全局和局部拟合的活动轮廓

目标跟踪相关研究综述

Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2015, 4(3), 17-22 Published Online August 2015 in Hans. https://www.wendangku.net/doc/8e10179950.html,/journal/airr https://www.wendangku.net/doc/8e10179950.html,/10.12677/airr.2015.43003 A Survey on Object Tracking Jialong Xu Aviation Military Affairs Deputy Office of PLA Navy in Nanjing Zone, Nanjing Jiangsu Email: pugongying_0532@https://www.wendangku.net/doc/8e10179950.html, Received: Aug. 1st, 2015; accepted: Aug. 17th, 2015; published: Aug. 20th, 2015 Copyright ? 2015 by author and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). https://www.wendangku.net/doc/8e10179950.html,/licenses/by/4.0/ Abstract Object tracking is a process to locate an interested object in a series of image, so as to reconstruct the moving object’s track. This paper presents a summary of related works and analyzes the cha-racteristics of the algorithm. At last, some future directions are suggested. Keywords Object Tracking, Track Alignment, Object Detection 目标跟踪相关研究综述 徐佳龙 海军驻南京地区航空军事代表室，江苏南京 Email: pugongying_0532@https://www.wendangku.net/doc/8e10179950.html, 收稿日期：2015年8月1日；录用日期：2015年8月17日；发布日期：2015年8月20日 摘要 目标跟踪就是在视频序列的每幅图像中找到所感兴趣的运动目标的位置，建立起运动目标在各幅图像中的联系。本文分类总结了目标跟踪的相关工作，并进行了分析和展望。

一种自动提取目标的主动轮廓法

第31卷第5期 光　子　学　报 V o l.31No.5 2002年5月 ACTA PHOT ONICA SINICA M ay2002　 一种自动提取目标的主动轮廓法 李熙莹　倪国强 (北京理工大学光电工程系,北京100081) 摘　要　提出一种新的广泛应用于数字图象分析和计算机视觉的主动轮廓(Snake)模型,引入作用方向可以自适应变化的外加强制力,使控制点能够不依赖于初始轮廓而快速地收敛 到目标的真实轮廓;初始轮廓自动确定;控制点的数目可以自适应地改变;能够在背景比较 复杂的图象中实现对目标轮廓的提取.用该模型对空中目标的红外图象进行的实验结果表 明其具有很好的鲁棒性和实用性. 关键词　主动轮廓法;Snake;红外图象;轮廓提取 0　引言 主动轮廓模型又称为Snake模型,是由Kass 于1987年提出的1,它融合了分割过程的三个阶段,使得检测得到的目标边界就是一光滑连接的曲线.其主要思想是定义一个能量函数,在Snake由初始位置向真实轮廓逐渐靠近时,寻找此能量函数的局部极小值,即通过对能量函数的动态优化来逼近目标的真实轮廓.此能量函数主要由内部能量函数及外部能量函数组成.内部能量函数考虑包络本身的连续性和各点曲率的大小;外部能量函数则主要涉及到图象的一些具体情况,如图象灰度变化的梯度等因素. Kass的Snake模型中,用参量表示轮廓线v(s)=(x(s),y(s))(s为轮廓弧长),其能量函数定义为 　E*snake=∫10E snake(v(s))d s 　=∫10[E int(v(s))+E image(v(s))+E con(v(s))](1)式中,E int表示主动轮廓线的内部能量,也叫内部力;E image表示图象作用力产生的能量,也叫图象力;E con表示外部限制作用力产生的能量,叫约束力.后两项和称为外部能量E ext=E image+ E con.内部力起到平滑轮廓、保持轮廓连续性的作用;图象力表示轮廓点与图象局部特征吻合的情况;约束力是各种人为定义的约束条件. Kass的算法存在要求外力可微、不稳定、控制参量无法确定、计算量大和时间开销大等缺点. Amini2、William s3等人改进了Kass的算法,引入硬强制力,且大大提高了运行速度(Amini的算法运算量为O(m3n)Williams的Gr eedy算法运算为O(mn),m为迭代的领域大小,n为Snake控制点的数目).不过,它们仍存在一些问题,如迭代效果依赖于初始轮廓点的选取;控制点在迭代中向高曲率边缘堆积;控制点数目固定不变,不能随目标大小变化调节等.有许多研究者针对原始Snake的缺点进行了模型改进或算法改进,如对角点判定的阈值选取方法加以改进、按照一定的规则调节控制点间距、采用不同的图象特征能量模型4,5等,不过对于初始轮廓点依然敏感或运算比较复杂。 本文以William的Greedy算法为参考,提出了一种自动的主动轮廓法(Auto-Snake),引入作用方向可自适应变化的外加强制力,从而使控制点能快速地收敛到目标的真实轮廓,不依赖于初始轮廓;初始轮廓自动确定,无需人工干预;控制点的数目可以自适应地改变;明确了各个参量的选择.该算法不仅继承前人算法的优点,而且保证算法快速收敛,适用于多种场合,在背景比较复杂的图象中也可以实现对目标轮廓的提取. 1　K ass的主动轮廓法能量模型 Kass和Snake模型中,内部能量可表示为轮廓对弧长的一阶导数项v s(s)和二阶导数项v ss(s)

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/8e10179950.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/8e10179950.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

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.

图像分割文献综述

文献综述 图像分割就是把图像分成各具特色的区域提取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，是一种基本的计算机视觉技术。 图像分割起源于电影行业。伴随着近代科技的发展，图像分割在实际中得3到了广泛应用，如在工业自动化、在线产品检验、生产过程控制、文档图像处理、遥感和生物医学图像分析、以及军事、体育、农业工程等方面。总之，只要是涉及对对象目标进行特征提取和测量，几乎都离不开图像分割。所以，对图像分割的研究一直是图像工程中的重点和热点。 自图像分割的提出至今，已经提出了上千种各种类型的分割算法。由于分割算法非常多，所以对它们的分类方法也不尽相同。我们依据使用知识的特点与层次，将其分为基于数据和基于模型两大类。前者是直接对当前图像的数据进行操作，虽然可以利用相关的先验信息，但是不依赖于知识；后者则是直接建立在先验知识的基础上，这类分割更符合当前图像分割的技术要点，也是当今图像分割的主流。 基于数据的图像分割算法多数为传统算法，常见的包括，基于边缘检测，基于区域以及边缘与区域相结合的分割方法等等。这类分割方法具有以下缺点，○1易受噪声和伪边缘影响导致得到的边界不连续，需要用特定的方法进行连接；○2只能提取图像局部特征，缺乏有效约束机制，难以获得图像的全局信息；○3只利用图像的底层视觉特征，难以将图像的先验信息融合到高层的理解机制中。这是因为传统的图像处理算法都是基于MIT人工智能实验室Marr提出的各层相互独立、严格由低到高的分层视觉框架下进行的。由于各层之间不存在反馈，数据自底向上单向流动，高层的信息无法指导底层特征的提取，从而导致底层的误差

不断积累，且无法修正。 基于模型的分割方法则可以克服以上缺陷。基于模型的分割方法可以将分割目标的先验知识等有用信息融合到高层的理解机制之中，并通过对图像中的特定目标对象建模来完成分割任务。这是一种自上而下的处理过程，可以将图像的底层视觉特征与高层信息有机结合起来，因此更接近人类的视觉处理。基于模型的图像分割方法主要包括：○1基于统计模型的分割方法；○2基于神经网络的分割方法；○3基于形变模型的分割方法。 主动轮廓模型（Active Conlour Model， ACM）（又称活动轮廓模型，变形曲线模型）的研究背景及发展状况。 即Snake模型，最初由Kass等人于1998年提出，并成功应用于图像分割方面。这种模型通过建立与参数化曲线Ｃ相关的能量函数，然后优化该能量函数，使轮廓向目标边界演化，并在目标边界处达到最优值。 1987年Kass、Witkin和Terzopoulos首次提出主动轮廓模型，并成功应用于图像分割、视频跟踪等相关应用。这种模型对Marr提出的各自独立分层图像处理模型提出了挑战，它将图像本身的底层视觉属性（如边缘、纹理、灰度、色彩等）与待分割目标的先验信息（如形状、亮度、色彩等）以一种有机的方式——能量函数的形势结合起来，最终得到待分割目标的完整表达。能量函数一般由两部分构成：内部能量函数和外部能量函数。一般说来，内部能量函数嵌入了对目标特征约束的先验性假设，以及保持轮廓本身特性（如光滑性和刚性）的约束条件；而外部能量函数则根据图像的数据特性（如边缘特性、区域特性等）构造

活动轮廓模型之Snake模型简介

图像分割之（五）活动轮廓模型之Snake模型简介 在“图像分割之（一）概述”中咱们简单了解了目前主流的图像分割法。下面咱们主要学习下基于能量泛函的分割法。这里学习下Snake模型简单的知识，Level Set（水平集）模型会在后面的博文中说到。 基于能量泛函的分割法： 该类法主要指的是活动轮廓模型（active contour model）以及在其基础上发展出来的算法，其基本思想是使用连续曲线来表达目标边缘，并定义一个能量泛函使得其自变量包括边缘曲线，因此分割过程就转变为求解能量泛函的最小值的过程，一般可通过求解函数对应的欧拉(Euler．Lagrange)程来实现，能量达到最小时的曲线位置就是目标的轮廓所在。 主动轮廓线模型是一个自顶向下定位图像特征的机制，用户或其他自动处理过程通过事先在感兴趣目标附近放置一个初始轮 廓线，在部能量（力）和外部能量（外力）的作用下变形外部能量吸引活动轮廓朝物体边缘运动，而部能量保持活动轮廓的光滑性和拓扑性，当能量达到最小时，活动轮廓收敛到所要检测的物体边缘。

一、曲线演化理论 曲线演化理论在水平集中运用到，但我感觉在主动轮廓线模型的分割法中，这个知识是公用的，所以这里我们简单了解下。 曲线可以简单的分为几种： 曲线存在曲率，曲率有正有负，于是在法向曲率力的推动下，曲线的运动向之间有所不同：有些部分朝外扩展，而有些部分则朝运动。这种情形如下图所示。图中蓝色箭头处的曲率为负，而绿色箭头处的曲率为正。 简单曲线在曲率力（也就是曲线的二次导数）的驱动下演化所具有的一种非常特殊的数学性质是：一切简单曲线，无论被扭曲得多么重，只要还是一种简单曲线，那么在曲率力的推动下最终将退化成一个圆，然后消逝（可以想象下，圆的所有点的曲率力都向着圆心，所以它将慢慢缩小，以致最后消逝）。

基于动态规划法的B样条主动轮廓模型

收稿日期:2004-09-07 基金项目:国家自然科学基金资助项目(10272033);广东省自然科学基金资助项目(04105186,5300090)作者简介:张海舰(1976-),男,硕士研究生,主要研究方向为基于数字图像序列的图像处理技术.基于动态规划法的B 样条主动轮廓模型 张海舰,成思源,骆少明,丁 炜 (广东工业大学机电工程学院,广东广州510090) 摘要:对基于主动轮廓模型的图像分割方法进行了研究,提出了一种基于动态规划法的B 样条主动轮廓模型.该模型结合了动态规划法与B 样条曲线的优点,不仅保留了动态规划法收敛过程稳定, 能保证全局最优的优点,而且还进一步改善了其计算复杂度.实验结果验证了该方法的有效性. 关键词:图像分割;主动轮廓模型;动态规划;B 样条 中图分类号:TP391 文献标识码:A 文章编号:1007-7162(2005)04-0026-05 图像分割指在图像中检测并勾画出感兴趣物体的处理,是图像处理领域中的重要内容之一,也是计算机视觉领域低层次视觉的主要问题.由于图像噪声及采样误差等原因通常造成目标边缘具有模糊、不连贯等特点,图像分割至今还不存在一个通用的解决方法.主动轮廓模型,又称为snake 模型,是目前研究最多、应用最广的分割方法[1] .它结合了几何、物理和近似理论,通过利用从图像数据中获得的约束信息(自底向上)和目标的位置、大小、形状等先验知识(自顶向下),可有效地对目标进行分割、识别、匹配和跟踪. 本文针对传统主动轮廓模型的不足,提出了一种新的基于动态规划法的B 样条主动轮廓模型,并通过图像分割的实验来验证该模型的有效性.1 主动轮廓模型 主动轮廓模型或snake 模型可表示为定义在s I [01]上的参数曲线v (s )=(x (s ),y (s )), 其能量函数表示为 [2]E snake =Q snake E (v (s ))d s =Q snake E in t (v (s ))+E ext (v (s ))d s , (1)其中内能E in t 代表对snake 模型的形状约束,定义为E int (s )=12 A (s )9v (s )9s 2+ B (s )92v (s )9t 22,(2)系数A 和B 分别控制对snake 的拉伸和弯曲.外能E ext 的极小值与图像特征相对应,对于一给定图像I (x ,y ),通常可定义为 E ext =-|¨I (x ,y )|2. (3)为使能量泛函(1)极小,snake 必须满足Euler 方程: -A v d (s )+B v d d (s )+¨E ext =0, (4) 式(4)可改写为力平衡方程 第22卷第4期 2005年12月广东工业大学学报Journal o f Guangdong University of Technology Vol.22No.4December 2005

一种新的几何活动轮廓模型

基金项目:国家自然科学基金资助项目(81000639); 中国博士后科学基金(20100470791)。 收稿日期: 2012-08改回日期: 第一作者简介：张萍1972~),女, 模式识别与智能系统,博士研究生。主要研究方向为模式识别与智能系统。E-mail:dongdazp@https://www.wendangku.net/doc/8e10179950.html, 。 中图法分类号：TP391.4 文献标识码：A 文章编号：1006-8961(2012) - - 文章索引信息: 一种新的几何活动轮廓模型 张萍1,2，高立群1,薛哈乐 1 1.东北大学信息科学与工程学院, 沈阳市 110819 2.鞍山师范学院，鞍山市 114005 摘 要：提出了改进的LBF 模型(ILBF) 及其图像分割算法。利用两种不同尺度参数的LBF 模型分别描述局部和全局信息，并构造了新的能量函数。将局部熵引入到ILBF 模型中，同时给出自动求取能量函数中权重参数ω的有效方法，构造了：(1)用尺度参数σ较大的LBF 模型替代LGIF 模型中的C-V 模型，较大σ值的LBF 模型不仅具有全局特性而且具有局部特性；(2)将进行数据处理后的局部熵引入到LGIF 模型中，进而自动求取权重参数ω，克服了LGIF 模型权重参数值的选取全程都需要人工参与的缺点；(3)为了有利于计算机的自动求解和避免过多无用的循环迭代，本文提出了一种新的终止准则。 关键词 ：图像分割；几何活动轮廓模型；LGIF 模型；局部熵；改进的LBF 模型 Active contour model driven by local entropy energy Zhang Ping 1,2, Gao Liqun 1，Xue Hale 1 1. College of Information Science and Engineering, Northeastern University, Shenyang, 110819 2. Anshan Normal University, Anshan , 114005 Abstract: A improved LBF (ILBF) model applied to image segmentation is proposed in this paper, which construct a new energy function. It has two scale parameters to descript the local and global information, respectively. At the same time, local entropy notion has applied in ILBF model and weight parameter ωin energy function can also get by automation: (1) In LGIF model, it uses the LBF model which has lager scale parameter s instead of C-V model, because this kind of LBF model with lager scale parameter s has not only global characteristics but also local characteristics; (2) It firstly introduces local entropy which is gotten after data processing into LGIF model, then it calculates weight parameter w automatically. This method overcomes the shortcoming that the calculation of weight parameter in LGIF model by artificial participation; (3) In order to be beneficial to automatic computer calculations and avoid too much useless cyclic iterations, it presents a new stop criterion. Keywords: image segmentation; geometric active contour model; LGIF model; local entropy; improved LBF model 0 引 言 人Kass 于1987年提出活动轮廓模型( ACM), 该提供了一种高效的图像分析方法，可以更有效地对目标进行分割、匹配和跟踪分析[1] 。Chan 和Vese 在2001年进一步提出了C-V 模型得到了最广泛的应用和研究[2] 。Li 在2007年提出了一种基于区域信息的几何活动轮廓模型——LBF 模型[3] 。LBF 模型 通过引入图像的局部信息，能较好的克服C-V 模型 不能分割灰度不均图像的缺陷，得到了广泛的研究。但同时也正是由于LBF 模型仅利用了图像的局部信息，使得LBF 模型的分割结果强烈的依赖于初始轮廓曲线位置且模型对高阶噪声较为敏感。 针对LBF 模型图像分割结果强烈依赖于初始活动轮廓曲线位置(即LBF 模型的能量函数最小化时易陷入局部极小值)的缺点，近几年来，许多专家和学者从不同角度对LBF 模型进行了改进。L.Wang

水平集

《基于活动轮廓模型的图像分割》朱国普哈工大活动轮廓的经典博士学位论文 水平集算法简介（Level Set） 一、水平集的定义 与实数c对应的可微函数f:R^n—>R的水平集是实点集{(x1, x2, ...,xn) | f(x1, x2,...,xn) = c} ，称可微函数f为水平集函数。 [举例] 函数f(x,y,z)=x^2+y^2+z^2对应于常数c的水平集是以(0，0，0)为球心，sqrt(c) 为半径的球面。 当 n=2, 称水平集为水平曲线(LEVEL CURVE)。 当 n=3, 称水平集为水平曲面(LEVEL SURFACE)。 二、水平集的核心思想 Level Set方法是由Sethian和Osher于1988年提出，最近十几年得到广泛的推广与应用。简单的说来，Level Set方法把低维的一些计算上升到更高一维，把N维的描述看成是N＋1维的一个水平。举个例子来说，一个二维平面的圆，如x^2+y^2=1可以看成是二元函数f(x,y)=x^2+y^2的1水平，因此，计算这个圆的变化时就可以先求f(x,y)的变化，再求其1水平集。这样做的好 处是，第一，低维时的拓扑变化在高维中不再是一个难题；第二，低维需要不时的重新参数化，高维中不需要；第三，高维的计算更精确，更鲁棒；第四，Level Set方法可以非常容易的向更高维推广；最后，也是非常重要的一点就是，上升到高维空间中后，许多已经成熟的算法可以拿过了直接用，并且在这方面有非常成熟的分析工具，譬如偏微分方程的理论及其数值化等。当然，这种方法最为诟病的就是他增加了计算量，但新的快速算法不断出现，使得这也不是个大问题。 考虑两个分离的圆形火焰，都以一个恒定的速度向外燃烧（见图(a)），其界面的演化是可以预测的，当这两个分离的界面燃烧到一起时，演化界面合并为一个单独的转播前沿（见图(b)），这种拓扑结构的变化使得离散参数化遇到真正的困难，因为要得到扩展火焰的真正边界，就必须从燃烧的区域中去除原属于两个界面的边界点。要想系统地确定这些点是一个困难的问题，然而一个窍门就是采用一个更高一维的空间，这就是水平集方法的基本思想。 （https://www.wendangku.net/doc/8e10179950.html,/caogenxueyuan/yingyongfangxiang/rengongzhineng/1489.html）

图像分割方法综述【文献综述】

文献综述 电子信息工程 图像分割方法综述 摘要：图像分割是图像理解的基础，图像分割的算法研究越来越受到关注，早期的图像分割算法在之后的研究中得到完善。活动轮廓模型是图像分割和边界提取的重要工具之一，主要包括了参数形式活动轮廓模型和几何形式活动轮廓模型两大类，本文对这两类模型进行了大概的说明，简单叙述了相对的优点，如几何活动轮廓模型在变形的过程中能处理曲线拓扑变化。鉴于活动轮廓模型所存在的缺点，提出了水平集算法，使得计算的范围和简易程度有了很大的发展。最后指出了图像分割的算法还有一些进一步优化的研究发展方向。 关键词：图像分割，参数活动轮廓模型，几何活动轮廓模型，水平集 1.引言 对图像进行处理，通过图像分割、目标分离、特征提取、参数测量等技术，将原始的图象转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。其中图像分割已经越来越受到人们的关注，作为一种图像处理与计算机视觉操作的预处理手段，已经应用到了很多的领域，图像分割可以定义为：根据图像特征对图像进行区域划分[1]过程，图像分割的效果好坏会直接影响到后续的处理结果，所以图像分割是一个基本而又关键的技术，为此人们提出了很多有效的、具有鲁棒性的分割算法。图像分割方法有很多，按知识的特点和层次可分为数据驱动和模型驱动两大类[2]，前者有Roberts算子、Sobel算子和Canny算子、阈值分割、分水岭算法和模糊聚类分割算法等；后者是直接建立在先验知识的基础上的，如基于活动轮廓模型的图像分割。水平集的应用领域是隐含曲线（曲面）的运动[3]，现在水平集已经广泛应用于图像恢复、图像增强、图像分割、物体跟踪、形状检测与识别、曲面重建、最小曲面、最优化以及流体力学中的一些方面。 一个好的图像分割算法应具有以下特点：1、有效性，能将图像中感兴趣的区域或目标分割出来的有效规则。2、整体性。能得到图像中感兴趣区域或目标的无断点和离散点的封闭边界。3、精确性，分割所得到的感兴趣区域或目标边界与实际情况贴近。4、稳定性，算法受噪声的影响性很小。 5、自动化，分割过程不需要人工的干预。但是让一种具体的图像分割方法全部满足上述特点是很难的，各种图像分割的方法都存在着必然的局限性，所以只能根据不同的适用领域和所要分割的图像区域特征来选择所对应的图像分割方法。 2．早期的图像分割方法 早期的图像分割方法，根据方法所利用的图像特征，分为边界法和区域法两类[4]。前者是根据

基于遗传算法的主动轮廓模型

第8卷(A 版)　第1期2003年1月 中国图象图形学报 Jour nal of Image and Graphics V ol.8(A ),N o.1 Jan.2003 收稿日期:2001-04-23;改回日期:2002-04-19 基于遗传算法的主动轮廓模型 刘志俭 (国防科技大学自动控制系,长沙　410073) 摘　要　由K ass 等人提出的主动轮廓模型,本质上是一条能量最小化的轮廓曲线.它作为一种全新的采用自上而下机制的图象目标提取方法,由于它有效地利用了高级信息,从而提高了目标提取的速度和准确性,已经在数字图象处理和计算机视觉领域得到了广泛的应用.原始的主动轮廓模型算法可以分为构造能量函数、推导欧拉方程、离散化和迭代求解4步.但该算法存在许多问题,为此在分析原始主动轮廓模型算法和一些改进算法的基础上,提出了一种基于遗传算法的主动轮廓模型算法,并给出实验结果.实验结果证明,基于遗传算法的主动轮廓模型不仅成功地解决了原方法收敛易陷入局部最小值的问题,也提高了目标提取的成功率.关键词　主动轮廓模型　遗传算法　目标提取 中图法分类号:T P 391.41 文献标识码:A 文章编号:1006-8961(2003)01-0041-06 Active Contour Model Based on Genetic Algorithm LIU Zhi-jian (De p artment of A utomatic Control ,N ational Univ ersity o f De f ence T echnology ,Chang sha 410073) Abstract A ctiv e Co nto ur M odel intr oduced by K ass et al is a ener gy -minim izing cur ve in essentia l .It is a new method o f imag e object ex tr act ion ba sed o n to p-do w n mechanism ,which makes use o f hig h lev el infor mation t o impr ove t he speed a nd v eracity of object ex traction.It has been used mor e and mo re w idely in applicatio ns of imag e analy sis and computer v isio n .T he or ig inal alg or ithm o f activ e co ntour model inv olves fo ur steps :setting up a var iat ional int egr al on the continuo us,deriv ing a pair of Euler equat ions,discr etizing t hem ,a nd so lv ing the discr ete equat ions.T his algo rit hm suffer s a number of pro blems.In this pa per ,w e w ill firstly discuss the o riginal algo rithm and so me impr ov ed alg or it hms of active co nt our model ,then pr opose a alg or it hm based o n the g enetic algo rithm and pr esent the ex periment r esult.T he r esult pr ov es that genetic alg or ithm set tles the pro blem of or ig inal model t hat run into the lo cal least value end enhance the success ra tio of the o bject ext raction.Keywords A ctiv e contour model ,G enetic alg or ithm ,Object extr actio n 0　引　言 主动轮廓模型[1](又称为蛇)是由Kass 等人提出的一种全新图象目标提取方法.由于其本质上是 一条能量最小化的轮廓曲线,因此它的能量函数可以通过一个积分方程来定义,而且它不同于经典的M ar r 视觉计算理论所描述的自下而上的处理过程,而是一种自上而下的充分利用高级信息的处理过程.用该方法进行目标提取时,首先将一个初始化的主动轮廓放置在图象中感兴趣目标的周围,然后在 图象作用力、轮廓曲线内部作用力以及外部约束的 联合作用下,将该轮廓最终收敛到目标.使用这种模型进行目标提取有诸多好处:1由于融合了高级信息,即可在提取过程的开始就将注意力放在所希望提取的目标上,因此可大量地减少计算量;o由于使用这种模型可以消除所希望提取的目标上因纹理或噪声而造成的不连续,因此能得到完整的目标轮廓,而不会将目标分为几个小的区域;?与传统的模板方法不同,这种模型不受目标形状的约束,就可以提取任意形状的目标,并且能够及时适应目标形状发生的变化,在目标追踪中有着极大的应用价值.但是

目标跟踪算法综述

。 目标跟踪算法综述 大连理工大学卢湖川一、引言 目标跟踪是计算机视觉领域的一个重 要问题，在运动分析、视频压缩、行为识 别、视频监控、智能交通和机器人导航等 很多研究方向上都有着广泛的应用。目标 跟踪的主要任务是给定目标物体在第一帧 视频图像中的位置，通过外观模型和运动 模型估计目标在接下来的视频图像中的状 态。如图1所示。目标跟踪主要可以分为5 部分，分别是运动模型、特征提取、外观 模型、目标定位和模型更新。运动模型可 以依据上一帧目标的位置来预测在当前帧 目标可能出现的区域，现在大部分算法采用的是粒子滤波或相关滤波的方法来建模目标运动。随后，提取粒子图像块特征，利用外观模型来验证运动模型预测的区域是被跟踪目标的可能性，进行目标定位。由于跟踪物体先验信息的缺乏，需要在跟踪过程中实时进行模型更新，使得跟踪器能够适应目标外观和环境的变化。尽管在线目标跟踪的研究在过去几十年里有很大进展，但是由被跟踪目标外观及周围环境变化带来的困难使得设计一个鲁棒的在线跟踪算法仍然是一个富有挑战性的课题。本文将对最近几年本领域相关算法进行综述。 二、目标跟踪研究现状 1. 基于相关滤波的目标跟踪算法 在相关滤波目标跟踪算法出现之前，大部分目标跟踪算法采用粒子滤波框架来进行目标跟踪，粒子数量往往成为限制算法速度的一个重要原因。相关滤波提出了 一种新颖的循环采样方法，并利用循环样 本构建循环矩阵。利用循环矩阵时域频域 转换的特殊性质，将运算转换到频域内进 行计算，大大加快的分类器的训练。同时， 在目标检测阶段，分类器可以同时得到所 有循环样本得分组成的响应图像，根据最 大值位置进行目标定位。相关滤波用于目 标跟踪最早是在MOSSE算法[1]中提出 的。发展至今，很多基于相关滤波的改进 工作在目标跟踪领域已经取得很多可喜的 成果。 1.1. 特征部分改进 MOSSE[1] 算法及在此基础上引入循 环矩阵快速计算的CSK[2]算法均采用简单 灰度特征，这种特征很容易受到外界环境 的干扰，导致跟踪不准确。为了提升算法 性能，CN算法[3]对特征部分进行了优 化，提出CN（Color Name）空间，该空 间通道数为11（包括黑、蓝、棕、灰、绿、 橙、粉、紫、红、白和黄），颜色空间的引 入大大提升了算法的精度。 与此类似，KCF算法[4]采用方向梯度 直方图（HOG）特征与相关滤波算法结合， 同时提出一种将多通道特征融入相关滤波 的方法。这种特征对于可以提取物体的边 缘信息，对于光照和颜色变化等比较鲁棒。 方向梯度直方图（HOG）特征对于运 动模糊、光照变化及颜色变化等鲁棒性良 好，但对于形变的鲁棒性较差；颜色特征 对于形变鲁棒性较好，但对于光照变化不 够鲁棒。STAPLE算法[5]将两种特征进行 有效地结合，使用方向直方图特征得到相 关滤波的响应图，使用颜色直方图得到的 统计得分，两者融合得到最后的响应图像 并估计目标位置，提高了跟踪算法的准确 度，但也使得计算稍微复杂了一些。 图1 目标跟踪算法流程图

GIS空间数据库综述

GIS空间数据库文献综述 姓名：张磊 摘要：通过分析地理信息系统建设过程中空间数据库的建设内容1 综述空间数据块的划分、图层的分层设计方法、专题图层划分和数据集设计、分析空间数据库的结构,讨论了空间数据库系统建设的方法和需解决的关键技术问题。 关键字：GIS；空间数据库 引言：地理信息系统是集计算机科学、空间科学、信息科学、测绘遥感科学、环境科学等学科于一体的新兴边缘科学1GIS 从20 世纪60 年代出现以来,至今只有短短的40 多年时间,但已成为已成为多学科集成并应用于各领域的基础平台,成为地学空间信息分析的基本手段和工具。目前,地理信息系统不仅发展成为一门较为成熟的技术科学,而且已成为一门新兴产业,在测绘、地质、水利、环境检测、土地管理、城市规划、国防建设等领域发挥越来越重要的作用。目前，国际上在此领域进行深入研究并形成软件产品的有目前，国际上在该领域进行过深入研究并形成软件产品的有：ESRIArcSDE1,MapInfo Spatial Ware2以及Oracle Spatial 3,DB2 Spatial Extender4和Informix Spatial Data Blade 等。 1 . 空间数据库的设计 1.1空间数据库的设计思路 空间数据库由图形数据库和属性数据库两部分组成, 运用地理信息系统技术分别建好图形数据库和属性数据库后, 通过统一的编码来实现滑坡的图形数据库与属性数据库的无缝连接, 最终形成完整的空间数据库5。 1.2 间数据库的主要内容 每个GIS 数据集都提供了对世界某一方面的空间表达,包括: 基于矢量的要素(点、线和多边形) 的有序集合; 诸如数字高程模型和影像的栅格数据集; 网络; 地形和其他地表; 测量数据集; 其他类型数据,诸如地址、地名和制图信息; 描述性的属性。 除了地理表现形式以外,地理数据集还包括传统的描述地理对象的属性表1 许多表和空间对象之间可以通过它们所共有的字段(也常称为“关键字”) 相互关联1 就像它们在传统数据库应用中一样,这些以表的形式存在的信息集和信息关系在GIS 数据模型中扮演着非常关键的角色。 1.3 空间数据表现形式 1.3.1空间关系:拓扑和网络 空间关系,比如拓扑和网络,也是一个GIS 数据库的重要部分1 使用拓扑是为了管理要素间的共同边界、定义和维护数据的一致性法则,以及支持拓扑查询和漫游 1胡金星.空间数据库实现及其集成技术研究[J].计算机应用研究,2003,3:12-15． 2Andrew S Tanenbaum,Albert S.Woodhull :Operating SystemDesign and Implementation[Z]. 3Forta B, Fonte P, Brewer G.Windows2000 开发人员指南[M].杜大鹏,译.北京: 中国水利水电出版 社,2001.144 ,428. 4David J Kruglinski.Visual C++6. 0 技术内幕[M].4 版.希望图书创作室.北京:北京希望电子出版 社.209-426. 5 兰恒星,吴法权,周成虎,等.基于GIS 的滑坡空间数据库研究以云南小江流域为例[ J].中国地质灾害与防治学报, 2002, 13( 4):10-16.