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.

42 漳州师范学院学报（自然科学版） 2007年 来描述；后两项组成了对外部能量的描述，其中的图像能量通常定义为图像梯度的降函数，它相当于一个边缘检测器，以控制曲线在目标边缘处停止演化. 一旦给出一个合适的初始轮廓，Snake 就能利用变分法收敛到能量最小. 相关的研究和改进都是围绕这个统一的能量框架而展开的.

S nake 模型虽然具有传统方法所无法比拟的优点，但它也存在着一些问题和缺点，许多文献都致力于从数学模型上予以改进，或者研究新型的算法. 根据表示方式和实现方法的不同，可以分为两大类：参数主动轮廓和几何主动轮廓. 前者运用的是曲线的参数化表示，后者则运用水平集方法，已适应曲线的拓扑变化. 随着改进模型的进一步发展，人们开始将它们分类为：基于边界的分割和基于区域的分割. 本文将按照这两条发展线索，对具代表性的主动轮廓分割算法作一介绍.

3 从参数主动轮廓到几何主动轮廓

3.1 参数主动轮廓模型

经典Snake 模型要求初始轮廓线距离目标边缘较近，否则在没有图像力的情况下，形变曲线将收缩为一点或一条线. Cohen 等提出了所谓“气球”模型[7]，在外力中增加了膨胀力来控制轮廓线的膨胀或收缩，从而使之稳定地收敛于边缘. 由于Snake 的外部能量作用范围有限，无法收敛到轮廓的深度凹陷部分，因此Xu 等设计了一种新的外部力GVF （Gradient vector flow ）[8]，此外部力在整个图像域上计算梯度场. GVF snake 模型扩大了轮廓线的捕获范围，并能使它进入深度凹陷区. 求解Snake 模型的一般方法是采用变分法得到Euler-Lagrange 方程进行求解，常用方法有：有限差分法、有限元法、动态规划算法、贪婪算法等等. 这类早期模型都依赖于轮廓线的参数化，尽管人们作了各种改进，仍未从根本上解决存在的问题. 例如，它对初始轮廓线位置比较敏感，容易收敛至局部极值，尤其是难以处理轮廓线的分裂或合并. 基于水平集方法的几何轮廓模型就是在这样的情形下提出来的，在水平集方法中，轮廓线的拓扑变化能够得到自动处理.

3.2 几何主动轮廓模型

受曲线演化理论的启发，Caselles 等[9]和Malladi 等[10]分别提出了几何活动轮廓模型（Geometric Active Contours ）. 该模型将轮廓线看作演化曲线，通过求解其演化方程所对应的水平集函数，得到主动轮廓线的收敛位置.

基于平均曲率运动的几何主动轮廓模型由如下水平集函数的演化方程给出：

()|| |)(|φκφ?+?=??v I g t

其中，φ为水平集函数，g 为边缘检测函数，κ为轮廓线的曲率，v 为约束闭合轮廓的面积的常数，同时增加演化的速度. 该模型中，轮廓线以一定的速度沿法向方向移动，然后停止在g 消失的边缘上. 而在实际情况中，在边界附近的g 仅仅只是减缓了曲线的演化速度，并不能使它完全停止演化. 因此曲线就有可能跨越边缘，而无法再次回到正确的边缘.

为了解决边界泄漏问题，Caselles 等又提出了另一种几何形式的Snake [11]，称为测地主动轮廓模型（Geodesic Active Contours ）. 它的能量最小化等价于测地线能量的最小化，即：寻找考虑了期望的图像特征的最短长度的测地线. 测地线模型的水平集函数形式为：

()φφκφ??????+?=??|)(||| |)(|I g v I g t

通过与前一式对比可以看出，测地线模型增加了一个额外的停止项，在边界附近0≠?g 的情况下，用该项来抵消曲率项的演化速度，以使轮廓线经过边界时彻底停止演化. 它的存在使得测地线模型可以相对自由地确定初始条件.

第4期 高 梅 , 余 轮:

基于主动轮廓模型的图像分割算法 43 S addiqi 等提出在测地线模型上再增加一个“面积最小项”[12]，为曲线经过边界时提供一个额外的引力，从而进一步阻止边界泄漏的情况. Xu 等在水平集框架上给出了它们的参数GVF snake 的公式[13]，并结合诸多方法的优点，例如：增加捕获范围、能收敛于边界凹陷区、防止边界泄漏、自动适应拓扑变化等等，综合提出了几何GVF 活动轮廓模型.

4 从基于边界的模型到基于区域的模型

无论是Snake 还是测地线模型，都是由边界积分函数最小化来驱使轮廓线运动收敛至目标边界. 这类基于边界的方法的局限是显而易见的：首先，它的分割结果容易受到图像噪声的影响，对初始轮廓线的位置也较敏感；再者，这类方法都是依靠边缘检测函数来终止曲线的演化，而事实上，离散梯度值是有界的，停止函数g 在边界上的取值并不为零，因此边界泄漏问题无法得到根本的解决；最后，它们仅依赖于轮廓线所在位置的图像局部信息来控制轮廓线的运动，难以得到全局性的分割.

与以上方法不同，基于区域的模型则利用图像区域信息来引导轮廓线的运动和停止. 这类方法的思想是：从图像模型的角度出发，给出图像模型应满足的全局能量泛函，通过最小化能量泛函来驱动轮廓线的运动. 它的一个显著优点是具有更强的抗噪性能，且能够收敛到全局最优.

4.1 基于区域分片光滑的模型

著名的Mumford-Shah 模型就是一种基于区域的分割方法，它将图像看作是若干个分片光滑的区域的组合. 其主要思路是[14]：给定一幅图像),(y x I ，图像分割的目标就是寻找一个由光滑区域组成的图像),(y x u 和不光滑的边界C ，使全局泛函最小：

)(Length || )( ),( \22C C C ∫∫??+?+?=dxdy u dxdy I u u E αβ

其物理背景为：2)(I u ?项可以保证u 与原图像I 保持内容上的基本一致，2||u ?确保了绝大部分区域是光滑的，而)(Length C 项是为了使边界长度最短，这三项的折衷保证了图像分割的最终效果. Ronfard 在此模型的基础上，最早提出了基于区域策略的主动轮廓模型[15]：

∫∫???+?=in out dxdy I u dxdy I u u E out in )( )( ),(22ββC

其中，图像定义域被边界曲线C 分为曲线内部域in ?和外部域out ?. 该能量泛函只考虑了MS 泛函中的第一项，因而求解变得容易，文献采用贪婪法来求能量最小化. 它属于比较粗糙的基于区域分割方法，抗噪声能力并不强，对初始化位置依然敏感，对边界缺少规则化，而且最大的问题在于不具有拓扑自适应能力.

Chan 等提出了另一种简化的MS 模型，称为无边界主动轮廓模型[4]. 该模型认为图像被闭合边界划分为目标和背景两种分片常值区域，并用二相的水平集方法来进行数值求解. 无边界主动轮廓的能量泛函为：

∫∫?+?+?+?=)()(22221121|| || ))

(inside ()(Length ),,(C inside C outside dxdy c I dxdy c I Area v c c E λλμC C C

式中，1c 和2c 分别为轮廓线内部区域和外部区域的平均灰度，长度约束和面积约束用于控制轮廓线的光滑

度和规则度. 该方法显著提高了MS 模型的性能：首先，抗噪能力增强，尤其是当两种区域的灰度差别较大时；其次，降低了初始化的要求，初始轮廓线可以置于图像任意处；最后，不依靠图像中的边缘信息，能有效分割出模糊或离散的边缘. 另外，由于水平集方法的使用，它可以自动处理拓扑变化. 随后，该方法被推广到多相水平集的情况[16]和向量值图像的分割[17]. 当然，这类算法也存在着缺点：用平均灰度来近似描述区域太过粗略，尤其是当两种类型区域的均值相似而方差不同时，无法获得理想的分割结果.

Tsai 等采用了图像平滑和图像分割同时进行的策略，运用水平集方法对完整的MS 模型进行了数值求

44 漳州师范学院学报（自然科学版） 2007年 解[18]. 该算法的优点是：可以自动分割出多种类型的区域，能自动处理拓扑变化. 它的缺点是：由于平滑和分割的同时进行，导致边界定位的精度降低；计算量较大；仅适用于背景比较简单的情况.

4. 2 基于区域统计特性的模型

另一类基于区域的算法是以概率统计来描述区域信息的，因此抗噪能力更强. 其中的代表是Zhu 和Yuille 的基于统计的区域竞争算法[19]，它结合了Snake 模型、“气球”模型和区域生长模型，定义了一个通用贝叶斯/MDL 准则来作为能量函数：

∑∫

=???

????++?=?N i i i i i i e C Length v dxdy p N p C E 1i )(2 log ),,,( 其中，子区域i ?用概率密度函数i p 来描述，N 为区域类数. 第一项保证每个像素归属正确类别的全后验

概率最大，第二项是边界的规则性约束，第三项的常数e 是固定的惩罚项. 该方法通过引入一个区域生长步骤来处理区域的合并. 随后Yezzi 等提出了类似的算法，并采用水平集形式予以实现[20]，它的工作仅涉及了双模型、三模型的情况.

Samson 则采用水平集函数对每一组边界和区域进行建模，提出了针对多区域的有监督纹理分类算法

[21]，其最大改进是直接给出了水平集形式的能量函数：

∫∑∑∫

?==??????????+????????+?=dxdy H dxdy H I g v p H p E N i i N i i i i i i 2

111)(2 |)(||)(|2log )(),(φλφφφ 其中，) (H 为Heaviside 函数，式中增加了对重叠和真空区域的惩罚项，每条轮廓线通过这一项与其它轮廓线相耦合. 假设各区域特性服从高斯分布，能量函数的最小化给出了最大后验概率划分. Aujol 等将此算法推广到有监督纹理分割[22]，采用了更为复杂的通用高斯分布进行概率密度估计，并取消了能量函数中的边缘检测停止项. Brox 等也采用最大化后验概率准则，提出了二区域的无监督纹理分割算法[23]；并进一步结合Zhu 算法中区域竞争的概念，将二区域分割算法扩展到了多区域纹理分割[24].

4.3 边界与区域综合的模型

在Zhu 算法的启发下，Paragios 等提出了测地主动区域模型（Geodesic Active Regions ）用于有监督纹理分割[25]. 它的基本思想是将区域信息加入测地主动轮廓模型，来构成一个基于边界和区域的综合模型. 其能量函数表示如下：

∑∫∑∫==?′?+?=N

i i i i B i i i B N i i i i ds s C s C p g dxdy p p C E i 11

0,1|)(|)),((( )1( log ),(σαα

式中的前一项为基于概率统计的区域信息，后一项为包括边缘检测项和规则约束项的测地主动轮廓模型. 为了更好地考虑多区域分割时的不相交约束，Paragios 等在相应的水平集运动方程中增加了一个耦合外力

[26]，来避免演化过程中的区域重叠情况，同时该模型被扩展到无监督纹理分割. 河源等也采用高斯混合模型来描述特征图像的统计分布[27]，运用测地线主动区域模型实现了无监督的纹理分割.

4.4 多区域的分割模型

正如上文所述，在很多场合，仅仅把图像分割背景和前景两种区域是不够的. 采用水平集方法来解决多区域分割问题的主要方法有：1）一种直接的方法是为每个区域设置一个水平集函数，同时增加一个耦合项，以消除区域之间的重叠和真空现象. 文献[21]在能量函数中增加了耦合项，而[26]则是水平集函数的迭代方程中直接增加耦合项. 2）文献[28]提出了一种完全不同的思路，以递归的方式每次使用一个水平集函数将所有区域一分为二，最终用n 个水平集函数来表示n N ^2=个区域. 它不仅减少了水平集函数的个

第4期高梅, 余轮:基于主动轮廓模型的图像分割算法45 数，而且避免了区域分离的约束，但是，它仅适用于区域数目为2的指数的情况. 3）Chung等提出使用不同值的水平集来表示不同的轮廓线[29]，仅用一个水平集函数就可以表示N个区域. 4）Jeon等提出用层次方法来实现多区域分割[30]，每次以亮度方差为标准选择一个区域，运用水平集函数将它一分为二. 龚永义等则通过跟踪零水平集的分裂情况，对不同的准目标区域区别处理，同时通过估计可能的目标区域来促使零水平集的充分分裂，来实现多目标轮廓的提取[31].

5 结论

主动轮廓模型为图像分割问题提供了一个统一的解决框架. 相比于传统的分割方法，主动轮廓模型综合考虑了几何约束条件，以及与图像数据、轮廓形状等相关的约束条件，来共同驱使轮廓形变至目标边界. 它可以较好地克服传统分割算法中边缘不封闭、噪声敏感等缺点，获得更加自然的分割效果. 结合水平集方法的主动轮廓模型能够自适应地处理轮廓线在演化过程中的拓扑变化，而且进一步减少图像噪声的干扰. 近几年来，主动轮廓模型被越来越多地应用到纹理图像分割中[32]，它可以有效地结合区域和边界信息，在无监督或有监督条件下获得单像素宽度的边界曲线，具有比聚类等方法更高的分割精度. 而对于纹理分类而言，其分割问题已不仅仅局限于感兴趣目标的提取. 目前，多区域的主动轮廓线模型已成为图像分割领域一个新的研究热门.

在多区域的主动轮廓模型中，需要解决两个关键问题：1）如何构建多区域的能量函数，并建立各能量函数之间的耦合；2）如何提高求解迭代的效率，减少算法复杂度. 从应用的角度来讲，后者问题尤显突出. 由于水平集函数的演化取决于轮廓线附近窄带区域的像素特性，因此，轮廓线初始化问题是影响收敛速度的另一重要因素. 总之，多区域主动轮廓模型是目前尚未完善，且具挑战性的方法. 合理设置初始轮廓线，以及提高算法的收敛速度等问题需待进一步地深入研究.

参考文献:

[1] 章毓晋. 图象分割[M]. 北京: 科学出版社, 2001.

[2] 张亶, 陈刚. 基于偏微分方程的图象处理[M]. 北京: 高等教育出版社, 2004.

[3] M. Kass, A. Witkin, and D. Terzopoulous. Snake: Active contour models [J]. International Journal of Computer Vision, 1988,

1(4): 321-331.

[4] T. Chan and L. Vese. Active contour without edges for vector-valued image [J]. Journal of Visual Communication and Image

Representation, 2001, 10(2): 266-277.

[5] 李培华, 田文. 主动轮廓线模型（蛇模型）综述[J]. 软件学报, 2001, 11(6): 751-757.

[6] 查宇飞, 张育, 毕笃彦. 基于区域活动轮廓运动目标跟踪方法研究[J]. 中国图象图形学报, 2006, 11(12): 1844-1848.

[7] L. D. Cohen. On active contour models and balloons[J].Computer Vision. In: Graphics and Image Processing: Image

Understanding. 1991, 53(2): 211-218.

[8] C. Xu, A. Yezzi, and J. L. Prince. On the relationship between parametric and geometric active contours[J]. In: Proceedings of

34th Asilomar Conference of Signals, Systems, and Computers. 2000, 483-489.

[9] V. Caselles, F. Catte, T. Coll, and F. Dibos. A geometric model for active contours in image processing [J]. Numerische

Mathematic. 1993, 66: 1-31

[10] R. Malladi, J. A. Sethian, and B. C. Vemuri. Shape modeling with front propagation: A level set approach [J]. IEEE transactions

on Pattern Analysis and Machine Intelligence. 1995, 17(2): 158-175.

[11] V. Caselles, R. Kimmel, and G. Sapiro. Geodesic active contours [J]. International Journal of Computer Vision. 1997, 22(1):

61-79.

[12] K. Saddiqi, Y.B. Lauziere, A. Tannenbaum, and S.W. Zucker. Area and length minimizing flows for shape segmentation [J].

IEEE transactions on Image Processing. 1998, 7(3): 433-443.

[13] C. Xu, A. Yezzi, J.L. Prince. On the relationship between parametric and geometric active contours[J]. In: 34th Asilomar

Conference of Signals, Systems, and Computers. 2000, 483-489.

[14] D. Mumford, J. Shah. Optimal approximation by piecewise smooth functions and associated variational problems[J]. In:

Communications on Pure and Applied Mathematics, 1989,42: 577-685.

46 漳州师范学院学报（自然科学版） 2007年

[15] R. Ronfard. Region-based strategies for active contour models [J]. International Journal of Computer Vision. 1994, 13: 229-251.

[16] 郑罡, 王惠南. 基于水平集对多相活动轮廓图像分割模型[J]. 南京航天航空大学学报: 英文版. 2006, 23(2): 132-136.

[17] T. Chan and L. Vese. Active contour without edges for vector-valued image [J]. Journal of Visual Communication and Image

Representation. 2001, 11: 130-141.

[18] A. Tsai, A. Yezzi, and A. S. Willsky. A Curve evolution approach to smoothing and segmentation using the Mumford-Shah

function[J]. In: Proceedings of International Conference on Computer Vision and Pattern Recognition. 2000, 1: 119-124.

[19] S. C. Zhu and A. Yuille. Region competition: unifying snakes, region growing, and Bayes/MDL for multi-band image

segmentation [J]. IEEE transactions on Pattern Analysis and Machine Intelligence. 1996, 18(9): 884-890.

[20] A. Yezzi, A. Tsai, and A. S. Willsky. A statistical approach to snakes for bimodal and trimodal imagery[J]. In: Proceedings of 7th

International Conference on Computer Vision. 1999, 898-903.

[21] C. Samson, L. Blanc-Feraud, G. Aubert, and J. Zerubia. A level set model for image classification [J]. International Journal of

Computer Vision. 2000, 40(3): 187-197.

[22] J. F. Aujol, G. Aubert, and L. Blanc-Feraud. Wavelet-based level set evolution for classification of textured images [J]. IEEE

transactions on Image Processing. 2003, 12(12): 1634-1641.

[23] M. Rousson, T. Brox, and R. Deriche. Active unsupervised texture segmentation on a diffusion based feature space[J]. In:

Proceedings of 2003 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2003, 699-704.

[24] T. Brox and J. Weickert. Level set based image segmentation with multiple regions [J]. Pattern Recognition, Springer LNCS

3175. 2004, 415-423.

[25] N. Paragios and R. Deriche. Geodesic active regions for supervised texture segmentation[J]. In: Proceedings of International

Conference on Computer Vision. 1999, 2: 926-932.

[26] N. Paragios and R. Deriche. Coupled geodesic active regions for image segmentation: A level set approach[J]. In: Proceedings

of the European Conference in Computer Vision, 2000, 2: 224-240.

[27] 河源, 罗予频, 胡东成. 基于测地线活动区域模型的非监督式纹理分割[J]. 软件学报. 2007, 18(3): 592-599.

[28] L. Vese and T. Chan. A multiphase level set framework for image segmentation using the Mumford and Shah model [J].

International Journal of Computer Vision. 2002, 50(3): 271-293.

[29] J. Chung and L. Vese. Image segmentation using a multilayer level-set approach. Technical Report CAM-03-53, Department of

Mathematic, UCLA, 2003.

[30] M. Jeon, M. Alexander, W. Pedrycz and N. Pizzi. Unsupervised hierarchical image segmentation with level set and additive

operator splitting [J]. Pattern Recognition Letters, 2005, 26: 1461-1469.

[31] 龚永义, 罗笑南, 黄辉, 廖国钧, 张余. 基于单水平集的多目标轮廓提取[J]. 计算机学报. 2007, 30(1): 120-128.

[32] 尤建洁, 王平安, 夏德深. 结合活动轮廓模型的无监督文理图像分割[J]. 计算机辅助设计与图形学学报. 2006, 18(12):

1897-1903.

Review on Active Contour Model Based Image Segmentation

GAO Mei1 , YU Lun2

(1.Department of Sparetime Correspondence, Fujian Institute of Economics and Management, Fuzhou, Fujian 350002, China;

2.College of Physics and Information Engineering, Fuzhou University, Fuzhou, Fujian 350002, China)

Abstract: Active contour model is one of the popular methods in the field of image segmentation recently. The remarkable advantage is that smooth and closed edge always can be extracted regardless of the image quality. This paper summarizes the development the active contour model method, and analyzes the features of main relation algorithms. Furthermore, both the possible research directions and several key problems expected to be solved in the future work are discussed.

Key words: Image Segmentation ; Active Contour Model ; Level Set Method ; Texture Segmentation

[责任编辑：周两边]

基于谱聚类的图像分割

本科生毕业设计 姓名：学号： 学院：计算机科学与技术学院 专业：计算机科学与技术 设计题目：基于谱聚类的图像分割 专题：图像分割的设计与实现 指导教师：职称：副教授

大学毕业设计任务书 学院计算机专业年级学生姓名 任务下达日期： 毕业设计日期： 毕业设计题目： 毕业设计专题题目 毕业设计主要内容和要求： 院长签章：指导教师签字：

中国矿业大学毕业设计指导教师评阅书 指导教师评语（①基础理论及基本技能的掌握；②独立解决实际问题的能力；③研究内容的理论依据和技术方法；④取得的主要成果及创新点；⑤工作态度及工作量；⑥总体评价及建议成绩；⑦存在问题；⑧是否同意答辩等）： 成绩：指导教师签字： 年月日

中国矿业大学毕业设计评阅教师评阅书 评阅教师评语（①选题的意义；②基础理论及基本技能的掌握；③综合运用所学知识解决实际问题的能力；③工作量的大小；④取得的主要成果及创新点；⑤写作的规范程度；⑥总体评价及建议成绩；⑦存在问题；⑧是否同意答辩等）： 成绩：评阅教师签字： 年月日

中国矿业大学毕业设计答辩及综合成绩

需求分析 一、利用前台，得到一张原始JPG图片； 二、把这张图片传到后台，JAVA通过JRI调用R； 三、利用R调用K-Means的改进算法，实现对这张图片的处理，由于一张图片的 像素值是一个矩阵，可以得到一组关于像素值的数据； 四、把这组像素值进行分类，对各类赋予不同的颜色进行标记，从而区分出需要的 图片信息； 五、把得到的新图片传到前台； 六、前台对进行处理后的图片进行显示，从图像中得到需要的信息，从而实现图像 的分割。

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/351406521.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/351406521.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

关于图像分割算法的研究

关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足： (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的

图像分割算法开题报告

图像分割算法开题报告 摘要：图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的高度重视，并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有：基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究，选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字：图像分割，阈值法，迭代法，Otsu法，最大熵值法 1 研究背景 1．1图像分割技术的机理 图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合，如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。图像分割有3种不同的方法，其一是将各像素划归到相应物体或区域的像素聚类方法，即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘像素，然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，两者是紧密关联的。图像分割在一般意义下十分困难的，目前的图像分割处于图像的前期处理阶段，主要针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。 1．2数字图像分割技术存在的问题

虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1．3数字图像分割技术的发展趋势 从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下，发现一些算法的效

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.

图像分割常用算法优缺点探析

图像分割常用算法优缺点探析 摘要图像分割是数字图像处理中的重要前期过程,是一项重要的图像分割技术,是图像处理中最基本的技术之一。本文着重介绍了图像分割的常用方法及每种方法中的常用算法,并比较了各自的优缺点,提出了一些改进建议,以期为人们在相关图像数据条件下,根据不同的应用范围选择分割算法时提供依据。 关键词图像分割算法综述 一、引言 图像分割决定了图像分析的最终成败。有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息,从而使得更高层的图像理解成为可能。目前图像分割仍然是一个没有得到很好解决的问题,如何提高图像分割的质量得到国内外学者的广泛关注,仍是一个研究热点。 多年来人们对图像分割提出了不同的解释和表达,通俗易懂的定义则表述为:图像分割指的是把一幅图像分割成不同的区域,这些区域在某些图像特征,如边缘、纹理、颜色、亮度等方面是一致的或相似的。 二、几种常用的图像分割算法及其优缺点 (一)大津阈值分割法。 由Otsu于1978年提出大津阈值分割法又称为最大类间方差法。它是一种自动的非参数非监督的门限选取法。该方法的基本思路是选取的t的最佳阈值应当是使得不同类间的分离性最好。它的计算方法是首先计算基于直方图而得到的各分割特征值的发生概率,并以阈值变量t将分割特征值分为两类,然后求出每一类的类内方差及类间方差,选取使得类间方差最大,类内方差最小的t作为最佳阈值。 由于该方法计算简单,在一定条件下不受图像对比度与亮度变化的影响,被认为是阈值自动选取的最优方法。该方法的缺点在于,要求得最佳阈值,需要遍历灰度范围0—(L-1)内的所有像素并计算出方差,当计算量大时效率会很低。同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,仅利用灰度直方

几种图像分割算法在CT图像分割上的实现和比较

第20卷第6期2000年12月北京理工大学学报JOurnaI Of Beijing InStitute Of TechnOIOgy VOI.20NO.6Dec.2000 文章编号21001-0645(2000)06-0720-05几种图像分割算法在CT 图像分割上的 实现和比较 杨 加19吴祈耀19田捷29杨骅2(1-北京理工大学电子工程系9北京1000 1;2-中国科学院自动化研究所9北京1000 0)摘要2对目前几种在图像分割领域得到较多应用的交互式分割 区域生长分割以及阈值 分割算法进行了探讨9并且结合实际CT 片图例分别进行分割实验研究9得到较为满意和 可用性强的结果.实验表明2阈值分割对于CT 切片的效果最好;区域生长分割适宜于对面 积不大的区域进行分割9分割效果较好;基于动态规划的交互式分割算法比较复杂9计算时 间较长9但对于边缘较平滑的区域9同样具有较好的实际效果.几种算法的评估为其在CT 图像分割上的实际应用提供了科学依据. 关键词2图像分割算法;CT 图像分割;交互式分割;阈值分割;区域生长分割 中图分类号2TN 911-73文献标识码2A 收稿日期220000625 基金项目2国家自然科学基金资助项目(69 43001);国家 63 计划项目作者简介2杨加9男91975年生9硕士生. 图像分割可以分解为两个任务9即识别(recOgnitiOn )和描绘(deIineatiOn ).识别的目的在于确定目标物体的大致位置并区别于图像中的其它物体;而描绘的任务在于精确定义和刻画图像中目标物体的区域或边缘的空间范围.人的识别能力通常强于计算机算法9另一方面9计算机算法的描绘能力则优于操作者(人).因此既能利用操作者强大的识别能力9又能利用计算机算法的描绘能力的交互式图像分割则越来越受到人们的关注.在医学领域中9图像分割是病变区域提取 特定组织测量以及实现三维重建的基础9因此图像分割技术在医学图像处理中具有十分重要的意义[1].作者探讨了3种目前在图像分割上得到较多实际应用的分割算法9并结合实际CT 片图例进行了实验研究9得到较为满意和可用性强的结果;最后对这几种方法进行了评估9为这些算法在CT 图像分割上的实际应用提供了科学依据. 1 交互式分割算法1-1基本理论及算法描述 动态规划方法最早应用于图像边缘跟踪[2].可以将图像边缘检测看作一个优化问题[3]9并将其表述为找出一目标函数V =V (I 19I 29I 39~9I H )的最优值M (如取最小值min )9得V 取最优值时的一组自变量值(I 19I 29I 39I 49~9I H 9).若变量离散9目标函数没有特定规律可循时9则该问题将包括一个极大的解空间.如果这个目标函数能够描述成如下形式2 V =V (I 19I 29I 39~9I N )=V 0(I 09I 1)+V 1(I 19I 2)+~+V H-1(I H-19I H )

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/351406521.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/351406521.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/351406521.html,/kcms/doi/10.3778/j.issn.1002-8331.1306-0204.html 176

图像分割技术的原理及方法

浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实

图像阈值分割技术原理和比较要点

图像阈值分割和边缘检测技术原理和比较

摘要 图像分割是一种重要的图像分析技术。对图像分割的研究一直是图像技术研究中的热点和焦点。医学图像分割是图像分割的一个重要应用领域，也是一个经典难题，至今已有上千种分割方法，既有经典的方法也有结合新兴理论的方法。医学图像分割是医学图像处理中的一个经典难题。图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣的区域，从而有助于医学诊断。 阈值分割是一种利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域（目标和背景）的组合，选取一个合适的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生对应的二值图像。 本文先介绍各种常见图像阈值分割和边缘检测方法的原理和算法，然后通过MATLAB 程序实现，最后通过比较各种分割算法的结果并得出结论。 关键词：图像分割；阈值选择;边缘检测；

目录 1.概述 (4) 2.图像阈值分割和边缘检测原理 (4) 2.1.阈值分割原理 (4) 2.1.1．手动（全局）阈值分割 (5) 2.1.2．迭代算法阈值分割 (6) 2.1.3．大津算法阈值分割 (6) 2.2.边缘检测原理 (6) 2.2.1．roberts算子边缘检测 (7) 2.2.2．prewitt算子边缘检测 (7) 2.2.3．sobel算子边缘检测 (7) 2.2.4．高斯laplacian算子边缘检测 (8) 2.2.5．canny算子边缘检测 (8) 3.设计方案 (9) 4.实验过程 (10) 4.1.阈值分割 (12) 4.1.1．手动（全局）阈值分割 (12) 4.1.2．迭代算法阈值分割 (12) 4.1.3．大津算法阈值分割 (12) 4.2.边缘检测 (13) 4.2.1．roberts算子边缘检测 (13) 4.2.2．prewitt算子边缘检测 (13) 4.2.3．sobel算子边缘检测 (13) 4.2.4．高斯laplacian算子边缘检测 (13) 4.2.5．canny算子边缘检测 (14) 5.试验结果及分析 (14) 5.1．实验结果 (14) 5.1.1．手动（全局）阈值分割 (14) 5.1.2．迭代算法阈值分割 (17) 5.1.3．大津算法阈值分割 (18) 5.1.4．roberts算子边缘检测 (19) 5.1.5．prewitt算子边缘检测 (20) 5.1.6．sobel算子边缘检测 (21) 5.1.7．高斯laplacian算子边缘检测 (22) 5.1.8．canny算子边缘检测 (23) 5.2. 实验结果分析和总结 (24) 参考文献 (24)

谱聚类算法及其在图像分割中的应用

谱聚类算法及其在图像分割中的应用 1 引言 在对图像的研究和应用中，人们往往仅对图像中的某些部分或者说某些区域感兴趣。这些部分常称为目标或前景（其他部分称为背景），它们一般对应图像中特定的具有独特性质的区域。为了辨识和分析目标，需要将它们从图像中分离提取出来，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目标的技术和过程。这里的特性可以是像素的灰度、颜色和纹理等，预先定义的目标可以对应单个区域，也可以对应多个区域。 多年来，对图像分割的研究一直是图像技术研究中的热点和焦点，它不但是从图像处理到图像分析的关键步骤[1]，而且是计算机视觉领域低层次视觉中的主要问题。图像分割的结果是图像特征提取和识别等图像理解的基础，只有在图像被分割后，图像的分析才成为可能。 图像分割在实际应用中已得到了广泛的应用，如图像编码、模式识别、位移估计、目标跟踪、大气图像、军用图像、遥感图像、生物医学图像分析等领域。同时，图像分割也在计算机视觉和图像识别的各种应用系统中占有相当重要的地位，它是研制和开发计算机视觉系统、字符识别和目标自动获取等图像识别和理解系统首先要解决的问题。概括地说只要需对图像目标进行提取测量等都离不开图像分割。 对分割算法的研究已经有几十年的历史，至今借助于各种理论已经提出了数以千计的分割算法[2]，而且这方面的研究仍然在积极进行。尽管人们在图像分割方面做了许多工作，但至今仍无通用的分割算法，也不存在一个判断分割是否成功的客观标准。因此已经提出的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。实际上由于不同领域的图像千差万别，也不可能存在万能的通用算法。 现有的分割算法非常多，大体上可以分为以下几类：阈值化分割、基于边缘检测的、基于区域的、基于聚类的和基于一些特定理论工具的分割方法。从图像的类型来分最常见的：有灰度图像分割、彩色图像分割和纹理图像分割等等。本

PCB缺陷检测中图像分割算法的分析与比较

PCB 缺陷检测中图像分割算法的分析与比较 摘要：图像分割在图像处理中占有重要的地位，分割结果的好坏直接影响图像的后续处理。本文介绍了4种常用的图像分割方法及其在PCB 缺陷检测中的应用，并且利用实际的分割效果对4种分割方法进行了比较。对PCB 检测的实际应用提出了一种比较好的图像分割思路，并且做了实验研究。 关键词：图像处理；图像分割；PCB 检测 引言： 图像分割是图像处理中的一项关键技术，分割结果的好坏直接影响到图像的后续处理。本文中图像分割的目的是根据图像灰度等级准确划分出其中有意义的目标区域。但是由于系统在PCB 图像的采集、传输过程中，由于光照不均，CCD 摄像机自身的电子干扰，都不同程度的带来噪声，使图像污染。这些噪声也给图像分割带来了一定的难度。而传统的图像分割方法针对实际应用，本文分别采用四种公认比较好的分割方法对PCB 图像进行分割，并对分割效果进行了比较，最后确定了适合PCB 检测的图像分割方法。下面对它们进行具体说明。 1. 基于标准图像的模糊推理法 模糊理论在图像处理中的应用越来越广。在图像分割中，它可以把数据的校验用一些 模糊规则来进行描述。用基于标准图像的模糊推理法进行图像的分割主要包括以下几步[1]： (1) 计算原始图像的灰度直方图并用迭代阈值法计算它的阈值； (2) 寻找目标和背景的像素簇的峰值； (3) 计算LD(象素值低与较低之间的阈值)和LB （像素值高与较高之间的阈值）； (4) 使用模糊逻辑方法（FLM-fuzzy linguistic method ）来获取二值图像数据； 待处理PCB 图像的灰度直方图如图1所示 图1 像素值直方图 Fig.1 Pixel value histogram 背景和目标对象是直方图中的两个簇。这里采用迭代阈值的方法来求取待检测图像的阈值。具体过程如下[2]： 1） 求出图像中的最小和最大灰度值H min 及H max ,令阈值初始值为： T 0像素数 像素值 Dark max threshold Bright max 255 （= 1 2 (H min +H max ) （1）

图像分割算法有哪些

图像分割算法有哪些 数字图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却引起各方面人士的广泛关注。首先，视觉是人类最重要的感知手段，图像又是视觉的基础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。其次，图像处理在军事、遥感、气象等大型应用中有不断增长的需求。 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。1998年以来，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。图像分割后提取出的目标可以用于图像语义识别，图像搜索等等领域。 图像分割有哪些方法1 基于区域的图像分割 图像分割中常用的直方图门限法、区域生长法、基于图像的随机场模型法、松弛标记区域分割法等均属于基于区域的方法。 （1）直方图门限分割就是在一定的准则下，用一个或几个门限值将图像的灰度直方图（一维的或多维的）分成几个类，认为图像中灰度值在同一个灰度类内的象素属于同一个物体，可以采用的准则包括直方图的谷底、最小类内方差（或最大类间方差）、最大熵（可使用各种形式的熵）、最小错误率、矩不变、最大繁忙度（由共生矩阵定义）等。门限法的缺陷在于它仅仅考虑了图像的灰度信息，而忽略了图像中的空间信息，对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。 （2）区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块