在线客服

咨询热线

基于GAC-CV混合模型的憎水性图像分割算法研究

作者:未知

   摘   要:几何主动轮廓(GAC)模型根据曲线的几何特性可以避免演化过程中重新参数化,但其分割模糊边界对象的效果不佳,而Chan-Vese(CV)模型通过最大化目标与背景的灰度差可以有效地区分图像的模糊边界。基于此,提出一种GAC-CV混合模型,即将图像的边缘信息与区域信息融合进入同一个"能量"泛函,并对不同的分割目标采取不同的分割策略,提高凹形边缘的捕获能力。对绝缘子7种等级的憎水性图像的分割结果表明,该混合模型具有优越的分割性能,对水珠亮点的检测率高达95%。
   关键词:憎水性图像;GAC;CV;图像分割
   中图分类号:TP391.41                               文献标识码: A
   Abstract:The geometric active contour(GAC) model can avoids reparameterization based on the geometry characteristics, but it has the poorly ability in dividing a fuzzy boundary. In contrast, by maximizing the grayscale difference between the target and the background, the Chan-Vese(CV) model can effectively differentiate the fuzzy boundary. Based on the aforementioned consideration, the GAC-CV hybrid model is proposed, where the edge of the image and the region information are merged into the same "energy" function, and the various segmentation strategies are adopted for different segmentation targets to improve the capture ability of the concave edge.The segmentation results about thewater-repellent images of seven grade of the insulators show that the hybrid model has superior segmentation performance, and the detection rate of water bead highlights is as high as 95%.
   Key words:hydrophobic image;GAC;CV;image segmentation
   目前,水平集方法已被廣泛地应用在图像分割领域,其主要思路是将曲线演化为高维的超平面水平集,用高维水平集提供演化曲线的一个隐式表
  达[1-3]。演化过程中,并不跟踪运动后的曲线的具体位置而是更新水平集函数来演化隐含在水平集函数中的闭合曲线,同时又不改变闭合曲线拓扑结构。
   活动轮廓模型是将图像本身的低层视觉特征(如色彩、灰度、纹理、边缘等)和目标对象的知识(如形状,色彩,亮度等)以主客相互作用的方式结合起来实现目标对象的分割[4-6]。经典的活动轮廓模型有:基于参数活动轮廓模型和基于几何活动轮廓模型两种。前者在分割过程中能够直接产生闭合的参数曲线,然而其内部能量的限制和固有参数使其不能任意改变拓扑结构。后者则通过变分方法构建模型,将图像中的目标轮廓设置成一个高维的零水平集,然后通过泛函求解得到偏微分方程(PDE),可以较好地解决拓扑结构无法变化的问题[7-9]。
   传统方法不能有效分割憎水性图像,而基于水平集方法活动轮廓模型可以融合不同情况下的不同特征以适应憎水性图像中水珠亮点分割的要求。因此,采用水平集方法活动轮廓模型研究憎水性图像分割是一种有效的方法。
  5   结   论
   GAC模型可以在曲线演化过程中无需重新参数化,但其分割模糊边界对象的效果不佳,而CV模型可以通过最大化目标与背景的灰度值差使得在模糊边界的情况下获取良好的分割结果。基于此,提出了一种GAC-CV混合模型,即将图像的边缘与区域信息融合进入同一个"能量"泛函里,并对不同的分割目标采取不一样的分割策略,提高凹形边缘的捕获能力。对绝缘子的7种等级憎水性图像的分割结果表明该混合模型具有优越的分割性能。
  参考文献
  [1]    程丹松,何仕文,石大明,等. 基于Bregman散度和RSF模型的水平集图像分割方法[J]. 哈尔滨工业大学学报,2018,50(05):52—59.
  [2]    陈炳才,余超,周超,等. 水平集超像素及贝叶斯框架下的显著性检测[J].哈尔滨工业大学学报,2018,50(05):102—108.
  [3]    赵瑞雪,潘振宽,侯国家,等. 基于一个水平集函数的多相图像分割方法[J]. 计算机工程,2018,44(04):317—321.
  [4]    陈乔松,冉会琼,闫亚星,等. 基于数据场和水平集演化的图像分割[J]. 重庆邮电大学学报:自然科学版,2018,30(02):257—264.   [5]    唐利明,方壮,向长城,等. 结合BV-L~2分解的CV变分水平集模型[J].重庆大学学报,2018,41(03):82—90.
  [6]    刘国奇,李晨静. 基于贝塞尔滤波的水平集正则化图像分割方法[J].计算机科学,2018,45(03):285—289+295.
  [7]    王晓丹,张龙波,王雷,等. 基于Nystrom方法的水平集医学图像分割算法[J]. 山东理工大学学报:自然科学版,2018,32(03):13—16+20.
  [8]    王志坚.基于水平集演化与遗传优化的缺陷检测算法[J]. 控制工程,2018,25(03):413—416.
  [9]    王提,陈健,曾磊,等. 结合形状先验的水平集灰度纹理图像分割方法[J]. 计算机工程,2018,44(03):251—258.
  [10]  兰添才,陈俊,张怡晨,等. 基于水平集和最大稳定极值区域的颈椎椎体分割方法[J]. 厦门大学学报:自然科学版,2018,57(02):271—278.
  [11]  王莹,王锦.基于区域信息的水平集医学图像分割[J].电子技术与软件工程,2018(01):56.
  [12]  张婧,周明全,耿国华.基于变分水平集的三维模型复杂孔洞修复[J]. 计算机应用研究,2018,35(04):1254—1257.
  [13]  姜大伟,范剑超,黄凤荣.SAR图像海岸线检测的区域距离正则化几何主动轮廓模型[J]. 测绘学报,2016,45(09):1096—1103.
  [14]  刘亮. 基于主動轮廓模型的遥感图像目标提取研究[D]. 哈尔滨:哈尔滨工程大学,2016.
  [15]  曹冬梅. 基于主动轮廓模型的医学图像分割研究[D]. 南京:南京信息工程大学,2014.
  [16]  曹洁,曾庆红,王进花.基于几何主动轮廓模型的粒子滤波跟踪算法[J]. 计算机应用,2011,31(05):1205—1208.
  [17]  唐利明,方壮,向长城,等. 结合BV-L~2分解的CV变分水平集模型[J]. 重庆大学学报,2018,41(03):82—90.
  [18]  胡小为,刘宏申,徐国雄,等. 一种结合GVF和CV模型的水平集图像分割方法[J]. 安徽工业大学学报:自然科学版,2016,33(03):289—294.
  [19]  唐利明,田学全,黄大荣,等. 结合FCMS与变分水平集的图像分割模型[J]. 自动化学报,2014,40(06):1233—1248.
  [20]  王芳梅,范虹,Yi WANG.利用改进CV模型连续水平集算法的核磁共振乳腺图像分割[J]. 西安交通大学学报,2014,48(02):38—43.
转载注明来源:https://www.xzbu.com/8/view-15033316.htm