LBF模型教程分析.docVIP

拟合可扩展区域能量最小化的图像分割 摘要—— 亮度不均匀经常出现在真实图像中，并且可能在图像分割中引起相当多的困难。为了克服由亮度不均匀引起的困难，我们提出来在一种在可控尺度中利用在局部区域中的亮度信息的基于区域的主动轮廓模型。数据拟合能量是指依据一个轮廓和两个局部近似轮廓两边的图像亮度的拟合函数。然后，这个能量就划归入一个水平集正规化的变分水平集的方程式，曲线演变方程就衍生为能量最小化。由于在数据拟合中的一个核函数，提取出来的局部区域的亮度信息就能指引轮廓的运动，使得我们的模型能够处理亮度不均匀。另外，水平集函数的规则性在本质上是由水平集正规化维持着，来确保精确的计算和避免在推断水平集函数中繁多的重复初始化。 关键词—— 图像分割，亮度不均匀，水平集，拟合可扩展区域能量。 1.　简介 主动轮廓模型被广泛应用于图像分割中。经典的应用有边缘检测，阈值化和区域生长。首先，主动轮廓模型可以获得物体边界的亚像素的精确度。第二，主动轮廓模型可以很容易地在一个有原则的能量最小化的构造中列方程式，并允许引入各种先验知识（比如模型和亮度的分布）来进行鲁棒性图像分割。第三，它们可以提供光滑的封闭轮廓作为分割结果，而这些轮廓是必需的并且可以很容易应用于更长远的应用，比如模型分析和识别。 目前的主动轮廓模型可以分类成两种主要类型：基于边缘的模型和基于区域的模型。基于边缘的模型运用局部边缘信息来将主动轮廓吸引到物体边界。基于区域的模型旨在运用某一确定的区域描述符来确认每个感兴趣的区域，以指引主动轮廓的运动。然而，一般的基于区域的主动轮廓模型倾向于依赖每个区域的亮度均匀性来做分割。例如，PC（分段常量）模型就是以在假定每个区域的图像亮度是显著均匀的为基础的。 事实上，亮度不均匀经常通过不同的形式出现在真实图像中。在医学图像中，就是由于技术的局限或者物体本身引进的伪影。特别地，在磁共振图像中亮度不均匀就是由不同的磁性区域以及物体变化的磁化性产生的。这些磁共振图像的分割就需要修正亮度不均匀。 比起PC模型，更多的复杂模型也可以解决亮度不均匀。Vese和Chan独立地为更多的一般图像提出了两个相似基于区域的模型。旨在将Mumford-Shah函数最小化，两个模型将图像分割视为用一个分段光滑函数找一个与原始图像的近似值。这些模型，都是众所周知的PS模型展现出处理亮度不均匀的能力。但是，PS模型计算量太大，且会遇到一些别的问题。目前，Michailovich提出来一种由轮廓外和轮廓内的亮度分布的Bhattacharyya差异建立的主动轮廓模型。他的模型并不依赖亮度均匀，因此，在某种程度上解决了PC模型的局限性。 这里，我们提出来一种用变分水平集方程式的新的基于区域的主动轮廓模型。首先依据一个轮廓和两个局部近似轮廓两边的图像亮度的拟合函数定义拟合可扩展区域(RSF)能量的函数。当两个拟合函数表示出轮廓两边亮度的平均值时为最佳。RSF能量的可扩展性是由于一个含有尺度参数的核函数，它允许使用在可控尺度内的区域亮度信息，从邻近点到整个范围。然后，这个能量就划归入一个水平集正规化的变分水平集的方程式。在产生的曲线演变中使得关联的能量函数最小化，利用在一个确定尺度的局部区域亮度信息来计算两个拟合函数，并指引轮廓运动到物体边界。结果，提出的模型可以用来分割亮度不均匀的图像。水平集函数的规则性在本质上是由水平集正规化维持着，来确保精确的计算和避免在推断水平集函数中繁多的重复初始化。这就是我们所谓的LBF（局部二元拟合）模型。 ２．基于区域的主动轮廓模型 将作为图像范围，Ｉ：作为给出的灰度图像，下列是图像分割问题：给出一张图像Ｉ，找出一个可以将图像分割成不重叠区域的轮廓C。他们提出了以下的能量函数： 　　　　　　　　　　　　　 （1） 就是轮廓C的长度。Mumford-Shah函数的最小化得到了一个分割图像I的最佳轮廓C，图像u是原始图像I的近似，在由轮廓C分离的图像范围的每个联系的成分里都是光滑的。事实上，由于未知的低维数的轮廓C以及函数的非凸性，这个函数是很难最小化的。 Chan和Vese根据一个特殊实例提出一种接近于Mumford-Shah问题的主动轮廓模型。图像u是一个分段常量函数。在图像范围的图像，他们提出来最小化以下能量： （2） outside(C)和inside(C)分别代表了轮廓C外和内的区域，和是两个近似outside(C)和inside(C)内图像亮度的常数。我们将（2）中的前两式叫做全局拟合能量。这个能量可以用一个水平集方程式来代表，然后能量最小化问题就转化成解决一个水平集演变方程。 将上述全局拟合能量最小化的最佳常数和分别是outside(C)和inside(C)的亮度平均值。如果outside(C)或inside(C)的亮度不是均匀