基于蛇模型图像分割研究综述.docVIP

基于蛇模型图像分割研究综述 　　摘要：蛇（Snake）模型，也称活动轮廓模型（Active Contour Model），能利用图像的高层信息能量泛函最小化来解决图像分割问题，多数学者因这点认真研究并改进了Snake，参数活动轮廓最先被研究，从改进力场的角度入手，以GVF-Snake最为出色，该类模型非常适合医学图像的分割，但其本身基于拉格朗日框架，分割结果依赖于初始轮廓的设置，学者借助几何活动轮廓模型，解决参数蛇难于处理拓扑变化问题，使分割以自适应方式进行，极大弱化了初始化要求，提高分割鲁棒性，能分割遥感、纹理、彩色图片。 　　关键词：图像分割； 参数活动轮廓； 几何活动轮廓； 能量泛函； 蛇模型 　　中图分类号：TP3914 文献标识码：A文章编号：2095-2163（2013）02-0082-04 　　0引言 　　蛇（Snake）模型，即活动轮廓模型（Active Contour Model），一度曾被国内学者译成主动轮廓模型，最早由Kass等人提出，能利用图像高层信息能量泛函来解决图像分割问题，2000年左右引入国内。国内，较早关注此模型的有哈工大李培华教授，当时将国外最新的蛇模型技术进行了综述[1]。文中阐述了Snake的数学模型，提到了Snake的算法实现，主要有计算复杂度为O（nm3）的Amimi动态规划法，和算法复杂度为O （nm） 的Williams的贪婪算法。接着又介绍了Snake的改进模型，如Cohen的气球模型，Storvik的基于贝叶斯概率统计的Snake模型，及用于运动跟踪的可变形模板（Deformable Templates）模型。另外一位长期深入研究Snake模型、且造诣深厚的学者是美籍华人徐成阳，首先提出了GVF-Snake模型[2]。该模型在图像分割或轮廓提取时，能双向驱动初始曲线的演化，使其进入图像的深凹轮廓，同时，在更大程度上降低了对初始化曲线位置需有严格限制的要求。 　　早期的Snake模型在图像分割或轮廓提取时，因驱动外力不够，要求初始化曲线须设定在图像真实轮廓的附近，否则较难收敛于图像真实轮廓，得不到较好分割效果。 　　在此期间，国内则少有学者开展Snake研究，可见的发表成果为：周彦博结合变分法处理医学图像，成功提取红细胞。贾春光结合遗传算法研究MR图像，提取大脑皮层外轮廓和左脑室，但并未取得满意效果[1]。 　　国内其他学者，鉴于Snake方法的新颖，于2001年左右对Snake算法进行了系统研究，课题多会涉及国家自然基金项目。研究活动多是集中于对Snake算法的各种改进，并得到改进的GVF-snake模型，再后来，即是采用水平集方法，所得研究成果多为几何活动轮廓模型。 　　在Snake模型的研究期间内，因多种原因所致，如学术名词的翻译等，Snake模型，曾被冠以多种名称，如蛇模型[1]、Snake算法[3]、主动轮廓模型[1，4]、活动轮廓模型[5，6]、几何主动轮廓模型[4，7]、可变形模板Snake模型[1，5] 、基于角点的Snake模型[8]，随着研究的进一步深入，又出现了结合区域信息、边界信息的改进的新蛇模型，但这些新数学模型已经与当年Kass的原始Snake有较大区别，本文依然将其归纳为蛇模型家族。为了统一起见，将蛇模型分为参数式活动轮廓模型、几何式活动轮廓模型、融合其他信息的混合蛇模型。 　　（1）基于参数的经典蛇模型有Snake；Balloon-Snake；距离势能Snake；GVF-Snake；GGVF-Snake；虚拟电场Snake（Virtual Electric Field），简称VEF；改进的虚拟电场Snake（External Force Using Vector Field Convolution）简称VFC。 　　（2）几何式蛇模型。采用水平集方法，包括了测地线蛇模型（Geodesic Active Contour Model） 简称GAC；测地线活动区域模型（Geodesic Active Region），简称GAR；分段常数模型（Chan-Vese）简称C-V；此外，还有双向Chan-Vese。第2期王成杰：基于蛇模型图像分割研究综述智能计算机与应用第3卷 　　（3）混合蛇。两种模型结合的Snake，融合了边界或区域信息，由此得到了对Snake改进后的新方法，如，2006年，Lie等人提出了基于区域的二值水平集。Tai提出了基于边界的二值水平集。2007年，尚岩峰提出自适应的Balloon-GVF Snake。此后一些学者，又结合其他方法，研究了参数蛇模型进行多目标分割的算法，此算法打破了参数蛇模型不能解决拓扑结构变化的问题。还另有一批学者，结合边界信息，通过演化曲线方式，实现了水平集。 　　1Snake模型的思想