数据采集与处理
數據採集與處理
수거채집여처리
JOURNAL OF DATA ACQUISITION & PROCESSING
2014年
5期
704-712
,共9页
变分水平集%符号距离函数%图像分割%边缘停止函数%重新初始化
變分水平集%符號距離函數%圖像分割%邊緣停止函數%重新初始化
변분수평집%부호거리함수%도상분할%변연정지함수%중신초시화
variational level set%signed distance function%image segmentation%edge stopping function%re-initialization
基于传统的变分水平集方法的图像分割,水平集函数必须周期性地重新初始化使之保持为符号距离函数,这存在如何选择重新初始化的时间和方式的难题.Li模型通过在能量泛函中引入一个内部约束能量,去除了水平集函数在演化过程中需重新初始化的难题.通过对Li模型的分析,提出了一个新的变分水平集的分割模型.该模型通过在能量泛函中加入一个较简单的内部约束能量,同样可以实现水平集演化过程中的无需重新初始化.并且通过对边缘停止函数的重新定义,引入了新的外部能量,使得本文模型对噪声图像的分割更具鲁棒性.实验表明无论是在收敛速度上,还是在对噪声图像的分割质量上,本文模型和Li模型相比都具有一定的优势.
基于傳統的變分水平集方法的圖像分割,水平集函數必鬚週期性地重新初始化使之保持為符號距離函數,這存在如何選擇重新初始化的時間和方式的難題.Li模型通過在能量汎函中引入一箇內部約束能量,去除瞭水平集函數在縯化過程中需重新初始化的難題.通過對Li模型的分析,提齣瞭一箇新的變分水平集的分割模型.該模型通過在能量汎函中加入一箇較簡單的內部約束能量,同樣可以實現水平集縯化過程中的無需重新初始化.併且通過對邊緣停止函數的重新定義,引入瞭新的外部能量,使得本文模型對譟聲圖像的分割更具魯棒性.實驗錶明無論是在收斂速度上,還是在對譟聲圖像的分割質量上,本文模型和Li模型相比都具有一定的優勢.
기우전통적변분수평집방법적도상분할,수평집함수필수주기성지중신초시화사지보지위부호거리함수,저존재여하선택중신초시화적시간화방식적난제.Li모형통과재능량범함중인입일개내부약속능량,거제료수평집함수재연화과정중수중신초시화적난제.통과대Li모형적분석,제출료일개신적변분수평집적분할모형.해모형통과재능량범함중가입일개교간단적내부약속능량,동양가이실현수평집연화과정중적무수중신초시화.병차통과대변연정지함수적중신정의,인입료신적외부능량,사득본문모형대조성도상적분할경구로봉성.실험표명무론시재수렴속도상,환시재대조성도상적분할질량상,본문모형화Li모형상비도구유일정적우세.
