基于羽毛球的水平集分割方法应用.docVIP

基于羽毛球的水平集分割方法应用 摘 要：本文主要论述了利用双水平集C-V模型对羽毛球图像进行了分割，并且与单水平集C-V模型进行了比较，提出了图像中感兴趣的部分，实质就是采用多个水平集函数将图像划分多种类区域的分割模型。仿真结果表明了该分割方法的可行性。 关键词：羽毛球、单水平集、双水平集、图像分割 中图分类号：TP391 文献标识码：A 文章编号：1672-3791（2015）05（c）-0000-00 0 引言 现阶段，图像处理应用在羽毛球检测中应用的还不是很多，在工业应用方面对于羽毛球的测试方法是采用试打这种方法，由发球机（或运动员）发球后用人工肉眼判断飞行中的羽毛球稳定性的好坏，人为判断误差大，试打对羽毛球有一定的损害，需要大量的人工。目前通过羽毛球风洞中运行，利用图像处理来研究羽毛球飞行的稳定性正处于研究实验阶段，还没有实际的测试设备，用其测试结果代替试打方法具有一定实用价值，见参考参考文献。用图像处理识别已经取得一定的效果，但羽毛球的图像分割的结果还不是很完善，存在应用局限。图像分割使羽毛球具有良好的分割效果，有利于对其形状或位置进行准确判断，具有实用价值。本文利用水平集的方法来分割羽毛球图像，并主要用单水平集和双水平集这两种分割方法进行比较，而且取得了一定的效果，具有实用价值。 1 单水平集C-V模型 单水平集分割方法模型其实就是基于水平集求解方法将图像划分为两种异类区域的分割模型，作为水平集方法在图像分析中的一个基础研究领域，单水平集模型受到很多的研究人员的关注。该模型是基于变分水平集方法求解的，根据初始化曲线 来构造符号距离函数，设其为水平集函数 ，则可计算得出L（C）和 的表达式，如下： 经过长时间逐步迭代，可求出轮廓曲线。 2 双水平集C-V模型 直接用单水平集C-V模型分割比较复杂的图像，图像分割效果不佳，所以Vese和Chan提出了多相位C-V模型，就是采用多个水平集函数将图像划分多个类型的区域，本文采用的是分段常值C-V模型。 设 为两个水平集函数，将图像的区域分成四个区域，则其能量泛值为： 3 C-V模型实验结果与分析 在参考文献中，有用三值法进行羽毛球图像的分割，主要使用运用二值法的思想的，然后在某个上限和下限之间的区域设定为灰色（灰度值为128），但是总体来说，这个下限和上限值没有一个固定的范围，在某些情况下，还是会对羽毛球的分割造成一定的影响的。 本文用双水平集和单水平集两种方法对同一张羽毛球的图像进行分割，得到的结果如下图所示： 用于处理的原图及水平级处理如图1所示，采用单水平对羽毛球进行分割，虽然羽毛球的轮廓基本能基本分割出来，但是在这过程中，有比较多的干扰点、边缘也不清晰，不便于处理识别，对测试产生一定的影响，这个从图2、图3的分割图更能看出区别来。因此，在这里利用单水平集分割羽毛球，还是存在一定的不足之处的，羽毛球的边缘不能很好的分割出来，没有达到期待的结果。 采用双水平C-V模型对羽毛球经行分割，从图1，图2，图3中可以看到，羽毛球的边缘可以清晰地检测出来，这个对以后的处理起到很重要的作用。其中两种方法都对比了100次，300次，600次的演算，从演算结果得知，采用单水平集迭代100次的话，边缘的分割比300次的效果差，600次的话，周边会有更多的干扰点；双水平集迭代100次，600次，边缘分割出来的效果还不错，周围也没有干扰点，其中迭代300次和600次基本上没有什么的不同，100次，稍微差了一点，因此利用这个方法进行分割图像，取得了不错的效果，而且稳定性也很好。 而且，从图2、图3的二值分割图可以更清晰的看见两种方法分割出来的效果，总体的效果来说，还是采取双水平集分割比较好。 4 结束语 针对现阶段羽毛球测试还是采用试打的方法，还没有实际的羽毛球检测测试装置对羽毛球的形状和位置进行准确判断和利用图像处理技术对羽毛球的飞行稳定性进行判断还处于研究的状态中。本文提出了利用单水平集和双水平集进行羽毛球的分割，并对两者进行了比较。从单水平集分割出来的结果来看，利用单水平集来进行羽毛球图像的分割，还是存在一些的缺点的，在羽毛球的分割图像中还是有一些的干扰点的，并没有达到预想的效果；而相对于双水平集的话，分割出来的效果还是达到了当初想要的效果，验证了一种适合于羽毛球图像分割的方法，对以后的羽毛球研究提供了一些的帮助，有助于提高企业的生产率。 参考文献 [1] 李雪晨.图像采集识别技术及应用研究[D].广东工业大学，2012.DOI：10.7666/d.y座机电话号码. [2] 徐东，彭真明.基于C-V模型的改进快速水平集图像分割法[J].强激光与粒子束，2012，24（12）：2817-2821.DOI：10.3788/HPLPB座机电话号码.2817. [3] 林颖.基于水平集方法的图像