投影竞争驱动的活动轮廓模型图像分割研究

在图像分割任务中，活动轮廓模型因在表示形式上充当了图像数据到感知的桥梁而成为目前图像分割方法研究的重要方向。然而在现有的轮廓模型中估计区域灰度概率分布的方法通常对图像属性限定较强，或者依赖启发式的局部尺度的选择，另外区域与边界在活动轮廓能量泛函中的比例往往也靠经验确定权系数，这些都降低了轮廓模型的实用性。.本项目针对模型中不同图像特征的关系以及区域与边界能量的关系展开研究。将分割作为一个最大后验估计问题，后验估计能量为对划分区域和边界实现编码的大小，而区域和边界统一表示为它们向不同图像子空间的投影分布的和。因此，分割过程就是使描述这些分布的代价最小。另外，不同分布在总能量中的权重根据其分布特性决定，最小化过程体现了它们为实现分割结果的一种竞争。.由于对不同的图像特征，区域与边界用统一的能量表示形式，并自适应决定其权系数，从而使分割算法自动选择合适的特征，减少对人工调节参数与权系数的依赖。

对活动轮廓图像分割方法中的局部模型展开研究，针对局部模型依赖初始位置的问题，在医学图像应用方面，提出了利用局部形态匹配度量的自动血管影像分割活动轮廓方法，与图像灰度匹配的局部信息的计算与曲线的位置无关，加快了算法的迭代速度，克服了目前局部活动轮廓模型对初始位置的依赖，实现了自动，准确，快速的分割；对活动轮廓分割方法中边界与区域能量结合的方法展开研究，在局部模型能量中引入全局区域统计信息，全局区域信息通过计算图像的差分得到，在一定程度上克服了目前混合模型中不同区域的能量需要人工调节权参数、从而依赖权参数调节的问题，同时保持局部模型的分割准确度的同时，克服了局部模型对初始位置的依赖;.对目前不同特征驱动的活动轮廓分割算法进行了对比实验，计算了不同滤波统计特征对分割的影响，提出了自适应权系数的多分布活动轮廓分割方法，区域的分割能量的权系数由对应滤波分布的熵决定，而分割的目标是最小化所有区域上滤波响应分布的加权熵的和；建立CT影像解剖目标的模糊形状模型，将模型按照层次和先后次序匹配到目标图像来识别目标，然后采用模糊连接方法分割目标，实现了胸部九个目标的自动分割 。