目：国家自然科学基金（No.61402274）；中国博士后科学基金特别资助（No.200902594）；陕西师范大学中央高校基本科研 业务费项目（No.GK201302029，No.GK201402040）；陕西省自然科学基础研究计划项目（No.2011JM8014）；陕西省科学技术研究发展计划项目（No.21012K06-36）；教育部高等学校博士学科点专项科研基金课题（No.20110202120002）；陕西师范大学实验技术研究项目（No.SYJS201329）；陕西师范大学2012年度校级重点教学改革研究项目（No.884407）；陕西师范大学大学生创新创业训练计划项目（No.CX12034）。 作者简介：邢辉（1985—），男，硕士研究生，研究领域为计算机视觉；彭亚丽（1979—），女，博士，讲师，研究领域为模式识别和图像 处理；刘侍刚（1973—），男，博士，副教授，研究领域为模式识别和图像处理；范虹（1969—），女，博士，副教授，研究领域为模式识别和智能处理；孙建成（1973—），男，博士，教授，研究领域为宽带通信和信号处理。E-mail ：dddxyh@https://www.wendangku.net/doc/8a13815277.html, 收稿日期：2013-06-19修回日期：2014-03-28文章编号：1002-8331（2015）09-0176-04 CNKI 网络优先出版：2014-04-21,https://www.wendangku.net/doc/8a13815277.html,/kcms/doi/10.3778/j.issn.1002-8331.1306-0204.html 176
基于MATLAB的数字图像分割的研究与实现
本科毕业论文（设计） 题目：基于MATLAB的数字图像分割的研究与实现 学院：计算机与信息工程学院 学生： 学号： 专业： 年级： 完成日期： 2012年04月 指导教师：
基于MATLAB的数字图像分割的研究与实现 摘要：视觉和听觉是我们认识和感知外部世界的主要途径，而视觉又是其中最重要的，因此要想更细致、全面地把握这些图像信息就需要对其进行必要的处理。在数字图像处理的研究和应用中很多时候我们只对图像的某些部分和特征感兴趣，此时就需要利用图像分割技术将所需的目标与图片的其他部分区分开，以供我们对图像进一步研究和分析。图像分割即通过一些必要的算法把图像中有意义的部分或特征提取出来，将图像分为若干有意义的区域，使得这些区域对应图像中的不同目标，进而能够对所感兴趣的区域进行研究。基于图像分割技术在图像处理之中的重要性，本研究在此对图像分割的一些经典算法进行了学习和对比，并通过MATLAB对其进行了实验，通过不同的算法对不同的图片进行处理，分析其优缺点，以便在进行图像分割时可以根据图片的特征选择合适的算法。 关键字：数字图像；分割；MATLAB
The Research and Implementation of Digital Image Segmentation Based on the MATLAB Abstract :Vision and auditory are the main ways which we use to understand and perceive the world outside, while vision is the most important. Therefore, it's require to process the image data to grasp them more painstaking and completely. In digital image processing of research and application we are only interested to some parts of the image and characteristic in many times, then you need to use the image segmentation technology to separate the goal and the picture for other parts for our further research and analysis of the image.Image segmentation is dividing the image into some significant areas through some necessary algorithms, then make these areas corresponding to different goals and we can do some research about the areas we are interested to. Based on the importance of image segmentation technology in image processing, I compared several classical algorithms of image segmentation. In the meanwhile, I used the MATLAB to do some research and to process the various images with different algorithms so that it's convinent to find the advantages of these algorithms. Then, I can base on the characteristics of the images to choose the suitable algorithms when to make some digital image segmentation. Key words : D igital Image; Segmentation; MATLAB
图像分割技术与MATLAB仿真知识讲解
图像分割技术与M A T L A B仿真
中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日
中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日
目录 摘要 0 Abstract 0 引言 (2) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (6) 2.3 区域分割法 (8) 2.4 基于水平集的分割方法 (9) 2.5 分割算法对比表格 (9) 3基于水平集的图像分割 (11) 3.1 水平集方法简介 (11) 3.2 水平集方法在图像分割上的应用 (12) 3.3 仿真算法介绍 (13) 3.4 实验仿真及其结果 (14) 结论 (22) 致谢 (23) 参考文献 (23)
图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MATLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the