中图法分类号tp301.docVIP

中图法分类号：TP301.6 文献标识码：A 文章编号：1006-8961(2012 ) 论文引用格式： 连续最大流图像分割模型及算法 杨晓艺1 ， 王小欢1 ， 宋锦萍1,2 1.河南大学数学与信息科学学院, 开封 475004； 2.河南大学应用数学研究所, 开封 475004 摘 要：最大流模型是图像分割领域的强有力工具。 最近几年， 一种基于连续的最大流模型被提出并有效应用于图像分割。然而, 该模型的空间流约束变量为全局常数， 未与图像的结构特征相联系。 同时, 源和汇的初始值计算量大， 模型的数值实现效率不甚理想。 针对这些问题, 本文结合图像的结构、统计特征和和预处理算法(包括分片常数算法和最大类间方差－直方图算法)， 给出了连续最大流图像分割模型及算法。实验结果验证了该模型和算法的有效性。 关键词 ：最大流； 连续；图像分割；分片常数 Image segmentation model and algorithm based on continuous max–flow approach Yang Xiaoyi1, Wang Xiaohuan1, Song Jinping1,2 1.School of Mathematics and Information Science, Henan Universityy,,Kaifeng 475004; 2.Institute of Applied Mathematics,Henan University,, Kaifeng 475004 Abstract: Max-Flow model is used as a powerful tool to image segmentation problems. In recent years, a new model based on continuous max-flow approach is presented and well adapted to segmenting images. However, the constraint of spatial flow in the model is simply set to global constant, and it is not associated with architectural feature. Meanwhile, the initial terms of source flow and sink flow need large amount of calculation, and can not obtain satisfactory segmentation results. In order to overcome these shortages, this paper combine architectural feature and statistical feature of the image and a preprocessing algorithm which include piecewise constant algorithm and Otsu-Histogram algorithm. Experimental results of images verify that the model is efficient . Key words: Max-flow; continuous; image segmentation; piecewise constant 0 引 言 近年来， 基于能量泛函的图像分割模型得到了广泛关注， 其中最大流与最小割方法是解这类模型的重要手段之一。 该方法是根据图像构造网络， 将能量泛函最小化问题转化为最小割问题， 利用最大流/最小割理论， 将其转化为最大流问题，通过求解最大流问题获得图像分割模型的解[1]。 最大流方法分为离散和连续两种， 其中离散的方法存在网格偏差，存储信息量大和并行计算比较困难等缺陷[2]。 连续的方法由于具有度量误差小、可并行实现的优点受到了广泛的关注。 Strang在[3-4]中最先在连续的区域中研究了最大流/最小割问题。 Appleton等在[5-6]中提出了用一种连续的最小曲面方法来分割二维和三维物体， 并且用偏微分方程（Partial Differential Equation，简称PDE）方法对它进行求解。 Chan在[7]中提出了用一种凸松弛方法求解如下分割问题 其中，为待分割区域，为待分割区域周长的正则化参数。并在[7]中证明了通过设定的特征函数而得到(1)的全局最优解。 Chan