基于Ｃｈａｎ Ｖｅｓｅ水平集的梯度加速分割模型

摘要:為了提高圖像分割的速度和精度，提出了一種新的基于ChanVese水平集模型(CV模型)的梯度加速分割模型#65377;首先，在CV模型的能量函數中加入一個內部能量項，抵消演化過程中水平集函數和符號距離函數的偏差，從而消除分割中周期性重新初始化的過程;其次，提出了梯度加速項，通過感興趣區域的圖像特征，快速得到該區域的邊界，且能夠提高弱邊界的分割精度#65377;實驗證明，提出的方法不僅能夠加速特定區域的分割#65380;提高分割精度，還能保持分割過程的穩定性#65377;

關鍵詞:圖像分割; 水平集; CV模型; 符號距離函數; 重新初始化; 梯度加速

中圖分類號:TP391.4文獻標志碼:A

文章編號:1001-3695(2007)10-0166-03

Osher 和Sethian[1]在1988年提出level set方法，將當前演化曲線作為零水平集嵌入一個高一維的水平集函數中#65377;在演化過程中，零水平集始終代表當前演化曲線#65377;而后，Chan 和 Vese[2]結合level set思想和MumfordShah模型[3] 提出CV水平集模型#65377;與傳統的基于參數形變模型[4]和幾何活動輪廓模型[5]不同，CV水平集模型提取物體邊界時不依賴圖像的梯度，因此適用于梯度無意義或是邊緣模糊的圖像#65377;

水平集方法以及CV模型雖能穩定地處理拓撲形變，但仍然存在一些問題#65377;首先，隨著演化過程的進行，水平集函數與符號距離函數的偏差累積也會逐漸增大，導致無法得到正確的分割結果#65377;此外，水平集方法以及CV模型獲取物體邊界的速度完全由符號距離函數和初始化曲線決定，與像素特征無關，不能根據每個物體本身的特點來設定，因此在處理多目標物體圖像時無法控制每個物體的分割速度，缺乏靈活度#65377;比如一幅MRI圖像，既有正常組織又有病變的部位，而醫生僅僅關心病變部分的數據#65377;傳統的解決方法是將演化曲線的初始位置設置在病變部位的附近#65377;但這僅能解決單個物體的快速分割#65377;如果病變部分的邊界屬于弱邊界區域，即使增加迭代次數也無法得到更精確的結果#65377;針對這些問題，本文在CV模型基礎上增加了偏差糾正項和梯度加速項，提出基于CV水平集的梯度加速分割模型，既保證了演化過程的穩定進行，又能夠有選擇地加速感興趣區域的邊界分割，得到感興趣區域的分割結果#65377;對于弱邊界物體，基于CV水平集的梯度加速分割模型還能有效地提高分割的精度#65377;

4結束語

本文提出了一種新的基于CV水平集的梯度加速分割模型#65377;該模型是在CV水平集模型的基礎上，加入了消除重新初始化的內部能量項和梯度加速項，從而消除了周期性重新初始化的過程，并且加速提取感興趣區域的邊界#65377;同時，該模型還能推動弱邊界附近演化曲線的運動，提高弱邊界區域的分割精度#65377;大量的實驗已經證實了，基于CV水平集的梯度加速分割模型是一種合理的#65380;有效的#65380;健壯的圖像分割方法#65377;

參考文獻:

[1]OSHER S， SETHIAN J A.Fronts propagating with curvature dependent speed:algorithms based on HamiltonJacobi formulation[J].Journal of Computational Physics，1988，79(1):12-49.

[2]CHAN T F，VESE L.Active contour without edges [J]. IEEE Trans on Image Processing， 2001， 10 (2):266-277.

[3]MUMFORD D，SHAH J.Optimal approximations by piecewise smooth functions and associated variational problems[J].Communication of Pure Applied Mathematics，1989，42(5):577-685.

[4]KASS M， WITKIN A，TERZOPOULOS D.Snake:active contour models [J].International Journal of Computer Vision，1987，1(4): 321-331.

[5]MALLADI R， SETHIAN J A，VEMURI B C.Shape modeling with front propagating:a level set approach[J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 1995， 17 (2): 158175.

[6]羅紅根，朱立民，丁漢. 基于主動輪廓模型和水平集方法的圖像分割技術[J]. 中國圖象圖形學報，2006，11(3):301-309.

[7]GOMES J，FANGERAS O.Reconciling distance functions and level sets[J].Journal of Visual Communication and Image Representation，2000，11(2):209-223.

[8]LI Chunming，XU Chenyang，GUI Changfeng，et al. Level set evolution without reinitialization: a new variational formulation[C]//Proc of IEEE Conference on Computer Vision and Pattern Recognition.San Diego，CA:IEEE，2005:430-436.

[9]EVANS L.Partial differential equations[M].Providence: American Mathematical Society，1998.

[10]CASELLES V，CATTE F，COLL T，et al.A geometric model for active contours in image processing [J].Numerische， Mathematik， 1993， 66(1):1-31.

[11]CASELLES V，KIMMEL R，SAPIRO G.Geodesic active contours [J]. International Journal of Computer Vision， 1997， 22(1): 6179.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”