基于活动轮廓模型的图像分割方法研究【毕业论文】.doc

1、 本科毕业设计 （ 20 届） 基于活动轮廓模型的图像分割方法研究 所在学院 专业班级 电子信息工程 学生姓名 学号 指导教师 职称 完成日期 年 月 - 2 - 摘 要 图像分割作为图像理解的基础，是图像处理和计算机视觉中一个关键的步骤，对现代人的生产、生活都有着很高的应用价值，这 方面的研究受到了广泛的重视。传统的非模型的分割方法有着很大的缺陷，利用模型所完成的图像分割有更好的分割效果。目前的研究主要划分为依赖边界的分割与依赖区域的分割两种，也有两者相结合的分割方法。活动轮廓模型属于基于边界的分割。活动轮廓模型主要包括参数轮廓模型和几何轮廓模型两类。几何活动轮廓模型在近些年被广泛的应用于非

2、刚性物体的分割中，与传统的分割算法相比，展现了它更高的优越性。水平集方法的出现，对活动轮廓模型计算复杂度比较高、图像弱边缘收敛性比较差等问题的解决有着很大的推动。将传统的水平集方法与参数主动轮廓模型 相结合，对计算量和计算时间的减少起到了很大的帮助。 本文所做的研究是主要针对基于水平集的活动轮廓模型图像分割，具体采用了改进的 C-V模型，它的演化曲线的几何特征能用水平集函数直接计算得出，通过迭代方程得到更高维函数，水平集函数的零水平集可以自然处理变拓扑结构，在保持速度函数为连续的光滑函数的情况下，水平集函数就始终为可微函数，从而可以利用离散的有限差分法实现其数值近似算法，得到贴近图像感兴趣目标

3、的最终轮廓线，最后得到带轮廓线的图像。 关键词： 图像分割，活动轮廓模型，水平集，演化曲线，可微函数，零水平集 - 3 - Abstract Image segmentation is the basic of image understanding， and its a key step in image processing and computer vision that have high application to the modern life，people pay a highly attention to this aspect .The traditional non-mo

4、del has a great defect on the segmentation; using the model can get a better segmentation effect. Current research is divided into the segmentation that depend dependent boundary segmentation and region segmentation of two dependent, and also the both. Active contour model is based on the segmentati

5、on of boundary, including parameters contour model and geometric contour model. Geometric active contour models are widely used in the segmentation of non-rigid object in these years, compared with the traditional algorithm, it has more advantages. The emergence of the level-set has great advantages

6、 to solve the problem that the highly difficult of computing the active contour model, and the poor edges of image. Combination of level-set and parameters contour model played a great help to reduce the amount of computation and computing time. This study was done mainly based on the image segmenta

7、tion of level-set of active contour model, Using the modified C-V model, the geometric features of evolution curve can be calculated in the function of level-set, Through the iterative equation to get the higher function, The zero level-set of the level-set s function can be variable topology natura

8、lly, in the event that keeping the function of speed continuously and slick, the function of level-set can be differentiable all along, then we can use the discrete finite difference method to achieve its numerical approximation algorithm to get close to the target image are interested in the final

9、contour, the resulting image with a contour line. Keywords: Image segmentation, active contour model, level set, evolution curve, differentiable function, zero level set - 4 - 目 录 1 引言 . 1 2 图像分割 . 3 2 图像分割的意义及目的 . 3 2.2 图像分割综述 . 4 3 基于活动轮廓模型的分割算法 . 6 3.1 基于活动轮廓模型的图像分割 . 6 3.2 参数活动轮廓模型（ SNAKE模型） . 7

10、 3.3 几何活动轮廓模型 . 8 4 基于改进的水平集图像分割 . 10 4.1 改进活动轮廓模型（ C-V 模型） . 10 4.2 改进 C-V 模型的水平集求解 . 11 4.3 算法流程 . 12 4.4 调试与结果 . 14 结论 . 15 致谢 . 错误 !未定义书签。 参考文献 . 16 附录 1 程序编写 . 18 附录 2 科研论文 . 22 1 引言 图像分析对于人类的生产生活都 有着很大的帮助，随着计算机技术的发展和广泛应用，图像处理与计算机视觉受到了很多学者的重视，新技术和新的理论不断涌现，并在人民的生活、工业生产和军事技术等领域得到了广泛的应用 1。图像分割作为一项

11、基础工作，是服务于更高阶层的图像处理和计算机视觉操作的，图像分割所得到的效果好坏对后期的图像分析有直接的影响，从而对图像分析的最终结果造成很大的影响，所以它是图像分析至关重要的一项技术。几十年来，图像分割技术不断的前进，是与研究人员为之付出努力的结果，自图像分割技术得到广泛关注后，相当多的图像分割的研究成果和方法相 继产生。虽然提成的算法有很多，但绝大多数算法都不是能广泛适用于任何图像的，大多都只适用于相对的某些特定类型的图像，所以目前还没有研究出一种万能的可以分割所有类型图像的分割算法。由于衡量图像分割结果的好坏是在特定图像、特定因素的基础上的，所以衡量的标准也是不绝对定的。关于经过图像分割

12、后的结果质量对后续图像分析和理解的影响是很大的，由此可见更透彻的对图像分割技术的挖掘是必须的。 一个好的图像分割算法应具有以下特点： 1、有效性，具有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 或目标的连续的和离散的点的封闭曲线。 3、精确性，图像分割后所得到的感兴趣区域或目标界线必须要与实际图像靠近。 4、稳定性，不受噪声的干扰。 5、自动化，分割过程不需要人工的手动完成 2。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。 经过

13、多年来研究者们的研究，已经提出的基于活动轮廓模型的图像分割方法有很多种，活动轮廓模型与其他分割算法相比，其优越的性能体现在活动轮廓模型同时具备使轮廓线 平滑的约束条件和融合多种信息的优点。虽然活动轮廓模型有如上所述的这些优越性，但是缺点也是存在的，比如，当目标图像的轮廓线产生拓扑变化，参数活动轮廓模型就无法判断，导致分割中止，传统的水平集的活动轮廓模型运算时间太长，活动轮廓模型每次分割前都要进行轮廓线的初始化，这些缺点是需要去研究，去进一步弥补的 3。可以在已有的图像分割算法基础上，针对不同的缺点进行研究，或者将不同的模型进行结合，取长补短，以实现更简单，更完整的图像分割，并得到最好的效果。

14、本研究是基于水平集的活动轮廓模型的图像分割，在传统的水平集的活动 轮廓模型的基础上进行进一步的完善。 2 图像分割 图像是人们用不同种类的观察测量系统通过不同形式和不同的手段观察客观世界而获得的，通过直接或间接作用于人眼而产生视觉的实体，包含了丰富的信息，是我们主要的信息来源 4。我们把人们对图像中感兴趣的部分称为目标和前景，一幅图像中不是所有内容都是人们需要的，人们一般都是对图像里的部分内容感兴趣，为了突出这些感兴趣区域，就需要将它们从图像中分割提取出来，作为后续目标研究的基础。把感兴趣目标从原始图像中分成不同部分，然后提取的途径和操作方式就叫做图像分割。 2 图像分割的意义及目的 图像技术

15、有很多类别，包含的内容量也很大，对图像进行处理的方式组成了图像技术，所有的图像技术可以用一个框架整理成图像工程，如图（图 2-1），图像工程从方法和程度上可分为处理、分析和理解这三个层次 5。 图 2-1 图像工程 分割和测量原始图像中的感兴趣的目标的过程就是图像分析 6，通过图像分析把原始图像中的图像理解重点着重突显出来，作为进一步研究的详细内容，这样后续研究的过程中就有了更明确的数据。图像分割作为一个关键的步骤，在 图像工程中的分析到处理阶段占据着重要的位置（图 2-1），对特征测量有重要的影响，因为图像分割可以将原始的图像转化为目标特征更清晰、紧凑的形式，从而使得更深层的图像分析、理解成

16、为可能。总的来说，在各种图像操作对象 符号 目标 像素 图像理解 图像分析 图像处理 参数测试 目标表达 图像分割 应用中，只要是需要对图像目标进行提取、测量等都是离不开图像分割的。 鉴于图像分割在整个图像工程中的重要性，人们对图像分割进行了大量的研究，但目前为止还是没有找到一种适合于任何图像的通用分割算法，所以以此为方向的图像分割技术一直以来是图像技术的研究热点。因此，从基本原理、实际应用和最终分割效果等各方面来深入研究 图像分割技术，对于图像理解和提高图像处理技术的应用水平都有十分重要的意义。 2.2 图像分割综述 图像分割用直白的语言表达就是将原始图像中有意义的特征区域、感兴趣目标或者需

17、要应用的特征区域提取出来，这些特征区域可以是图像的轮廓曲线、像素的灰度值等这些平面上的，在三维空间立体上的直方图等也可以被提取出来，在具体的应用中，如果能将图像中目标物体的边缘轮廓线找出来，就意味着对图像进行了分割。 借助集合知识，对图像分割作如下定义 7： 令集合 R代表整个图像区域，对区域 R的分割可看成是将 R分成 N块区域（即将整个图像 区域分割成 N个子区域），子区域 1R , 2R , , NR 满足以下条件 : iR是连通的区域， i=1,2, ,N;对任意的 ji RRji ， ； RRNi i1； iRH 是评价区域 iR 中元素灰度一致性的逻辑谓语， 满足 ，TRUERH

18、i 1i ,2， N； FA LS ERRH i j , ji ， iR 与 jR 相邻。图像分割后所产生的区域必须是一致的和最大的，其中“最大”是指一致性准则在合并任意两个相邻区域后就不再是真的了。 根据上诉定义，图像分割大致可分为两类算法，利用区域内相似的基于区域的图像分割算法和利用区域 间不连续的基于边界的图像分割方法。图像分割技术主要有： 1、基于阈值的分割； 2、基于边缘的分割； 3、基于区域的分割；4、基于特定理论的图像分割 8。基于阈值的分割难以进行复杂的分割，因为阈值的选取是该方法的关键和难点，而复杂的分割阈值选取过程比较难选，阈值法虽然是图像分割算法中计算最简单和最易实现的一

19、类算法，但它只考虑图像的灰度信息，当图像中不存在明显的灰度差异或者灰度值范围有很大的重叠时，分割出来的效果就不是很理想了，而且阈值法对图像的噪声和杂波比较敏感；基于边缘的分割是通过局部滤波来实现边缘检测，虽然其 已充分利用了图像的局部信息，但在建立边缘轮廓连通性时仍具有一定的困难；基于区域的分割虽然利用了区域内的统计信息，但容易生出一些非正则边界和小孔，影响分割的效果。 3 基于活动轮廓模型的分割算法 活动轮廓模型是一个闭合曲线的模型，该模型可以是二维的闭合曲面也可以是三维或者更高维数的闭合曲面 9。活动轮廓模型的轮廓线是内力和外力同时作用后向感兴趣的目标边界靠近运动的动态曲线，其目的是为了提

20、取目标边界，初始轮廓线上的内部力量和外部力量可以通过计算一个模型轮廓线的能量函数得到。其中内力可以规范轮廓线，使其变得 光滑，而外力可以使轮廓线不断的向目标边界逼近。 3.1 基于活动轮廓模型的图像分割 自 1988年 Kass等人首次提出活动轮廓模型 10以来，各种形式的活动轮廓模型渐渐的发展起来，根据轮廓线表示形式的不同，分为基于传统水平集的活动轮廓模型（轮廓线由符号距离函数的零水平集表示）、基于新型的水平集的活动轮廓模型（轮廓线是传统水平集函数的简化结果，形式多为分段函数）和基于参数的活动轮廓模型（轮廓线通常由点或 B样条曲线来表示）。相比较而言，图像分割算法中基于活动轮廓模型的算法有以

21、下这些优点 11：按轮廓线划分的形 式多。活动轮廓模型的轮廓线表达方式可以分成好几种，其中每一类模型通过改变一些参数项或加性结合，又可以分为很多种经典的活动轮廓模型，比如Mumford-Shah模型、梯度矢量流 Snake模型（ GVF Snake）、 Chan-Vese模型等。功能优越。活动轮廓模型通常具备较完善的功能，因为活动轮廓模型除了有能让轮廓线变得平滑的约束条件之外，它所特有的结构还能灵活的包含很多种信息。灵活的模型结构。活动轮廓模型的结构可以灵活的包含很多种信息，像图像的目标形状特征和不连续的区域特征或是边缘等信息。如果将一些模型进行加 性结合就可以得到新的模型，前提是这些模型的表现形式必须是互相一致的。 但是由于活动轮廓模型在每次的图像分割前都要初始化轮廓线，当被分割的图像特征目标的轮廓线发生拓扑变化时，参数轮廓模型又无法智能的完成自动处理，传统水平集的活动轮廓模型需要很多时间来计算等缺点，活动轮廓模型在存在优点的基础上也还是存在着一些不足点，当然基于活动轮廓模型的图