基于融合局部信息的全局划分活动轮廓模型在图像分割中的研究

熊点华，唐利明

(湖北民族大学 数学与统计学院，湖北 恩施 445000)

图像分割是人们根据需求，将图像分成一个或多个轮廓的过程，其中每个轮廓互不相交，且所有轮廓的并集就是图像本身.每个轮廓性质不同，可据此提取出有价值和意义的特征(或区域)[1-2].

关于图像分割的方法有很多，其中基于水平集的活动轮廓[3-4]图像分割方法计算稳定、分割精度高和评价体系完整，因而受到广大研究者的关注.现有的活动轮廓模型可分为基于边缘[5-6]和基于区域[7-8]的两类，相比于基于边缘的活动轮廓模型，基于区域的活动轮廓有较好的实验效果，且对噪声具有一定的鲁棒性，因此成为研究的主流方向.经典的活动轮廓模型是Chan和Vese[9]提出的CV模型，该模型对初始轮廓鲁棒，且对噪声的鲁棒性较好，但CV模型将目标和背景的灰度近似为常值，使得CV模型不能分割灰度不均图像.Li等[10]提出的局部二值拟合能量(Local Binary Fitting，LBF)模型能分割灰度不均图像，但以高斯核函数选取局部窗口，使得LBF模型对噪声的鲁棒性较差，且对初始轮廓敏感.为了使融合局部信息的活动轮廓模型对初始轮廓鲁棒，Wang等[11]结合了CV和LBF模型的优点，提出了局部和全局灰度拟合(Local and global intensity fitting，LGIF)模型，LGIF模型能分割灰度不均图像，且对初始轮廓的敏感性降低，但权重系数受初始轮廓位置的影响，限制了该模型的应用.Han等[12]用Jeffreys散度构造新的局部和全局能量项，并基于迭代次数构造了一个自适应函数，实现了全局与局部能量的权重系……