（信号与信息处理专业论文）基于最小描述长度准则的活动围道方法及其若干相关技术.pdf

摘要 图像分割作为一门基本技术在医学、遥感及其它图像处理领域中有广泛应 用。 在各种分割技术中， 活动围道分割方法在分割的准确性方面明显优胜于现有 的各种非围道方法， 因而在研究和应用两方面都倍受关注。 然而现有围道方法存 在抗噪性能差， 对初始围道位置和图像属性限定性强， 拓扑自 适应差等缺点， 这 些缺点限制了现有围道方法的实用性。 为了发展更实用的活动围道图像分割方法， 需要了解和利用图像作为随机场 的特性; 需要体现分割图像的最基本依据， 例如目 标区域上指定特性的一致性: 以及需要控制分割围道形态的规则性。 可惜的是， 现有的围道方法还未能充分体 现这三方面的要求。 本文采用最小描述长度( md l ) 准则， 将这三方面的要求具体 化为对应的描述长度，进而推导出活动围道的能量泛函。以该能量泛函为基础， 提出了更合理的活动围道方法一基于 m d l的活动围道方法。m d l准则的基本 思想是建立可以精确描述对象的数学模型，并且使描述.语一言 ，达到最短。因而， md l准则可以确保用最低的模型复杂性达到高的模型精确度。基于该准则导出 的新分割方法较全面地克服了现有围道方法的缺点。 本论文工作的创新点主要在以下方面: 1基于md l准则，提出了一种新的能量泛函。在该能量泛函中，同时描述 了随机场图像的 特性， 围道的区域一致性特性以 及围道的形态特性。 随机场图像 的描述语言采用概率分布模型， 描述长度是围道内外区域中图像数据概率的以2 为底对数的负数; 活动围道区域一致性的描述语言为有符号的梯度图， 描述长度 是围道内区域有符号梯度的总和; 围道形态的描述语言采用平滑性， 描述长度正 比于围道的长度。 所提出的能量泛函， 综合地使用了抗噪性能强的区域信息和定 位精度高的边界信息， 可以同时估计出区域的数目 ， 各区域的特性参数以 及边界 位置。 2 基于所提出的能量泛函，提出了一种新的参数型活动围道方法一参数 b 样条型基于md l准则的活动围道方法。该方法是一种图像两步分割方法，给出 位于 感 兴 趣区 域内的 种子点 后， 首 先 用c a n n y 算子 检测出 各个方向 上与 种子点 最 近的 棱边点， 以这些点为控制点， 形成初始的b样条活动围 道。 然后用l a g r a n g i a n 法最小化围道的能量泛函， 来获取准确目 标边界。 同时也提出了基于区域欧拉数 的拓扑自 适应处理方案。 有效地解决了参数型活动围道方法中的拓扑自 适应性问 题。 与现有参数型围道方法相比， 参数b样条型基于md l的围道方法是性能最 好的方法之一， 具有抗噪性能强， 定位精度高， 可以分割出 模糊不清目 标的有意 义边界， 具有拓扑自 适应性且拓扑自 适应处理方法简单， 以及人为干预少等优点。 实验证明了该方法的有效性。 3 . 墓于所提出的能量泛函， 提出了一种新的几何型活动围道方法一几何型)t 于m d l 准则的活动围道方法。在该方法中，首先采用各向异性扩散法对图像进 行可控噪声强度的光 滑; 然后基于该光滑图像， 用曲 线进化和水平截集( l e v e l s e t ) 方法最小化所提出的能量泛函， 得到低定位精度的活动围道; 最后基于原始图像， 以 低定位精度的活动围道作为初始活动围 道， 进一步获得高定位精度的活动围 道。与现有几何型活动围道方法相比，几何型基于md l的围道方法是性能最好 的方法之一，具有抗噪性能强，定位精度强，去除噪声可控，拓扑自 适应性强， 对初始活动围道位置的局限性低， 对背景区域属性局限性低， 可以分割出模糊不 清目 标的有意义边界等优点， 是一种实用性较强的活动围道分割方法。 对大量合 成图像和实际图像分割实验证明了该方法的有效性和实用性. 4基于几何型md l准则的活动围道方法， 提出了一种基于活动围道的无监 督纹理图像分割方法。 方法适合于分割由粗细程度差别较大或方向性差别较大的 纹理组成的图像。 在方法中， 采用g a b o r 滤波器库提取出纹理图像的各个特征图， 并将所提出能量泛函扩展为特征量为矢量的能量泛函。 为了提高g a b o r 滤波器库 提取纹理图像特征图的速度， 利用滑动矩形窗数据间的关系， 提出了二维滑动矩 形窗傅氏变化的快速递推算法。 5 . 提出了 一种新的水平截集函数初始化和重初始化方案。 方法首先直接计算 出 距离函 数， 此时水平截集函数不具备充分的光滑性: 然后基于 m u m f o r d - s h a h 泛函光滑距离函数的突变部分， 而保留距离函数的光滑部分。 所提出的方法， 可 使初始化后的水平截集函数同时具有距离函数和充分光滑性的特征， 可有效降低 水平截集方法重初始化的次数和计算达到稳态的时间。 关键词:图像分割， 活动围道，图 像模型， 不确定性， 最小描述长度( m d l ) ， 能 量泛函， 水平截集( l e v e l s e t ) ac t i v e co n t o u r te c h n r q u e b a s e d o n mi n i m u m d e s c r i p t i o n l e n g t h p r i n c i p l e z h a n g l i f e i ( s i g n a l a n d i n f o r m a t i o n p r o c e s s i n g ) d i r e c t e d b y p r o f e s s o r z o u mo u y a n ab s t r a c t i m a g e s e g m e n t a t i o n , o n e o # t h e f u n d a m e n t a l t e c h n i q u e s o f i m a g e p r o c e s s i n g , h a s b e e n w i d e l y u s e d i n v a r i o u s f i e l d s , s u c h a s m e d ic a l i m a g e p r o c e s s i n g , r e m o t e s e n s i n g , a n d t h e r e l a t e d a s p e c t s . o f a l l k i n d s o f i m a g e s e g m e n t a t i o n t e c h n i q u e s , t h e a c ti v e c o n t o u r s e g m e n t a t i o n t e c h n i q u e o w n s t h e b e s t f e a t u r e a s f a r a s s e g m e n t a t i o n a c c u r a c y c o n c e rn e d . i n f a c t , t h i s t e c h n i q u e i s a tt r a c t i n g m u c h a t t e n t i o n o f r e s e a r c h a n d a p p l i c a ti o n . t h e e x i s t i n g a c t i v e c o n t o u r t e c h n i q u e s , h o w e v e r , s t i l l s u f f e r f r o m a f e w o r m o re d e f e c t s , s u c h a s t h e h i g h s e n s i t i v i t y t o n o i s e , t h e t i g h t l i m i t a t i o n o n t h e i n i t i a l c o n t o u r p o s i t i o n a n d t h e i m a g e c o n t e n t s , a n d t h e la c k o f t o p o l o g i c a l a d a p t a b i l i t y , w h i c h i m p o s e a h e a v y r e s t r i c t i o n o n t h e a p p li c a t i o n o f t h e s e t e c h n i q u e s i n o r d e r t o d e v e l o p a p r a c t i c a b l e a c ti v e c o n t o u r t e c h n i q u e u s a b l e i n t h e r e a l w o r l d , w e s h o u l d c a r e f u l l y a n a ly z e a n d s u f fi c i e n t l y m a k e u s e o f t h e p r o p e r ti e s o f t h e i m a g e a s a r a n d o m f i e l d ; w e s h o u l d h a v e a m e t h o d o l o g y t o t r a n s l a t e t h e u n d e r ly i n g p r in c i p l e f o r i m a g e s e g m e n t a t i o n , s u c h a s t h e h o m o g e n e i t y o f p r o p e r t i e s o f t h e i m a g e o n t h e o b j e c t r e g i o n , i n t o a m a t h e m a t i c a l l y a m e n a b l e m o d e l ; a n d a l s o w e n e e d a m e t h o d o l o g y t o c o n t r o l t h e r e g u l a r i t y o f t h e p r o d u c e d c o n t o u r w h i l e i t c l o s e l y a p p r o a c h e s t h e b o u n d a r y o f t h e o b j e c t i n t h e i m a g e . u n f o r t u n a t e l y , n o n e o f t h e e x is t i n g a c t i v e c o n t o u r t e c h n i q u e s c a n f u l l y m e e t t h e s e r e q u i r e m e n t s . w i t h t h e h e lp o f t h e m i n i m u m d e s c r i p t i o n l e n g t h ( md l ) p r i n c i p l e , w e r e g a r d t h e s e r e q u i r e m e n t s a s t h e c o r r e s p o n d i n g d e s c r i p t i o n l e n g t h s . o n t h i s b a s i s , w e d e d u c e t h e e n e r g y f u n c t io n a l f o r i m a g e s e g m e n t a t i o n . t h u s , w e h a v e a n e w k i n d o f a c t i v e c o n t o u r t e c h n i q u e -md l a c t i v e c o n t o u r t e c h n iq u e . t h e b a s i c i d e a o f md l i s t o s e t u p a m a t h m o d e l t h a t c a n a c c u r a t e ly d e s c r i b e t h e o b j e c t w h i l e m a k e d e s c r i p t i o n l e n g t h s h o r te s t . a s a r e s u l t , t h e md l p r i n c i p le c a n a t t a in h i g h e r . m o d e l a c c u r a c y w h i l e t h e m o d e l c o m p l e x it y i s l o w e s t . e x p e r i m e n t s s h o w s t h a t t h e p r o p o s e d md l a c t i v e c o n t o u r t e c h n i q u e c a n w i p e o u t t h e m e n t i o n e d d e f e c t s o f t h e e x i s t in g a c t i v e c o n t o u r t e c h n i q u e s . t h e i n n o v a t i o n o f t h e w o r k o f t h i s p a p e r c a n b e l i s t e d a s f o l l o w s : 1 . b a s e d o n t h e md l p r i n c i p l e , a n e w f u n c t i o n a l i s p r o p o s e d . t h i s f u n c t i o n a l c a n d e s c r i b e p r o p e r t i e s o f t h ei ma g ea s a r a n d o m f i e l d , t h e r e g i o n 一i i i - h o m o g e n e i t y p r o p e rt i e s a n d t h e r e g u l a r it y p r o p e rt i e s o f a c t i v e c o n t o u r . f o r t h e i m a g e w it h r a n d o m f i e l d f e a t u r e , t h e d e s c r i p t i o n la n g u a g e i s p r o b a b i l i t y d i s t r i b u t i o n m o d e l , a n d t h e d e s c r i p t i o n l e n g t h e q u a l s t h e n e g a t iv e b a s e - t w o l o g a r i t h m o f t h e p r o b a b i l i t y o f t h e i m a g e d a t a ; f o r t h e r e g i o n h o m o g e n e i t y p r o p e rt i e s o f a c t iv e c o n t o u r , t h e d e s c r i p t i o n l a n g u a g e i s c h o s e n a s a s i g n g r a d i e n t m a p , a n d t h e d e s c r ip t i o n l e n g t h i s t h e s u m m a t i o n o f s i g n g r a d i e n t i n s i d e t h e a c t i v e c o n t o u r ; f o r t h e a c t i v e c o n t o u r r e g u l a r i t y , t h e d e s c r i p t i o n l a n g u a g e i s s m o o t h n e s s , a n d t h e c o r r e s p o n d i n g d e s c r i p t i o n l e n g t h i s t h e l e n g t h o f a c t iv e c o n t o u r c u rv e . t h e p r o p o s e d e n e r g y f u n c t i o n a l c a n m a k e u s e o f a d v a n t a g e s o f t h e r e g i o n i n f o r m a t i o n a n d t h e e d g e i n f o r m a t i o n . t h e r e g i o n n u m b e r , r e g i o n f e a t u r e p a r a m e t e r s a n d e d g e p o s i t i o n c a n b e e s t i m a t e d s i m u l t a n e o u s ly wh e n t h i s f u n c t i o n a l i s mi n i mi z e d . 2 . b a s e d o n t h e p r o p o s e d e n e r g y f u n c t i o n a l , w e p r o p o s e d a n e w p a r a m e t r ic a c t iv e c o n t o u r t e c h n i q u e -t h e p a r a m e t r i c b - s p l i n e md l a c t i v e c o n t o u r . t h i s t e c h n i q u e i s c o m p o s e d o f t w o s t e p s . f ir s t l y , g i v e n t h e s e e d p o i n t o f t h e i n t e r e s t i n g r e g i o n , it d e t e c t s t h e e d g e p o i n t s t h a t h a s t h e s h o rt e s t d i s t a n c e t o s e e d p o i n t i n s o m e d i r e c t i o n s , t a k e s t h e s e p o i n t s a s t h e c o n t r o l p o i n t s t o f o r m t h e i n i t i a l b - s p l i n e a c t i v e c o n t o u r . s e c o n d l y , i t m i n i m iz e s t h e a b o v e e n e r g y f u n c t i o n a l b y l a g r a n g i a n a l g o r i t h m t o o b t a i n t h e a c c u r a t e e d g e . i n o r d e r t o m a k e t h i s t e c h n i q u e b e w i t h t h e t o p o l o g i c a l a d a p t a b i l i t y , w e p r o p o s e a n e f f i c i e n t t o p o l o g i c a l t e c h n i q u e , w h i c h i s b a s e d o n t h e c h a n g e o f r e g i o n e u l e r n u m b e r . e x p e r i m e n t s s h o w t h e e f f i c ie n c y o f o u r p a r a m e t r i c b - s p l i n e md l ac ti v e c o n t o u r . 3 . b a s e d o n t h e p r o p o s e d e n e r g y f u n c t i o n a l , w e p r o p o s e d a n e w g e o m e t r i c a c t iv e c o n t o u r t e c h n i q u e -t h e g e o m e t r i c md l a c t i v e c o n t o u r . f i r s t l y , t h i s t e c h n i q u e s m o o t h e s t h e i m a g e b y a n i s o t r o p ic d i ff u s io n m e t h o d . t h e n , b a s e d o n t h e c u rv e e v o lu t i o n t h e o r y a n d l e v e l s e t m e t h o d , i t m i n i m i z e s t h e e n e r g y f u n c t i o n a l o f t h e s m o o t h e d i m a g e . f i n a l l y , b a s e d o n t h e o r i g i n a l i m a g e a n d r e s u l t o f s e c o n d s t e p , i t f u rt h e r o b t a i n s t h e h i g h e r a c c u r a c y r e s u l t . e x p e r i m e n t s f o r a l o t o f t h e s y n t h e t i c a l i m a g e s a n d r e a l i m a g e s , s h o w s t h e g r e a t p r a c t i c a b i l i t y a n d e f f i c i e n c y o f o u r g e o me t r i c mdl ac t i v e c o n t o u r . 4 . b as e d o n t h e p r o p o s e d g e o m e t r i c md l a c t i v e c o n t o u r , w e p r o p o s e d a n e w u n s u p e rv i s e d t e x t u r e i m a g e s e g m e n t a t i o n t e c h n i q u e . t h i s t e c h n i q u e c a n a c h i e v e t h e b e tt e r r e s u l t f o r s o m e k i n d s o f t e x t u r e i m a g e , i n w h i c h t h e t e x t u r e s h a s t h e s a l i e n t c r u d e n e s s d i ff e r e n c e o r d i r e c t i o n d i ff e r e n c e . t h i s t e c h n i q u e a d o p t s t h e g a b o r f i lt e r b a n k t o e x t r a c t t e x t u r e f e a t u r e m a p , a n d e x t e n d s t h e a b o v e e n e r g y f u n c t i o n a l i n t o t h e c a s e o f v e c t o r f e a t u r e . i n o r d e r t o in c r e as e t h e s p e e d f o r g a b o r f i lt e r s e x t r a c t in g t h e - 1 v . t e x t u r e f e a t u r e , w e a l s o p r o p o s e d a f a s t r e c u r s i v e a l g o r i t h m f o r t h e 2 d s l id i n g r e c t a n g u la r w i n d o w f f t . 5 . w e a l s o p r o p o s e d a n e w t e c h n i q u e f o r t h e i n i t i a l i z a t i o n a n d r e i n i t i a l i z a t i o n o f t h e l e v e l s e t f u n c t i o n . t h e m a i n i d e a i s s m o o t h i n g t h e d i s t a n c e f u n c t io n b y mu m f o r d - s h a h fu n c t i o n a l , s o t h a t s m o o t h i n g t h e c o m e r o r s h a r p p a rt o f d i s t a n c e f u n c t i o n a n d m a i n t a i n i n g i t s s m o o t h p a rt . t h i s t e c h n i q u e c a n e q u i p t h e l e v e l s e t f u n c t i o n wi t h t h e f e a t u r e s o f b o t h d i s t a n c e f u n c t i o n a n d f u l l s mo o t h n e s s . c o n s e q u e n t l y , i t c a n e f f i c i e n t l y d e c r e a s e t h e r e i n i t i a l i z a t i o n n u m b e r a n d t h e t i m e o f r e a c h i n g t h e s t a b l e s t a t e . k e y w o r d s : i m a g e s e g m e n t a t i o n , a c t i v e c o n t o u r , i m a g e m o d e l , u n c e rt a i n t y , md l e n e r g y f u n c t i o n a l , l e v e l s e t . v 第一章 导言 第一章导言 图像分割是图像处理重要的研究内容， 分割结果的好坏直接影响到后续图像 处理的方法和质量。 本章中将对现有的分割方法做简单概述， 并给出本论文的研 究内容以及内容安排。 1 . 1图 像分割问题 广义上讲，图像分割的目的是把图像分成互不重叠而又各具特性的子区域， 这里的 特性可以 是像素的灰度、 颜色、纹理等( 1 , z 。 设集合1 代表了 整个图 像 区 域，图 像分割问 题就是决定子集凡c i ， 所有的子集并集为整个图像。 组成一 个图 像分割的子集凡需满足以 下条件: = 昌 r k r k ( 1 r j = 。 ，f o r k * j 每一个r k 是连通的。 、.了、.j、，. 11八乙内 狭义上讲，图像分割的目的是得到感兴趣区域及其边界，而非图像中所有组 成区域。 这种理解符合人类的视觉特性， 人类在观察一幅图像时， 并不是先找出 整个图像中所有区域， 然后再找出感兴趣区域; 相反， 人类总是先大概定位自己 感兴趣的区域，然后找出该区域的边界。 一个好的图像分割算法应该尽可能具有以下特点: ( 1 ) 有效性， 对各种分割问 题有有效的准则， 能 将感兴趣的区域或目 标分割 出来。 ( z ) 整体性，即能得到感兴趣区域的封闭 边界， 该边界无断点和离散点。 ( 3 ) 精确性， 得到的 边界与实际期望的区域边界很贴近。 ( 4 ) 稳定性， 分割结果受噪声影响 很小. 1 . 2图像分割方法和分类 图像分割的研究多年来一直受到人们的高度重视， 至今己提出上千种各种类 型的分割算法，对这些算法的分类方法也提出了 不少。 例如，文献 3 将分割算 法分成三类: ( 1 ) 阐 值分割; ( 2 ) 边缘检测: ( 3 ) 区域提取。 事实上， 闭值分割方 法 在本质 上也是一 种区 域提取方 法， 所以 ( 3 ) 包含了 ( 1 ) . 文献 2 将图 像分割算法 分 成六部分讨论: ( 1 ) 阂值分割; ( 2 ) 像素分类; ( 3 ) 深度图 像分割; ( 4 ) 彩色图 像分割; ( 5 ) 边缘检测;( 6 ) 基于模糊集的方法。从算法的角度来看，各部分的 基于m d l的活动围 道方法及其若干相关技术 内容是有重叠的， 事实上对深度图像和彩色图 像的分割仍需用或可用( 1 ) , ( 2 ) 或 ( 5 ) 这 几部分的 方 法进 行， 而( 6 ) 所讨论的 只 是把 模糊 集合理论 用于 ( 1 ) , ( 2 ) 和( 5 ) 的方法。另外( 1 ) 和( 2 ) 中的方法有许多相似之处， 而常见的区域生长算法并没有 包含在这些分类之中。 我们认为，科学的分类方法需要把底层原理上具有共性的方法分类在一起， 才 有利于帮助人们从总体上把握这些方法并进一步思考如何创新。 在考察大量文 献的 基础上， 我们认为现有的图像分割方法主要地可分为两类: 一类是基于图像 特征一致性的分割方法:另一类是基于图像棱边提取和目标抽取的分割方法 3 1 e 第一类方法的分割机理包括利用图像中局部区域灰度、 纹理或各种统计特征 的一 致性以 及速度一致性( 对视频分割) 等等。 简单地说， 这类技术的目 标是把具 有某种指定特征的图像区域从图像中区分出来。 这包括许多技术， 例如im 1 值化方 法; 区域增长方法: 基于随机场模型和统计模式识别的分割方法; 模式类聚方法; 以 及活动围道方法等等。 第二类方法的分割机理比 较直观。 各种棱边检测和提取技术都用来对图像进 行初始分割， 并在人工干预下或结合人工智能技术对各个分割区域按语义进行综 合， 得出指定的目 标。 利用边界追踪和闭合方法可以 检测和提取指定目 标的棱边， 然后需要结合一定的智能判据确定所追踪的是指定目 标的边界。 在序列图 像或视 频处理中， 利用图像运动参数可以 简化目 标提取过程。 以上两类分割技术还能结 合起来，以达到更好的效果。 以下简要介绍几种主要的灰度图像分割方法。 ( 1 ) 基于图 像特征一致性的分割方法 这类方法是通过寻找满足特征一致性的区域，来获取区域边界。 a . ia 值化方法( t h r e s h o l d i n g ) 闭值化方法的基本依据是同一区域内，各像素的灰度特性具有一致性。该方 法的 基本思 想是 利用图 像的 特性 ( 常 用的 是 灰度直方图 ) ， 得到一 个灰度闽 值， 然 后将图 像中所有像素的灰度与这个阐值相比， 像素灰度大于这个闽值的所有像素 组合成一类， 像素灰度小于这个闽 值的所有像素组合成另外一类。图 1 . 1 a是一 个有两个阐值的直方图，计算多个阐值的方法称为多闽值法. 当图 像不同区域的灰度或者其它量化特征的 对比 度很明显时， 闭 值化方法是 一种简单有效的方法， 可以得到很好的分割效果。 闽值化方法通常用在图像处理 的初始阶段。 第一章 导台 引公u习抽口心口0 i n t e n s i t y ( a ) 图1 . 1 1 特征空间 和区域生长法: ( a ) 有三 个明 显 分类的 直方图 ( b ) 区 域生长法 ( c ) 2 d特征空间 阐值化方法的缺点是没有考虑图像空间特征， 对噪声和区域灰度的不一致性 很敏感， 因此像素组合难以得到有意义的分割。 各种各样改进的闽值方法建议基 于 象素的 局部灰度 4 和连通性f 5 来决定闭值。 b 区 域生长 法( r e g i o n g r o w i n g ) ， 分 裂合并 法 ( s p l i t a n d m e r g e ) 区 域生长的基本思想是将具有相同 性质的象素集合起来构成目 标区域。 算法 首先在每个需要分割的区域中找一个种子象素， 作为生长的起点; 然后将种子象 素邻域中与种子象素性质相似的象素( 根据某种生长或相似准则来判定) ， 合并到 种子象素所在的区域中.将这些新象素当作新的种子象素继续进行上述生长过 程， 直到再没有满足条件的象素可以包括进来。 这样一个区域就生长成了。 区域 生长的一个示例如图l l b 所示。 区 域生长法的缺点是对噪声很敏感， 易造成所分割的区 域有洞， 或者使连通 的区域变得非连通， 而非连通的区域变得连通， 也就是破坏了区域的拓扑性。 区 域生长法的另外一个主要缺陷是每一个待分割的区域均需人工指定一个种子点。 分 裂合并法的 基本原理与区 域生长 法类似， 但不 需要种子点 6 ) 。 该 方法先 按 一定准则将图像分割为小块区域， 然后再按一定的准则合并这些小块区域。 该方 法的主要缺点是容易形成大量的过度分割区域。 很多文献建议了多种方法以 提高区域生长法的 性能。 例如文献 7 建议了同 伦 ( h o m o t o p i c ) 区域生长方法用以 保持初始区域和所抽取区 域之间的拓扑关系， 文献 8 将 模 糊 类比 用 于区 域生 长， 以 提高 该 方 法的 抗噪 能 力。 c 分 类法 ( c l a s s i f i e r s ) , 聚 类法 ( c l u s t e r i n g ) 分类法是识别中的一种技术， 用来分割图 像数据的 特征空间。 特征空间是图 像数据某个函数的值域。图 1 . 1 a 的直方图是一种 1 d特征空间，图l . l c 给出了 2 d特征空间的一个示例，所有像素特征值在分类线左边的认为属于同一区域的 像素，在分类线右边属于另一区域像素。 分类法是一种有监督非迭代的 技术， 该方法首先要对人工分割好的图像进行 训练，获得类似上述分类线的参数，然后以这些分类参数为依据，分割新图像。 篆于m d l 的活动围道方 法及其若千相关技术 在分 类法中 有多 种训练数据的方法， 主要的方法有 k阶最近邻分类器( k n n ) , p a r z e n 窗分 类器， 最大 似然( m l ) 或贝 叶 斯 ( b a y e s ) 分 类器。 分类法要求不同区域有明显的量化特征。 分类法的优点是当待分割的图像有 明显的量化特征， 而且这些特征接近训练数据的特征时， 此时可以得到较好的分 割结果。 而且分类法是非迭法的， 计算量少。 分类法第一个缺点是没有考虑图像 的空间结构特征， 对噪声敏感。 文献 9 1 0 致力于解决这一点， 文献 4 提出了 扩 展型的分类法，以 分割同一区域内 灰度存在不一致的图像， 文献 1 0 1 建议在分类 法中利用有关邻域和几何的信息。 分类法第二个缺点是需要人工交互以获得所期 望的训练数据， 训练集里每幅图像均需人工分割， 这是十分耗时繁琐的工作。 而 且实际情况， 并不是总可以得到训练图像。 分类法的第三个缺点是由于训练图像 和待分割图 像有时会存在较大的差异， 使得训练得到的参数并不能够正确区分实 际图像的特征空间，出现无法分类或者错分的情况。 聚类法是一种非监督迭代的分割方法， 其思想和分类法的思想一样，都需决 定分类的参数。不同的是聚类法不需训练数据， 是非监督的。实际上， 聚类法把 待分割图像自 身看作是训练图像， 然后通过迭代来求得分类参数。 聚类法中经常 使用的 聚类算法有k均值或i s o d a t a算 法t 1 1 ， 模糊c 均值算法【 1 2 和期 望 最 大 化( e m ) 算法 1 3 , 1 4 e 虽然聚类法不要求训练数据， 但是要求给定初始分割( 等价于初始参数) ，聚 类法的性能受给定初始分割影响很大。 聚类法缺点仍是对噪声和区域灰度的不一 致敏感。文献 1 5 , 1 6 建议了方法提高聚类法的鲁棒性。 d活动围道法( a c t i v e c o n t o u r ) 活动围道法是基于人类视觉特性提出的一种方法。 它的 基本思想可以 描述如 下。 人为地在图 像感兴趣的区域上给出初始围道( 为一条或多条封闭曲 线) ， 再设 计一个算法使围道在图像中演化( 即 运动) ， 最终逼近该区 域的边界。 驱使围 道运 动的机理在于最小化一个能量泛函， 该泛函由两部分构成: 一部分控制围道的光 滑性， 这起着对解的规整化作用; 另一部分驱使围道向区域边界运动， 使得满足 特性一致性的区域扩张到最大( 或收缩到最大的 特性一致区域边界) 。 后续章节将 详细讨论该方法。 活动围道法由于考虑了几何约束条件和与图像数据、 围道形状等有关的约束 条件， 与前述方法相比，可以 得到更好的更自 然的分割效果。 e前述方法与其它技术的结合 各种其它理论的技术与上述各种分割方法相结合， 以充分利用图像的各种信 息， 例如灰度， 纹理以及空间结构信息， 来提高上述各分割方法的抗噪性能和准 第一章 导言 确性。 这些方法包括利用神经网络进行自 动聚类分割 i l l ， 基于信息论的阂值化 方 法 1 s , 1 9 ， 借助模糊集合和逻辑的闲 值化方 法 2 0 , 2 1 ， 基于小 波分 析多 分 辨率 的闽值化方法 2 2 等等。 ( 2 ) 基于图 像棱边提取和目 标抽取的分割方法 这类方法直接寻找区域的边界点， 并通过某种技术将这些点形成有意义的区 域边界。 a微分算子边缘检测和形态学边缘检测 微分算 子边缘 检测直接检 测目 标的 边缘点。 灰 度边 缘是灰度值不连续 ( 或突 变) 的结果， 这种不连续常可以 利用求导数方便地检侧到， 一般常用一阶和二阶导数 来检测边缘， 导数可用微分算子来计算。 常用的空域微分算子有梯度算子， r o b e r t 算子， 拉普拉斯算子， 马尔 算子， p r e w i t t 算子， 综 合正交算子， c a n n y算 子等 2 3 - 2 5 0 各种微分算子优点是可以正确检测到目 标区域的边界点， 缺点是各算子同时 检测到其它区域的边界点， 无法区分各边界点的归属性， 以及形成封闭的区域边 界。 另外一个缺点， 各微分算子抗噪能 力差， 噪声的 存在会使微分算子检测出 冗 余的边界点，即伪边界点。 上述的各种微分算子对噪声都比较敏感， 并且常常会在检测边缘的同时加强 噪声。 形态学边缘检测器 2 6 1 利用形态梯度的 概念， 来检测边界点。 该方法虽然 也对噪声较敏感但不会加强或者放大噪声。 b ， 区域按语义综合的方法 该方法首先利用上述微分算子检测到图像的边界点， 然后人工干预或结合人 工智能技术对所得到的边界点按语义进行综合。 在计算机视觉中， 得到边界点后， 经常人工将这些边界点组成所对应形状的 边界曲 线，该方法的优点是可靠性高，缺点是需要人工千预。 哈 夫 变换 2 7 1 是 利 用图 像 全 局 特 性 直 接 检测目 标边界， 可 将 边缘像 素 连 接 起 来组成区域封闭边界。 在预先知道区域形状的条件下， 该方法可以方便地得到边 界曲 线。 该方法的优点是受噪声和曲 线间断影响较小， 缺点是分割区域的形状必 须是己知的。 c边界跟踪和边界闭合 边界跟踪和边界闭合也称边界点连接，是由图像梯度图中的一个边界点出 发，按照一定准则搜索和连接相邻边界点， 从而逐步检测出边界的方法汇 2 8 1 0 基于md l 的活动围 道方法及其若干相关技术 该方法的优点是得到边界曲线为单像素宽， 而且连续无间断。缺点是受初始 边界点的影响较大， 而且更为严重的是抗噪能力差， 造成在跟踪边界时连接了不 正确的边界点，出现偏离正确边界或失踪或跑出图像范围的情况。 d . 状态空间搜索法 状态空间搜索法也称为图搜索法或启发式搜索法，是一种全局的方法 2 9 ,3 0 。 该方法的思想是定义一个合适的 代价函 数， 在图 像中搜索对应最小代价 的不同通道以找到所有可能的闭合边界。 该方法的优点是得到边界曲线为单像素宽， 而且连续无间断。缺点是抗噪能 力差， 噪声会造成最小通道连接了不正确的边界点， 而且该方法比较复杂， 计算 量很大。 1 . 3本文研究内 容 本文的研究致力于提出一种性能更加完善且实用化的活动围道分割方法， 并 解决相关技术问题。 本文分析了现有各种活动围道方法的性能， 指出现有的