图像分割的提升水平集方法

【摘要】：作为一种基础的图像技术,图像分割在图像工程、模式识别以及计算机视觉等学科中发挥着重要的桥梁作用。图像分割分离图像中的目标与背景,实现底层数据向高层知识的转化,使得高层分析、理解以及人工智能成为可能。 在过去的半个世纪中,图像分割一直受到人们的关注并保持持久的研究热度。至今已提出上千种基于不同理论的分割方法,但尚未形成统一的理论框架来指导分割方法的设计与实现。作为一种基于曲线演化理论的分割方法,主动轮廓模型方法通过构造能量泛函将低层图像数据和高层信息有效结合,然后通过求解泛函极值实现分割图像,最有希望形成分割的统一模型和框架。经过二十多年的发展,主动轮廓模型已经形成一系列较为完整和体系化的方法,成为图像分割的一个重要分支。本文在几何主动轮廓模型(即水平集方法)框架下,以静止图像作为研究对象,试图从降低分割结果对初始曲线依赖程度；完善图像特征描述以期获得更好的分割效果；优化演化速度和停止条件避免弱边缘泄漏；引入形状先验提高分割方法的形状选择性等几个方面提升现有水平集图像分割方法的分割效果。论文的主要创新点概括如下： (1)提出一种基于水平集接力的图像分割方法。该方法在图像域中交替地生成嵌套子区域并在其中演化曲线,当嵌套子区域的面积为零时实现对图像的完全分割。水平集接力的方法使用一个水平集函数在多个嵌套子区域中接力地分割图像,该方法可以检测到更多的内边缘,分割结果不依赖初始曲线。 (2)提出一种基于张量水平集的图像分割方法。利用图像灰度信息和Gabor特征构造像素的高阶张量表示,这种表示方法在提供更完整的图像特征的同时保持了像素之间的几何关系；然后通过定义张量之间的加权距离,提出了基于张量水平集的分割方法。该方法对噪声表现出更好的鲁棒性,改善了对非匀质目标的分割效果,同时由于使用了图像的Gabor特征,该方法也能分割纹理图像。 (3)提出一种基于非线性自适应水平集的图像分割方法。通过区域信息自动决定曲线的演化方向,使演化对初始曲线的位置鲁棒；设计非线性的演化速度函数使得曲线在图像边缘处演化速度较慢,而在目标或背景等匀质区域速度较快,有效防止边缘泄漏的发生；设计概率加权的停止条件以强调目标附近的边缘而抑制远离目标的边缘,有助于在识别模糊边缘的同时还能更好地检测到图像中的真实边缘。该方法结合图像中的边缘和区域信息,降低了分割方法对于曲线初始位置的依赖程度,同时改善了对具有模糊边缘的目标以及与背景灰度相似的目标的分割效果。 (4)提出一种基于形状先验水平集的图像分割方法。通过使用基于矩的图像对齐方法去除形状先验(使用水平集函数作为形状描述子)的尺度、位置和方向信息,这种对齐方式是一种无参数的方式,不需要迭代计算变换参数；使用保局映射(Locality Preserving Projections, LPP)将形状先验投影到低维子空间中进行概率密度估计并以此构造形状驱动的能量项,在一定程度上解决了形状先验在样本观测空间中的稀疏分布问题。该方法本质上是通过向水平集的能量泛函中加入形状约束,以便分割图像中被遮挡的目标,同时对于具有复杂背景的目标也具有较好的分割效果。 综上所述,本文从降低分割结果对初始化曲线的依赖程度、完善图像特征描述、避免弱边缘泄漏和形状先验约束等方面提升了现有的水平集图像分割方法,为水平集图像分割方法的理论研究和应用推广提供了新思路。