图像分割(水平集方法).ppt

图像分割 图像分割定义 按照一定的规则将一幅图像分成各具特性的区域，并提取出感兴趣目标的技术和过程 其它名称： 目标轮廓技术（object delineation ） 目标检测（target detection） 阈值化技术（thresholding） 图像处理到图像分析的关键步骤 图像分割的应用 图像分割在很多方面，如医学图像分析、交通监控等，都有着重要的应用。 意义 分割的结果用于图像分析，如不同形式图像的配准和融合、结构的测量、图像重建及运动跟踪等。 用于系统仿真、效果评估及三维定位等可视化系统中。 可在不丢失有用信息的情况下进行数据压缩。 分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。 形式化定义 令集合R代表整个图像区域，对R的分割可看作将R分成若干个满足以下条件的非空子集（子区域） R1， R2， R3，… Rn: 地位 图像处理着重强调图像之间进行变换以改善图像的效果 图像分析则主要是对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息从而建立对图像的描述 图像理解的重点是在图像分析的基础上，进一步研究图像中各目标的性质和它们之间的相互关系，并得出对图像的解释 分类—分割依据 相似性分割：将相似灰度级的像素聚集在一起。形成图像中的不同区域。这种基于相似性原理的方法也称为基于区域相关的分割技术 非连续性分割：首先检测局部不连续性，然后将它们连接起来形成边界，这些边界把图像分以不同的区域。这种基于不连续性原理检测出物体边缘的方法称为基于点(边界)相关的分割技术 两种方法是互补的。有时将它们地结合起来，以求得到更好的分割效果。 问题 不同种类的图像、不同的应用需求所要求提取的区域是不相同的。分割方法也不同，目前没有普遍适用的最优方法。 人的视觉系统对图像分割是相当有效的，但十分复杂，且分割方法原理和模型都未搞清楚。这是一个很值得研究的问题。 研究层次 图像分割算法 图像分割算法的评价和比较 对分割算法的评价方法和评价准则的系统研究 所用到的文献 [1]S.Osher,J.A.Sethian. “Fronts propagating with curvature-dependent speed:algorithms based on Hamilton-Jacobi formulations” Journal of Computational Physics. 1988,79(1):12-49 [2]M.Kass,A.Witkin,D.Terzopoulos. “Snakes:active contour models” International Journal of Computer Vision. 1995,17(2):158-174 [3]Tony F.Chan,Luminita A.Vese. “Active Contours Without Edges” IEEE Transactions on Image Processing. 2001,10(2):266~276 [4]Li C M, Xu C Y, Gui C F, et al. “ Level Set Evolution Without Re-initialization: A New Variational Formulation” Computer Vision and Pattern Recognition. 2005:1,430~436 水平集方法 Level Set方法是由Sethian和Osher于1988年提出，最近十几年得到广泛的推广与应用。简单的说来，Level Set方法把低维的一些计算上升到更高一维，把N维的描述看成是N＋1维的一个水平。举个例子来说，一个二维平面的圆，如x^2+y^2=1可以看成是二元函数f(x,y)=x^2+y^2的1水平，因此，计算这个圆的变化时就可以先求f(x,y)的变化，再求其1水平集。 水平集方法 水平集方法将平面闭合曲线隐含的表达为连续函数曲面 的一个具有相同函数值的同值曲线。通常将目标曲线隐含表示在零水平集函数 中，即t时刻,对应于的零水平集 设用于演化的平面闭合曲线为C(p,t)=(x(p,t),y(p,t)),p为任意的参数化变量，t为时间。设曲线的内向法向量为 ，曲率为k,则曲线沿其法向量方向的演化可以用下面的偏微分方程表示： 水平集方法 由 ，对t进行全微分，得 而内向法向