[2]。圖像分割是指將數(shù)字圖像細(xì)分為多個(gè)圖像子區(qū)域的過程。在圖像分割應(yīng)用中，人們開發(fā)了很多優(yōu)秀的的圖像處理和計(jì)算機(jī)視覺算法庫，取得了令人矚目的成果，比如OpenCV致力于開發(fā)API形成標(biāo)準(zhǔn)，良好的兼容性為圖像分析研究提供便利。但由于OpenCV的分割算法被寫入庫函數(shù)，且收納的算法并不完整，且算法沒有針對(duì)性。研究圖像分割技術(shù)，該技術(shù)是計(jì)算機(jī)視覺和圖像處理中至關(guān)重要的一部分。將對(duì)于復(fù)雜背景下的圖像，由于光照不均、背景與目標(biāo)灰度差別小和存在噪聲等因素的影響，圖像分割變得非常困難。分水嶺算法作為一種以拓?fù)淅碚摓榛A(chǔ)的圖像分割算法，能夠分割出待處理圖像中灰度值相似、一致的區(qū)域，并且得到單像素、定位準(zhǔn)確的邊緣信息。圖像分割技術(shù)一直是計(jì)算機(jī)視覺領(lǐng)域中的一個(gè)研究熱點(diǎn)。傳統(tǒng)的圖像分割技術(shù)，如Chen等提出的基于顏色的聚類方法和Fowlkes等提出的基于梯度的圖像分割方法，容易造成多分、重分等問題，針對(duì)復(fù)雜背景下的圖像分割,提出了一種結(jié)合分水嶺算法和Snake模型的新的組合算法框架，該算法組合針對(duì)GVF-Snake模型對(duì)初始輪廓的依賴性，使用標(biāo)識(shí)分水嶺算法提供GVF-Snake模型提供逼近真實(shí)輪廓的初始輪廓，并通過仿真進(jìn)行驗(yàn)證，降低了算法運(yùn)算復(fù)雜度，并取得更好的分割效果。1.3國內(nèi)外研究現(xiàn)狀在傳統(tǒng)的圖像處理算法中，基于閾值分割的裂縫檢測(cè)算法是研究最早、最易于使用的算法。李媛媛和她的團(tuán)隊(duì)提出了一種基于霍夫變換的OSTU優(yōu)化算法REF_Ref28341\r\h[15]。李丹等人提出了一種基于自適應(yīng)閾值的檢測(cè)算法Canny,該方法無需再手動(dòng)設(shè)定閾值REF_Ref29451\r\h[18]但是，當(dāng)圖像中的光照不均勻或者背景中存在大量的噪聲時(shí)不能得到穩(wěn)定的效果。許鵬飛等人提出采用Otsu方法和多重濾波相結(jié)合的方法來進(jìn)行裂縫提取，這種算法減少了光照不均勻給檢測(cè)帶來的影響REF_Ref28341\r\h[15]。但是這一算法不能適用于所有的圖。王萌針對(duì)超聲圖像分割技術(shù)提出了改進(jìn)的SVM算法，通過仿真實(shí)驗(yàn)分析得到有效性結(jié)論REF_Ref160911318\r\h[1]。張日升等以CNN和分水嶺算法相結(jié)合的圖像區(qū)域分割方法極大地降低了該模型運(yùn)算復(fù)雜度，同時(shí)旋轉(zhuǎn)不變性和縮放不變性使得該算法具有較好的魯棒性REF_Ref27132\r\h[3]。王鑫主要研究了多源圖像區(qū)域分割的方法并且重點(diǎn)研究了區(qū)域分割算法中的一種典型的算法—分水嶺算法，并采用分水嶺算法對(duì)多源圖像（主要集中在可見光圖像和紅外圖像上）進(jìn)行分割REF_Ref28840\r\h[4]。測(cè)地線模型是由CasellesV等于1993年提出來的。這個(gè)模型主要用于信息的抽取。之前主要依賴圖像的局部邊緣信息，導(dǎo)致其魯棒性不佳。但在Mumoford和Shah的研究基礎(chǔ)上，他們提出了使用Mumuford-Shah模型來改進(jìn)輪廓提取的方法。模型從圖像整體性上進(jìn)行宏觀考慮，采用全局信息，取得了較好的改進(jìn)結(jié)果。但是這種模型算法由于隨機(jī)而導(dǎo)致巨大時(shí)間復(fù)雜度與空間復(fù)雜度，使之無法有效應(yīng)用于實(shí)際工程中。在考慮到模型存在的限制條件下,Chan-Vese在簡化Mumford-Shah模型基礎(chǔ)上提出一種圖像分割方法:C-V。C-V模型減低了算法運(yùn)算復(fù)雜度，同時(shí)保證了分割質(zhì)量。更適用于圖像工程的實(shí)踐。與M-S模型相比較,C-V模型對(duì)M-S模型本身的局限性進(jìn)行了改進(jìn)，并對(duì)基于活動(dòng)輪廓的模型分割提出了一種全新的技術(shù)思路。第2章圖像分割的預(yù)處理和方法2.1圖像去噪無人機(jī)攝影時(shí)，受外界環(huán)境，傳感器，周邊氣候影響較大，特別是復(fù)雜場(chǎng)景，圖像信噪比較小，有一定干擾。這樣就為后續(xù)圖像分割，檢測(cè)和追蹤帶來困難。圖像降噪技術(shù)就是采用多種過濾技術(shù)來消除噪聲并減少其特性。常用的濾波方法有：中值濾波、平均濾波、高斯濾波、雙向?yàn)V波等。2.1.1中值濾波算法Turky是第一個(gè)提出中值濾波技術(shù)的人，該技術(shù)主要用于時(shí)間序列的分析和處理。本文主要討論了基于統(tǒng)計(jì)方法的圖像分割算法，其中包括對(duì)噪聲進(jìn)行濾除、提取邊緣以及去除模糊等內(nèi)容。隨著我們對(duì)知識(shí)的持續(xù)擴(kuò)充，中值濾波技術(shù)在圖像處理領(lǐng)域獲得了廣大的使用，并在此之上也被廣大領(lǐng)域所采納。該文對(duì)傳統(tǒng)的小波去噪方法進(jìn)行改進(jìn)，提出一種新的小波包變換閾值算法，該方法能夠更好地保持信號(hào)特征。中值濾波技術(shù)通過在KxK鄰域內(nèi)使用光柵覆蓋圖象，把每個(gè)象素點(diǎn)上的數(shù)值代入鄰域內(nèi)的中值來消除象素噪聲中的急劇變化。中值濾波因其非線性，對(duì)斑點(diǎn)噪聲和椒鹽噪聲有很大優(yōu)勢(shì)。因其不會(huì)依賴鄰近區(qū)域內(nèi)一個(gè)和典型值相差較大的值而不需要任何加權(quán)操作。相比于后文介紹的均值濾波方法，中值濾波在一定條件下可以有效解決線性均值濾波帶來的圖像細(xì)節(jié)不清晰問題。但中值濾波比均值濾波花費(fèi)更長。中值濾波器的計(jì)算公式是：g(x,y)=Median其中，Median為中值函數(shù)。2.1.2均值濾波算法均值濾波技術(shù)作為經(jīng)典線性濾波方法之一，不同于中值濾波，而是在KxK鄰域內(nèi)使用掩模來局部平均圖像每個(gè)象素點(diǎn)，再將所得平均值代替原始象素點(diǎn)進(jìn)行濾波。平均濾波公式為:g(在此，M為掩膜尺寸，S為KxK掩膜，一般使用3×3或5×5型模板。平均濾波算法具有簡單、高效等特點(diǎn)，但是它存在著降低噪聲同時(shí)導(dǎo)致圖像邊緣及細(xì)節(jié)部分模糊等不足。2.1.3高斯濾波算法高斯濾波技術(shù)主要是利用一個(gè)掩模對(duì)被處理的圖像進(jìn)行掃描，然后利用掩模設(shè)置的加權(quán)平均值來代替目前經(jīng)過的掩模。具體的計(jì)算公式見式2-3，其整個(gè)過程是對(duì)象素進(jìn)行加權(quán)平均，是一種線性光滑濾波。g(x,y)=12.1.4雙邊濾波算法最早把雙向?yàn)V波技術(shù)應(yīng)用到圖像降噪中的是Tomasi和其他人。該方法利用圖像空間接近度結(jié)合象素值相似度去噪，并利用象素內(nèi)灰度相似度及空域信息來提取去噪信息，達(dá)到簡單，部分，非迭代去噪。采用比維納濾波與高斯濾波相結(jié)合的方法去噪，圖像的邊緣能夠得到一定程度的模糊。利用雙邊濾波技術(shù)對(duì)高頻信號(hào)進(jìn)行處理而無需保護(hù)，從而解決上述問題并達(dá)到邊緣保留和獲得良好降噪效果的目的。其基本思路是將空間分布信息加入其中，同時(shí)保留高斯濾波特性，從而保證圖像邊緣不變。雙向?yàn)V波器在保留更高頻率信息的前提下對(duì)圖像低頻信號(hào)進(jìn)行非線性濾波。該雙向?yàn)V波器的計(jì)算公式如下：g(其中，x,y為像素坐標(biāo)，k,l為鄰域坐標(biāo)，ω(x,y,k,l)為加權(quán)系數(shù)，由式2-5給出。ω(其中，定義域核為：d(值域核為：r(其中，σd是高斯函數(shù)距離標(biāo)準(zhǔn)差，σ2.2圖像增強(qiáng)復(fù)雜背景中圖像獲取往往由于復(fù)雜場(chǎng)景，光線以及物體表面反射造成圖像清晰度不高，難以辨認(rèn)，進(jìn)而極大影響后續(xù)圖像分割質(zhì)量。因此在分割圖像前一定要適當(dāng)?shù)卦鰪?qiáng)圖像。前文介紹的圖像降噪就是在非ROI區(qū)域內(nèi)衰減圖像特性，圖像增強(qiáng)就是在ROI區(qū)域內(nèi)增強(qiáng)圖像特性來改善ROI區(qū)域圖像質(zhì)量。在這篇文章中，我們將探討復(fù)雜背景中常用圖像增強(qiáng)技術(shù)。2.2.1直方圖均衡化直方圖均衡算法是一種標(biāo)準(zhǔn)的直方圖修正方法，它采用概率理論對(duì)圖像進(jìn)行灰度變換，進(jìn)而優(yōu)化圖像的對(duì)比度。直方圖均衡原則就是將數(shù)字圖像表示成離散函數(shù)h（r）=ng,r是K級(jí)灰階,n是圖像中灰階r公象素個(gè)數(shù)。直方圖均衡化作為一種經(jīng)典的空間域圖像增強(qiáng)技術(shù)，其核心思想是將灰度分布不均的直方圖轉(zhuǎn)化為均勻的灰度分布，進(jìn)而擴(kuò)大圖像像素的灰度值動(dòng)態(tài)變化范圍，由此提高圖像整體反差，并為之后分割做好充分準(zhǔn)備。我們用r表示要加強(qiáng)的圖像的灰階。R被標(biāo)準(zhǔn)化為一個(gè)區(qū)間，1=0代表黑色，1=1代表白色。轉(zhuǎn)換函數(shù)T（r）滿足條件r，滿足2-8式。S=將圖像的灰度級(jí)視為區(qū)間[0,1]的隨機(jī)變量。令pr(r)和ps(s)分別代表隨機(jī)變量r和s的概率密度函數(shù)。變換變量sps在圖像處理中，常用的變換函數(shù)如下所示：s=其中ω是積分變量。公式右邊為隨機(jī)變量r的累計(jì)分布函數(shù)。公式變換函數(shù)的經(jīng)過離散化后為：sk輸出圖像經(jīng)過公式2-11后，把灰度級(jí)是的函數(shù)在輸入圖像上的曲線叫做直方圖，所給的轉(zhuǎn)換叫做直方圖均衡化，圖2.1給出直方圖均衡化結(jié)果，其中圖2.1（b）結(jié)果與圖2.1（a）相比對(duì)比度有顯著提高，且邊緣細(xì)節(jié)較原圖更清晰，便于圖像后續(xù)分割。圖2.2展示了直方圖上灰度的變化情況，而圖2.1（b）中的灰度分布明顯比圖2.1（a）中的更為平滑。圖2.1直方圖均衡化效果(a)原圖;(b)均衡化圖像圖2.2直方圖灰度分布(a)原圖直方圖;(b)均衡化后直方圖2.2.2算數(shù)操作增強(qiáng)圖象運(yùn)算操作的增強(qiáng)就是要處理兩幅或兩幅以上圖象之間的操作。運(yùn)行機(jī)理在象素級(jí)別上。它以計(jì)算簡便，計(jì)算量少而得到廣泛應(yīng)用。他們的基礎(chǔ)是象素。如邏輯運(yùn)算和或運(yùn)算，非邏輯運(yùn)算等等。對(duì)數(shù)學(xué)及邏輯圖象進(jìn)行增強(qiáng)時(shí)，加,減,像平均,應(yīng)用最為廣泛。圖像減法可用于增強(qiáng)圖像之間的差異，對(duì)兩幅圖像進(jìn)行加減法處理，如下：g(2.2.3銳化空間濾波圖像函數(shù)的拉普拉斯變換定義為：?2將該方程離散化，分別在x,y方向上對(duì)二階偏微分，分別有式2-14和式2-15給出：?2?2通過將公式2-14與2-15相加，我們可以得到一個(gè)二維拉普拉斯算子。這種方法的核心是利用這個(gè)微分算子來計(jì)算一張與暗背景重疊的圖像，并進(jìn)一步與原始圖像疊加，從而實(shí)現(xiàn)圖像的增強(qiáng)。2.3圖像分割算法2.3.1基于閾值的分割本方法時(shí)間序列長，應(yīng)用背景強(qiáng)，應(yīng)用前景好。對(duì)不同種類的圖像要根據(jù)其所擁有的特征選擇合適的門限劃分算法。在綜合處理各類門限方法之前，需要深入研究各類門限的原理和特性。本論文在影像分割算法庫上整合了普通基礎(chǔ)門限算法。提出一種基于最大熵劃分門限的方法。常見的門限分割方法中，門限的選取均以灰度直方圖為基礎(chǔ)進(jìn)行劃分，有整體門限與局部門限兩種。但整體閾值方法是用處理后圖像內(nèi)全部象素灰度構(gòu)造一個(gè)方圖，故也稱基本整體閾值方法。這種算法思路較簡單、運(yùn)算量較小。當(dāng)考慮到一張圖像時(shí)ROI區(qū)域與非ROI區(qū)域灰度相差較大時(shí)，可采用基本全局閾值分割進(jìn)行保。證分割效果與分割效率之間，采用迭代的方法確定了基本全局門限分割中的門限，具體的操作步驟是：Step1：為全局閾值選一個(gè)初步估計(jì)閾值T;Step2：計(jì)算初步分割結(jié)果：分割后圖像g(x，y)由下式給出：g(在圖像g(x,y)中，灰度大于T的所有像素歸為M1，小于T的歸為MStep3：分別計(jì)算M1和M2的平均灰度值m1Step4：根據(jù)步驟3得到的結(jié)果計(jì)算新閾值TnStep5：重復(fù)步驟1和步驟4進(jìn)行迭代，當(dāng)Tn和Tn+1之間的差小于一個(gè)預(yù)先設(shè)定好的數(shù)字，2.3.2基于區(qū)域的分割區(qū)域增長法基于像素級(jí)的區(qū)域分割概念，通過評(píng)估某一特定區(qū)域內(nèi)像素的相似度，從而逐步擴(kuò)大ROI區(qū)域。這種算法的核心就是如何把給定區(qū)域內(nèi)所有像素點(diǎn)的信息都考慮進(jìn)去，從而實(shí)現(xiàn)對(duì)該區(qū)域范圍的有效擴(kuò)展。該方法的核心思想是：在ROI區(qū)域內(nèi)，首先手動(dòng)確定一個(gè)像素點(diǎn)，然后選擇一個(gè)或多個(gè)相似的特征（通常，會(huì)選擇灰度值、顏色）來決定是否對(duì)其進(jìn)行聚合。最終得到的結(jié)果就是這個(gè)像素點(diǎn)的生長位置和方向。一旦你滿足了所設(shè)定的條件，你將有資格獲得更多的生命值。本文利用這個(gè)特性，提出了一個(gè)簡單而有效的算法——生長算法?；诖?，我們采用了新生長點(diǎn)的迭代方法來進(jìn)行判斷，并最終成功地完成了圖像的分割工作。實(shí)驗(yàn)證明，該方法不僅能夠有效地減少計(jì)算量，而且具有良好的魯棒性和較高的準(zhǔn)確率。圖2-2展示了使用圖2.3（a）中的1號(hào)點(diǎn)作為初始像素的簡單增長判定圖。如圖2.3（b）展示的那樣，對(duì)1周圍的連通像素點(diǎn)進(jìn)行了全面遍歷。結(jié)果顯示，編號(hào)5的像素點(diǎn)的象素值與1號(hào)是一致的，但2、3和4號(hào)點(diǎn)的灰度值并不滿足特定條件，因此在第一次循環(huán)中，這些像素點(diǎn)會(huì)增長到5號(hào)點(diǎn)。第兩次循環(huán)后，再依次將其擴(kuò)大直至生成新的像元，并重復(fù)上述過程。在第二輪循環(huán)中，從5號(hào)點(diǎn)開始，可以觀察到最近的7號(hào)點(diǎn)，整個(gè)圖片中的7號(hào)點(diǎn)，其面積的增長趨勢(shì)可以參考圖2.3（c）。圖2.3區(qū)域生長方向示意圖。(a)像素點(diǎn)標(biāo)號(hào)：(b)像素點(diǎn)灰度：(C)區(qū)域生長方向Step1：通過交互確定一個(gè)初始生長點(diǎn)，設(shè)置為x0,y0Step2：按照設(shè)定到的相似性的閾值，以x0,y0為中心，對(duì)上下左右4個(gè)方向的臨近像素點(diǎn)(x,y)進(jìn)行相似性判斷，如果滿足判斷條件，則將(x,y)與x0,yStep3：當(dāng)前生長點(diǎn)x0,y0鄰域判定完成，xStep4：堆棧中第一個(gè)點(diǎn)設(shè)置為新的x0,Step5：當(dāng)堆棧中不再有元素時(shí)，區(qū)域生長結(jié)束。區(qū)域增長分割技術(shù)是基于像素級(jí)別的迭代串行操作，與傳統(tǒng)的閾值分割方法相比，其在時(shí)間和空間上的執(zhí)行成本都相對(duì)較高。因此，如何快速有效地將具有不同特點(diǎn)的象素集劃分到合適的位置，一直以來是該領(lǐng)域中一個(gè)非常重要且富有挑戰(zhàn)性的課題。對(duì)于那些在感興趣和無興趣區(qū)域之間存在明確邊界的圖像，本研究提出了一種創(chuàng)新的圖像分割技術(shù)。在決定相似度的時(shí)候，我們需要基于具體的應(yīng)用場(chǎng)景來確定合適的評(píng)判標(biāo)準(zhǔn)。根據(jù)不同類型對(duì)象間所具有的相似性，采用合適的判別標(biāo)準(zhǔn)可以對(duì)它們作出較準(zhǔn)確的判定。當(dāng)相似性評(píng)估的閾值設(shè)置得過高時(shí)，可能會(huì)導(dǎo)致過度的增長，這可能會(huì)導(dǎo)致對(duì)非ROI區(qū)域的錯(cuò)誤分類，并且這種分類的誤差率相當(dāng)高。因此，對(duì)圖像進(jìn)行預(yù)處理是非常重要的，特別是平滑濾波和去噪處理等。如果讀數(shù)太低，可能會(huì)導(dǎo)致發(fā)育不完全，這可能會(huì)導(dǎo)致ROI區(qū)域沒有被完全分割，從而降低分割的精度。所以對(duì)于一個(gè)實(shí)際問題來說，我們應(yīng)該根據(jù)具體情況對(duì)相似度進(jìn)行合理地設(shè)置，這樣才能達(dá)到較好的效果。第3章基于C-V模型的圖像分割C-V代表了一種以幾何參數(shù)為基礎(chǔ)的運(yùn)動(dòng)輪廓模型的標(biāo)準(zhǔn)分割技術(shù)。由于該算法對(duì)噪聲具有較好的魯棒性，因此被廣泛地應(yīng)用于圖像分割領(lǐng)域中。C-V模型最初的發(fā)展受到其固有的幾何特性的影響，例如曲線的法向量和曲率等因素；當(dāng)曲線趨近于目標(biāo)的真實(shí)形狀時(shí)，它的拓?fù)浣Y(jié)構(gòu)可能會(huì)發(fā)生改變。本文基于水平集與曲線演化的理論，對(duì)其進(jìn)行了深入的探討和分析。3.1水平集和曲線演化理論基礎(chǔ)橫向集法能夠有效地解決過去存在的問題，特別是在處理被分割對(duì)象在邊界變化方面表現(xiàn)出色。本文給出了一個(gè)用橫向集方法求解非線性規(guī)劃問題的新算法，并將該算法應(yīng)用于電力系統(tǒng)潮流計(jì)算中。橫向集法基于水平集合的數(shù)學(xué)理論，旨在最小化適當(dāng)構(gòu)建的能量泛函，并通過數(shù)值迭代方法來逼近目標(biāo)的邊界。這種方法不需要復(fù)雜的計(jì)算機(jī)語言和龐大的計(jì)算量，因而特別適合于大規(guī)模問題的求解。Osher和Sethian提出了一種適用于火焰形狀高動(dòng)態(tài)、拓?fù)浣Y(jié)構(gòu)復(fù)雜和不穩(wěn)定的橫向集法，該算法經(jīng)過驗(yàn)證后被證明是一種穩(wěn)健的方法，并在后續(xù)的應(yīng)用中得到了廣泛的使用。本文介紹了這兩種算法的基本思想和實(shí)現(xiàn)步驟，對(duì)其優(yōu)缺點(diǎn)做了比較分析，指出它們各自存在的問題，最后總結(jié)了今后可能的發(fā)展方向。水平集理論的主要觀點(diǎn)是把低維函數(shù)映射到更高維度的空間進(jìn)行深入探討。本文對(duì)這種新的投影方式做了一定改進(jìn)，通過引入一個(gè)合適的參數(shù)使它能更好地處理復(fù)雜的幾何形態(tài)以及包含多個(gè)特征點(diǎn)的情況。具體而言，我們可以使用N+1維的標(biāo)量函數(shù)來表示N維曲線或曲面，即將曲線或曲面與平面Φ(x,y)=0的交集相對(duì)應(yīng)，如圖3.1所示。在該研究中，我們將N設(shè)置為2，因此閉合曲線x2+y2=1可以被表示為曲面f(x,y)=x2+y2?1和平面Φ(x,y)=0的交集，其中f(x,y)=x2+y2?1對(duì)應(yīng)的函數(shù)值為常數(shù)0。因此，在基于水平集的圖像分割算法中，通常使用零水平集。利用水平集技術(shù)，我們能夠?qū)D像處理過程中的二維曲線轉(zhuǎn)化為三維曲線，進(jìn)而達(dá)到更為復(fù)雜的圖像分割效果。本文主要介紹了如何利用水平集來解決圖像分割問題。水平集方法的核心概念是用N+1維的標(biāo)量函數(shù)來表示一個(gè)N維曲線或曲面，這樣就可以將二維曲線轉(zhuǎn)化為一個(gè)在連續(xù)函數(shù)曲面上具有相同函數(shù)值的曲線。本文給出了一種新的連續(xù)梯度下降法用于處理圖像分割問題。這類連續(xù)函數(shù)能夠被描述為函數(shù)的曲面，并通過在該函數(shù)曲面上進(jìn)行曲線的演變來達(dá)到圖像分割的目的。本文利用一種新的基于梯度下降法的演化過程算法來完成對(duì)一維圖像和二維圖像的處理。圖3.1清楚地呈現(xiàn)了這一流程。如果把一張圖中有一條直線和兩條平行邊組成的區(qū)域看作是平面的話，這條直線就叫做演化曲線。我們把演化曲線C看著是曲面z=φ(x,y)的零水平集。有公式：C={(我們引入時(shí)間變量，在曲面的演化上面加入一個(gè)t的標(biāo)量，將曲線的演化隱含的表達(dá)為曲面z=φ(x,y)的演化，有：C={(這樣以來，改變，可視為函數(shù)方面的對(duì)應(yīng)改變所造成，從而把目標(biāo)曲線用零水平集函數(shù)來表達(dá)，如圖3.2。則解曲線演化方程轉(zhuǎn)化為解曲面演化方程零水平集。圖3.2水平集變化示意圖在進(jìn)行水平集上的進(jìn)化曲線計(jì)算之前，曲線演變理論被引入，該理論通過研究曲線的幾何參數(shù)（例如曲率，單位法向量以及曲線的長度等）來描述曲線的演變過程。圖3.3顯示箭頭方向是進(jìn)化曲線法線方向，即曲線運(yùn)動(dòng)方向與其切向垂直。曲線演變理論以C-V模式為基礎(chǔ)，指出曲線的演變方向主要由法線組成，而不會(huì)改變其形狀及幾何特征，可參照?qǐng)D3.3所示。另外，對(duì)任意速度函數(shù)均可找出使其切向分量等于0的等價(jià)速度函數(shù)。圖3.3曲線演化理論示意圖自橫向集合方法提出后，圖像分割領(lǐng)域在應(yīng)用上又有新進(jìn)展。近年來圖像處理技術(shù)已在分割效率，魯棒性和適用范圍上取得卓越成就。當(dāng)前的研究焦點(diǎn)集中在橫向集偏微分方程的解析與解決上，同時(shí)也探討了其他特定方法的高效結(jié)合，并持續(xù)優(yōu)化模型的實(shí)際應(yīng)用。3.2模型理論C-V模型最早被提出的目的是為了簡化當(dāng)初由Mumford和Shah提出的M-S模型，M-S模型的公式如下：FMS方程中含有2個(gè)權(quán)重系數(shù)μ與v,通常都是常量值。其中,l表示原始圖像,I1表示其近似值。方程右邊的第一段用來度量原始圖像與其近似值的近似程度來確保圖像保真性。這種方法最大的貢獻(xiàn)是對(duì)有邊緣缺陷圖像分割效果較好。第一段式3-12主要用于調(diào)整分割后圖像的相似度標(biāo)準(zhǔn)，第二步使用正則項(xiàng)來保證圖像的平滑性，而第三步則采用長度項(xiàng)來保證圖像邊緣的平滑性。但最小方程式的解法有一定的局限性。此方程式之泛函有多種解法，且因曲面與圖像之性質(zhì)不同而雜糅在一起，給計(jì)算帶來極大困難。針對(duì)上述問題，利用C-V模型對(duì)該方法進(jìn)行簡化處理，提出一種新的基于活動(dòng)輪廓圖像分割方法。C-V模型的能量擬合函數(shù)的前段部分將M-S模型簡化如下：F(其中，Ω為圖像中演化曲線的背部區(qū)域，co代表演化曲線內(nèi)部區(qū)域的平均灰度，c根據(jù)式3-4的描述，當(dāng)曲線C位于同質(zhì)區(qū)域之外時(shí),F_o（C）的數(shù)值會(huì)超過零；當(dāng)曲線C處于同質(zhì)區(qū)域內(nèi)時(shí),F_b（C）的數(shù)值會(huì)超過零。如果曲線C在同質(zhì)區(qū)域的內(nèi)部和外部同時(shí)存在，那么F_o（C）和F_b（C）的值都會(huì)超過零。只有在演化曲線C抵達(dá)同質(zhì)區(qū)域的邊界時(shí),F_o（C）與F_b（C）幾乎同時(shí)為零，這時(shí)的能量擬合函數(shù)才會(huì)達(dá)到其最低點(diǎn)。在C-V模型的輪廓曲線的擬合函數(shù)中，引入了長度項(xiàng)和面積項(xiàng)的能量項(xiàng)來針對(duì)曲線的光滑性和剛性進(jìn)行約束。C-V圖像分割模型的能量擬合函數(shù)最終表示如下：FC,C-V模型下的權(quán)重系數(shù)μ,v,λ_1,λ_2都是常量，都大于等于0。其中,μL（C）+vS_o（C）統(tǒng)稱為內(nèi)部能量項(xiàng)，用于約束曲線的平滑性和剛性，其中L（C）為曲線C的周長,S_o（C）為曲線內(nèi)部區(qū)域的面積。式3-5的后半段又合稱外部能量項(xiàng)。C-V模型的目的是得到分割輪廓線的最終位置。通過對(duì)該能量擬合函數(shù)進(jìn)行最小化處理，我們能夠計(jì)算出:Co3.3模型算法實(shí)現(xiàn)在模型求解過程中，引入Heaviside函數(shù)，為式3-7所示，Dirac函數(shù)，式3-8所示。H(δ(V模型采用Heaviside函數(shù),Dirac函數(shù)對(duì)零水平集函數(shù)取值范圍進(jìn)行控制并對(duì)演化區(qū)域進(jìn)行分割。Dirac函數(shù)是一個(gè)特殊的函數(shù)，是H（φ）的導(dǎo)數(shù)，其在非零區(qū)域恒為零，而在整個(gè)定義域上的積分為常數(shù)1。通過在C-V模型中用水平集公式來描述能量擬合函數(shù)，我們能夠利用Dirac函數(shù)和Heaviside函數(shù)來精確控制零水平集函數(shù)的取值范圍，并進(jìn)一步劃分其演化區(qū)域。我們把C-V模型能量擬合函數(shù)表示成一個(gè)水平集公式:F+λ這里考慮了相應(yīng)權(quán)重系數(shù)為重要參數(shù)的水平集函數(shù)。我們對(duì)零水平集內(nèi)圖像平均灰度值與外圖像平均灰度值之間的表達(dá)形式進(jìn)行了研究?？杀硎鋈缦?cocb對(duì)式4.4采用變分法求得了相應(yīng)能量模型歐拉-拉格朗日方程。由歐拉拉格朗日方程極小化可得水平集函數(shù)所滿足:?EC-V模型的分割算法流程圖如圖3.4所示。圖3.4C-V模型的分割算法流程圖下面對(duì)C-V模式進(jìn)行模擬實(shí)驗(yàn)，參數(shù)設(shè)置sigma=2,ε=1.5,μ=0.2,反復(fù)進(jìn)行200次測(cè)試。由結(jié)果圖可見C-V模式可隨拓?fù)浣Y(jié)構(gòu)改變而自動(dòng)融合與分離。由圖3.5實(shí)驗(yàn)資料可看出C-V模式實(shí)質(zhì)上是獲得原始圖之輪廓，有效地分割出內(nèi)部非連續(xù)孔隙區(qū)域而分成橫向集合。圖3.5C-V模型分割效果圖。(a)原始圖;(b)分割后結(jié)果

第4章經(jīng)典Snake模型的圖像分割Snake模型，也被稱為“參數(shù)的運(yùn)動(dòng)輪廓”,是一種在1987年由卡斯等學(xué)者在《計(jì)算機(jī)視覺》雜志上發(fā)表的模型，并已成功應(yīng)用于圖像處理領(lǐng)域。鑒于此，文中提出一種利用層次關(guān)系對(duì)圖像進(jìn)行邊緣，紋理，灰度和色彩信息分割。Snake模型基于二維曲線動(dòng)態(tài)演化實(shí)現(xiàn)邊緣探測(cè)，體現(xiàn)計(jì)算機(jī)視覺理論的進(jìn)一步發(fā)展。其能夠?qū)⑷峙c局部信息進(jìn)行有效融合，在運(yùn)動(dòng)物體跟蹤，醫(yī)學(xué)影像分割以及航空影像提取等領(lǐng)域得到廣泛應(yīng)用。4.1模型理論傳統(tǒng)的參數(shù)主動(dòng)輪廓模型是在幾何二維空間上定義的一個(gè)閉合、參數(shù)化的變形輪廓曲線，即：c(在Snake模型里，我們采用曲線參數(shù)s∈[01]來描述曲線上的每一個(gè)點(diǎn)，并把這條曲線命名為活動(dòng)輪廓。為了得到一個(gè)完整而連續(xù)的圖像輪廓，需要對(duì)這些曲線進(jìn)行局部細(xì)化。該輪廓變形是通過最小化能量來實(shí)現(xiàn)的，同時(shí)受到Snake模型的外部和內(nèi)部影響。本文提出了一種新的方法用于解決這個(gè)問題。為了最小化能量，我們需要將輪廓從其起始位置移至與待分割目標(biāo)的邊緣最為接近的地方。為了進(jìn)一步優(yōu)化運(yùn)動(dòng)軌跡，本文提出一種改進(jìn)方法——基于最小二乘擬合的動(dòng)態(tài)規(guī)劃算法。我們構(gòu)建了Snake模型的能量函數(shù)，它由內(nèi)部和外部的能量部分組成，具體的表示方式如下所示:Essakle

其中，Eint為內(nèi)部能量項(xiàng)，包含兩項(xiàng)內(nèi)容，曲線的連續(xù)性和光滑性。將其表示如下Eint

數(shù)無論在學(xué)習(xí)上，還是在實(shí)際運(yùn)用上，都不會(huì)改變。外部能量項(xiàng)E_"image"包含了圖像的高級(jí)信息，例如灰度、梯度、紋理等特性，并在其演變過程中產(chǎn)生外部力或圖像力，在吸引曲線上，每一個(gè)點(diǎn)都會(huì)朝著預(yù)期的待分割圖像的邊緣方向移動(dòng)。從而使曲線上每一個(gè)離散點(diǎn)都受內(nèi)部力與外部力的綜合影響，使曲線在演化過程中能更精確地與待分割圖像的邊緣相匹配。圖4.1展示了內(nèi)部力和外部力在離散點(diǎn)上的作用示意圖，進(jìn)一步說明了Snake模型的演化過程。圖4.1內(nèi)外部力作用示意圖Vi連續(xù)作用力和曲線上離散兩點(diǎn)間距離成線性關(guān)系且隨距離增大而增大。光滑性與曲率有關(guān)，受此作用力時(shí)曲率不高。外力使該點(diǎn)靠近邊緣，與影像的外力相關(guān)。4.2模型算法實(shí)現(xiàn)Snake模型的算法實(shí)現(xiàn)流程圖4.2所示。圖4.2Snake模型的算法實(shí)現(xiàn)流程圖本實(shí)驗(yàn)中，本文使用傳統(tǒng)Snake模型算法分割圖像，并且在MATLAB2010上實(shí)現(xiàn)算法。更具體地說，我們?cè)O(shè)定了以下參數(shù):α=0.2、β=0.2以及步長γ=0.1。實(shí)驗(yàn)結(jié)果如圖4.3所示，其中(a)為原圖像，(b)為初始輪廓線，(c)為最終迭代結(jié)果。然而，我們指出了傳統(tǒng)Snake模型所存在的局限：易受初始曲線位置影響而使分割結(jié)果對(duì)初始曲線位置產(chǎn)生依賴；另外曲線在迭代演化過程中易收斂到局部極值而造成錯(cuò)誤分割；同時(shí)收斂速度慢、步長選擇決定無法保證收斂速度、有時(shí)無法達(dá)到實(shí)時(shí)性要求；最后對(duì)深度凹陷區(qū)域曲線通常無法收斂至正確邊界。盡管可以看出輪廓曲線大致將目標(biāo)分割出來，在圖片目標(biāo)的下方和右下方曲線緊貼邊緣，但對(duì)于凹陷區(qū)域，這種方法的缺陷顯而易見。圖4.3Snake模型算法的分割效果(a)原始圖像;(b)初始輪廓曲線;(c)最終結(jié)果在為探索傳統(tǒng)Snake模型存在的局限，本文通過實(shí)驗(yàn)驗(yàn)證該模型初始輪廓設(shè)定不一、參數(shù)與迭代次數(shù)一致。實(shí)驗(yàn)結(jié)果如圖4.4所示，其中圖4.4（a）和4.4（c）為不同的初始輪廓位置，圖4.4（b）和4.4（d）為對(duì)應(yīng)初始輪廓的最終分割結(jié)果。試驗(yàn)結(jié)果表明：傳統(tǒng)Snake模型對(duì)于初始輪廓十分敏感，且最終分割效果受到初始輪廓選取的顯著影響。如圖4.4（a）中初始輪廓在靶材內(nèi)，不能外擴(kuò)；且圖4.4（c）中初始輪廓遠(yuǎn)離實(shí)際輪廓，很難在有限迭代步數(shù)下收斂到實(shí)際輪廓中。所以傳統(tǒng)Snake模型無論從模型改進(jìn)，運(yùn)用還是求解都有很多需要完善的地方。圖4.4傳統(tǒng)Snake模型分割失敗實(shí)驗(yàn)圖(a)第一類初始輪廓;(b)第一類分割結(jié)果;(c)第二類初始輪廓;(d)第二類分割結(jié)果4.3基于貪婪算法的求解貪婪算法的核心理念是，在每一階段的時(shí)間里，逐步篩選出最合適的解決方案。為了使其搜索效率提高，我們提出一種基于能量優(yōu)化的貪婪算法。在離散化的Snake模型中，針對(duì)每一個(gè)控制點(diǎn)（在能量計(jì)算過程中，這些點(diǎn)與其他點(diǎn)沒有關(guān)聯(lián)），我們?cè)谔囟ǖ膮^(qū)域內(nèi)尋找能量最低的點(diǎn)，并選擇這個(gè)能量最低的點(diǎn)作為新的控制點(diǎn)位置。圖4.5貪婪算法示意圖在Snake模型中，我們使用了8個(gè)相鄰區(qū)域的模板來計(jì)算點(diǎn)，并從中選擇了數(shù)量最少的一個(gè)點(diǎn)作為新的定位點(diǎn)，進(jìn)而進(jìn)行了相關(guān)的數(shù)值求解。通過對(duì)斯內(nèi)克模型和改進(jìn)的斯內(nèi)克模型進(jìn)行對(duì)比分析可知，改進(jìn)的斯內(nèi)克法比傳統(tǒng)的方法更具有優(yōu)勢(shì)。從圖4.5中我們可以觀察到，B點(diǎn)的能量與前一A和后一C的能量并無直接關(guān)聯(lián)。在8個(gè)特定區(qū)域中，所選擇的能量是最小的。例如，在B'位置，我們對(duì)這一點(diǎn)進(jìn)行了多次迭代。當(dāng)每一次迭代都完成時(shí)，它就代表了一個(gè)完整的迭代過程。當(dāng)?shù)_(dá)到特定次數(shù)或到達(dá)目標(biāo)時(shí)，該算法便會(huì)終止。斯內(nèi)克模型的總能量公式如下所示：Essake

其中，α,β為權(quán)重系數(shù)。對(duì)內(nèi)部能量項(xiàng)中的連續(xù)性能量做出修改，修改之前為：Econtimaty

修改成如下式所示：Ecaninuaily

其中，d為輪廓點(diǎn)的平均距離：d=d每次都需要重新做一次計(jì)算。經(jīng)過對(duì)此方法的優(yōu)化，我們能夠在平均距離的等高線上實(shí)現(xiàn)能量的最小化，同時(shí)確保輪廓點(diǎn)分布更為均衡，且避免了輪廓點(diǎn)的堆積。圖4.6給出了Snake模型中貪婪算法的求解過程。圖4.6算法求解流程圖為了解決匯水盆地的問題，我們選擇了最低點(diǎn)作為最小值，并在其位置挖了一個(gè)小洞，以均勻的速度向洞內(nèi)注入水。同時(shí)，在不同的匯水盆地交界位置建設(shè)了大壩，以防止水從一個(gè)匯水盆地流向另一個(gè)。這樣就可把整個(gè)區(qū)域劃分成多個(gè)區(qū)塊進(jìn)行處理，從而達(dá)到對(duì)所有區(qū)塊都能有效地利用地下水資源的目的。大壩所處的界線被稱為分水線。本文采用改進(jìn)后的閾值法進(jìn)行目標(biāo)提取，通過對(duì)實(shí)驗(yàn)數(shù)據(jù)的處理分析，證明了方法的有效性和可行性。在進(jìn)行圖像分割的過程中，確定極小值是至關(guān)重要的，但暗紋理和噪聲的存在可能會(huì)引發(fā)過度分割的問題。為了克服這些缺點(diǎn)，本文提出了基于改進(jìn)分水嶺變換的閾值分割方法。為了有效地解決這一問題，我們可以采用形態(tài)學(xué)重建中的標(biāo)記分水嶺算法來保護(hù)圖像的邊緣信息，同時(shí)消除圖像中的噪聲，從而獲得更為準(zhǔn)確的圖像分割結(jié)果。本文提出一種基于改進(jìn)標(biāo)記分水嶺算法的圖像分割方法。此算法在處理圖像時(shí)，需要采用四個(gè)核心算子，并涉及到多個(gè)結(jié)構(gòu)元素的選擇，而這些結(jié)構(gòu)元素的尺寸直接關(guān)系到圖像分割的效果。針對(duì)此情況，提出一種基于多尺度分析與梯度計(jì)算相結(jié)合的方法來優(yōu)化結(jié)構(gòu)元素的選取。為了增強(qiáng)算法的實(shí)用性，我們可以采用一組適當(dāng)?shù)慕Y(jié)構(gòu)元素作為參考參數(shù)，并根據(jù)比例調(diào)整圖像的大小，這有助于簡化參數(shù)的調(diào)整過程。在處理植物葉片的圖像時(shí)，我們可以采用單一閾值的分割技術(shù)和形態(tài)學(xué)方法來增強(qiáng)分割的準(zhǔn)確性。針對(duì)傳統(tǒng)基于像素的圖像處理技術(shù)存在計(jì)算量大、耗時(shí)長等缺點(diǎn)，提出了一種改進(jìn)的多尺度邊緣提取與輪廓跟蹤相結(jié)合的圖像分割算法。Snake模型是另一種經(jīng)典的圖像分割技術(shù)，它利用變形的曲線來對(duì)物體進(jìn)行分割，同時(shí)確保這些曲線保持平滑和連續(xù)的特性。Snake模型的基本步驟如下：在圖像初始化過程中：首先需要從圖像里挑選一條曲線，一般會(huì)選用圓形或者自由形狀的曲線作為初始設(shè)定的曲線；計(jì)算能量函數(shù)：Snake模型的能量函數(shù)是由內(nèi)部能量和外部能量兩個(gè)部分構(gòu)成的。內(nèi)能主要描述的是曲線的彎曲和長度特性，而外能則主要關(guān)注曲線與物體邊緣之間的匹配度。為了最小化能量函數(shù)：我們通過迭代的方式優(yōu)化能量函數(shù)，確保曲線與物體的邊緣逐步對(duì)齊，進(jìn)而實(shí)現(xiàn)圖像的有效分割。在經(jīng)典的Snake模型中，最普遍采用的優(yōu)化方法是梯度下降法，這是通過沿著能量函數(shù)梯度的相反方向移動(dòng)曲線來逐漸減少能量函數(shù)值的。本文在此基礎(chǔ)上提出一種新的搜索策略--動(dòng)態(tài)規(guī)劃方法，該方法能夠根據(jù)圖像中像素間灰度差異自動(dòng)調(diào)整最優(yōu)解空間大小和位置。除此之外，Snake模型還能夠通過優(yōu)化能量函數(shù)和采用更為復(fù)雜的優(yōu)化方法來增強(qiáng)其分割性能，如基于全局信息的Snake模型和基于多分辨率的Snake模型等。Snake模型被認(rèn)為是一種經(jīng)典的圖像分割技術(shù)，它不僅適用于分割平滑的物體，還能確保圖像曲線的連續(xù)性和平滑性。它可以用于檢測(cè)出運(yùn)動(dòng)目標(biāo)，也可應(yīng)用于提取紋理信息，還可用來實(shí)現(xiàn)多分辨率分析。但是，Snake模型對(duì)計(jì)算資源的需求很大，并且對(duì)初始的曲線非常敏感，所以在處理復(fù)雜的圖像時(shí)可能會(huì)遇到一些挑戰(zhàn)。4.4基于Snake模型的汽車圖像分割選擇目標(biāo)汽車圖像并進(jìn)行預(yù)處理，例如調(diào)整圖像大小和灰度化處理等。初始化Snake模型，即確定一組初始控制點(diǎn)，通?？梢赃x擇輪廓上均勻分布的一些點(diǎn)作為初始控制點(diǎn)。定義能量函數(shù)，常用的能量函數(shù)包括輪廓與圖像邊緣的接近程度和輪廓的平滑程度，可以根據(jù)實(shí)際需求進(jìn)行選擇和調(diào)整。通過梯度下降等優(yōu)化方法，最小化能量函數(shù)，調(diào)整控制點(diǎn)的位置，直到達(dá)到最優(yōu)的分割效果?？梢愿鶕?jù)需要對(duì)分割結(jié)果進(jìn)行后處理，例如去除噪聲、填充空洞等。現(xiàn)以圖4.7位于復(fù)雜背景中的汽車模型圖像作為物體經(jīng)過去噪和高斯濾波預(yù)處理，獲得了圖4.8圖4.8進(jìn)行預(yù)處理后的汽車圖像在汽車的圖片進(jìn)行預(yù)處理后我們初始化汽車圖像的活動(dòng)輪廓：首先，在汽車圖像中選擇一個(gè)區(qū)域，初始化一個(gè)圓形或圓形的活動(dòng)輪廓，然后我們可以得到圖4.9圖4.9汽車圖像初始化輪廓圖像獲得汽車圖像初始化輪廓之后我們采用迭代方法最小化能量函數(shù)并對(duì)活動(dòng)輪廓形狀及位置進(jìn)行調(diào)節(jié)，直至能量函數(shù)達(dá)到最小值。每次迭代都會(huì)對(duì)活動(dòng)輪廓進(jìn)行拉伸，壓縮和旋轉(zhuǎn)，使其與汽車圖像各部位相適應(yīng)。便可獲得最后分割結(jié)果，如圖4.10所示圖4.10最終分割結(jié)果圖在這次圖片分割過程中可以了解到，傳統(tǒng)Snake模型對(duì)于汽車圖片切割來說，能夠獲得一定的分割結(jié)果，但是有一定的局限與限制。第一，由于傳統(tǒng)Snake模型僅能感知局部邊緣信息而不能兼顧全局信息，因此在邊緣模糊或者復(fù)雜背景下分割結(jié)果不佳。二是傳統(tǒng)Snake模型需人工指定某些參數(shù)，例如初始化控制點(diǎn)，迭代次數(shù)以及力場(chǎng)模型，其選取對(duì)于分割效果有很大影響。若參數(shù)選取不合適，則可能產(chǎn)生欠擬合或者過擬合現(xiàn)象，從而影響分割精度與穩(wěn)定性。最后由于傳統(tǒng)Snake模型在分割汽車圖片時(shí)對(duì)車輛變形和遮擋適應(yīng)性不強(qiáng)，并且針對(duì)變形或者遮擋等問題，形狀模型不一定能夠精確匹配?？傊瑐鹘y(tǒng)Snake模型對(duì)于汽車圖片分割有一定的局限性，需要根據(jù)不同場(chǎng)景、數(shù)據(jù)集調(diào)整參數(shù)、改進(jìn)算法才能得到較好的分割結(jié)果。第5章改進(jìn)的Snake模型算法流程設(shè)計(jì)圖像分割時(shí)，基于Snake模型和改進(jìn)的適度梯度流Snake對(duì)初始輪廓位置定位問題極為敏感，當(dāng)初始輪廓和實(shí)際輪廓之間距離過大時(shí)，算法就會(huì)造成分割失效。要想得到較好的分割效果就必須讓原始輪廓逼近真實(shí)分割物體的真正輪廓。但由于復(fù)雜背景中背景信息復(fù)雜，造成邊緣模糊或者非ROI區(qū)很像真實(shí)ROI區(qū)，這給原始輪廓選取帶來了很大難度，傳統(tǒng)方法很難取得理想分割效果?；谶@種情況，本文采用分水嶺法提取粗糙輪廓線作為運(yùn)動(dòng)輪廓模型初始值來改善復(fù)雜背景中分割效果。5.1分水嶺算法理論分水嶺算法是S.Beucher等人首次提出并引進(jìn)的一種圖像分割技術(shù)。分水嶺法是在三維可視化技術(shù)基礎(chǔ)上結(jié)合地形學(xué)測(cè)線重建思想并運(yùn)用于圖像處理的方法。分水嶺在地形學(xué)上具有以下特點(diǎn)：在局部范圍內(nèi)取得最小的局部地區(qū)作為一個(gè)集合。每個(gè)局部區(qū)域先最小后最小。當(dāng)水位升高時(shí)，水珠會(huì)以等機(jī)率的方式流向不同的最小點(diǎn)（在局部多個(gè)點(diǎn)最小）。一粒水珠停了下來后，將其覆蓋之處稱為“匯水盆地”,其上的一套面積稱為“分水線”。圖5.1為剖面圖展示分水嶺算法模型。圖5.1分水嶺橫截面表示當(dāng)水流源源不斷地涌來時(shí)，水位由兩個(gè)最低點(diǎn)漸漸上升，最后淹沒了峽谷。A處建一水壩后注入水后達(dá)到B處以分離目標(biāo)1與2。圖像方面，利用分水嶺法從整體上觀測(cè)地形，利用灰度和梯度信息模擬灌溉過程。圖像信息通常使用模型海拔對(duì)應(yīng)梯度。梯度局部最小處認(rèn)為是峽谷，梯度較大處稱峰頂。分水嶺算法迭代化。L.Vincent提供了一種經(jīng)典的分水嶺求解算法。他認(rèn)為，分水嶺的計(jì)算分為兩個(gè)步驟：一是對(duì)灰度地圖進(jìn)行分類，二是按指定尺寸3×3的模板進(jìn)行淹沒。每個(gè)象素都是按照梯度或者灰度的級(jí)別，由低級(jí)向高級(jí)順序排列的。從視覺角度觀察，各種連接部位會(huì)逐步合并。兩區(qū)逐步合并時(shí)是該區(qū)邊緣。傳統(tǒng)分水嶺方法處理復(fù)雜背景時(shí)因噪聲大、局部梯度分布不規(guī)律等原因造成圖像分割過大。分割過多導(dǎo)致圖像分割毫無意義，不宜與主動(dòng)輪廓模型分割方法相結(jié)合。為較好地滿足復(fù)雜背景下的分割，分水嶺算法需要避免過多問題的出現(xiàn)，基于現(xiàn)有研究成果，論文給出兩種實(shí)現(xiàn)方式：一種是分水嶺算法實(shí)現(xiàn)之后的區(qū)域融合。其次，使用基于鑒別的分水嶺方法。后者復(fù)雜程度高，耗時(shí)長，優(yōu)于前者。識(shí)別分水嶺算法將識(shí)別引入到傳統(tǒng)分水嶺算術(shù)，只給識(shí)別點(diǎn)注入水。識(shí)別用M1、M2表示。兩側(cè)水位隨注入量增加而逐步升高。在最高層。兩區(qū)域交叉構(gòu)成分水嶺，相對(duì)于傳統(tǒng)分水嶺算法注水點(diǎn)選取較少，且計(jì)算時(shí)忽略少數(shù)小分水嶺點(diǎn)。這樣就大大縮小了分隔之后的連接區(qū)域。在圖5.2中顯示了特定的標(biāo)識(shí)控制分水嶺方法的步驟。圖5.2基于標(biāo)識(shí)分水嶺算法流程圖下面對(duì)分水嶺算法進(jìn)行仿真試驗(yàn)，圖5.3為傳統(tǒng)的分水嶺算法結(jié)果。圖5.3傳統(tǒng)分水嶺算法結(jié)果(a)原圖;(b)分割結(jié)果如圖5.3B所示，分割過多，顯然沒有分割作用。在此基礎(chǔ)上，提出了一種新的方法，即利用一個(gè)閾值來擴(kuò)大局部最小面積，從而將更多的像素并入最小區(qū)域。在圖像中的米粒上作內(nèi)標(biāo)記子，對(duì)預(yù)處理后的圖象進(jìn)行分水嶺轉(zhuǎn)換（以灰度為反方），將所得到的分水嶺脊作為外部標(biāo)記子。最后采用最小梯度法進(jìn)行最終分割。圖5.4標(biāo)識(shí)分水嶺算法效果圖。(a)分水嶺脊線;(b)迭加到原圖像上效果;(c)最后分割結(jié)果從圖5.4中可以看出，最后分割的效果比傳統(tǒng)的分水嶺算法分割效果要好得多。5.2結(jié)合分水嶺算法的Snake算法改進(jìn)所選用的圖像數(shù)據(jù)具有復(fù)雜背景，常規(guī)的分割算法在這些圖像上表現(xiàn)不理想。為了更好地優(yōu)化分割效果，本研究結(jié)合了控制分水嶺技術(shù)和GVF-Snake模型，采用分水嶺識(shí)別方法來獲取大體輪廓，并將其作為GVF-Snake模型的初始值，從而進(jìn)一步提高分割的準(zhǔn)確性。圖5.5顯示了改進(jìn)后算法的基本過程，預(yù)處理階段主要包括增加圖像灰度級(jí)，形態(tài)學(xué)濾波器濾除結(jié)構(gòu)單元中低于某一閾值部分以及按連接面積的大小標(biāo)記感興趣物體。利用改進(jìn)梯度圖像做分水嶺轉(zhuǎn)換和基于原始輪廓線獲得最終分割結(jié)果。圖5.5改進(jìn)算法流程圖本研究的目的是應(yīng)對(duì)在復(fù)雜環(huán)境中進(jìn)行圖像分割所面臨的各種挑戰(zhàn)。文中以某機(jī)場(chǎng)航拍圖片為例，分析了該地區(qū)自然光照條件及不同類型地物對(duì)其成像質(zhì)量的影響，并采用多種算法從多個(gè)角度提取出目標(biāo)區(qū)域。研究結(jié)果揭示，與擁有簡單特征的場(chǎng)景相對(duì)照，這類圖像表現(xiàn)出較低的對(duì)比度、模糊的邊緣和噪聲等問題，這使得傳統(tǒng)的處理方法無法達(dá)到預(yù)期的效果。因此，需要采用合適的算法來提高目標(biāo)區(qū)域提取的精度和魯棒性。為了解決這一問題，本研究提出了一種全新的基于分水嶺識(shí)別的方法。該算法首先將原始圖像劃分成一系列小區(qū)域，然后用一個(gè)特定方向上的水平集函數(shù)作為初始閾值來完成整個(gè)大范圍內(nèi)的目標(biāo)檢測(cè)，最后再使用改進(jìn)的分水嶺法對(duì)所有候選區(qū)域進(jìn)行最終分割。在復(fù)雜的環(huán)境背景中，為了確保分水嶺得到粗略的劃分，我們必須對(duì)噪聲進(jìn)行篩選并加以增強(qiáng)。通過實(shí)驗(yàn)表明該算法能有效地去除噪聲，并且保持清晰的目標(biāo)區(qū)域。在選擇圖像材料時(shí)，如圖5.6所示，由于圖像中存在大量的噪聲、模糊的邊緣和低信噪比等問題，這導(dǎo)致其梯度圖像中存在干擾，因此使用標(biāo)記分水嶺法無法獲得良好的分割效果。為了提高該算法的準(zhǔn)確性及穩(wěn)定性，本文通過分析傳統(tǒng)分水嶺法在處理此類問題時(shí)出現(xiàn)的不足，給出了改進(jìn)措施，取得較好的實(shí)驗(yàn)結(jié)果。這篇文章的提出預(yù)計(jì)將在圖像分割這一領(lǐng)域產(chǎn)生有意義的影響。圖5.6待處理圖像為了去噪圖5.6,將待處理圖像濾除，為下一步分水嶺劃分奠定基礎(chǔ)。我們選擇了中值濾波、極小值濾波、極值濾波以及高斯濾波等多種技術(shù)手段。并對(duì)降噪后的信噪比進(jìn)行比較。多種濾波方法降噪效果如圖5.7所示。表5.1是這種圖像上不同過濾方式信噪比的對(duì)比。表5.1去噪后圖像信噪比(dB)SNR最小值濾波最大值濾波中值濾波高斯濾波15.427.5614.3617.69圖5.7圖像去噪結(jié)果(a)最小值濾波;(b)最大值濾波;(c)中值濾波;(d)高斯濾波由表5.7可看出使用高斯濾波算法能得到更好的信號(hào)噪聲效果。要想獲得更好的對(duì)比度，就需要增強(qiáng)圖像使其邊緣凸顯，才能獲得更好的對(duì)比度。圖5.8直方圖均衡化后圖像該研究是針對(duì)復(fù)雜背景中的圖像分割問題而提出的。為了達(dá)到這一目的，識(shí)別分水嶺算法首先需要區(qū)分感興趣的區(qū)域（ROI）和不感興趣的區(qū)域，并采用預(yù)設(shè)的知識(shí)對(duì)它們進(jìn)行分類。在內(nèi)外標(biāo)記選取上，結(jié)合閾值分割和形態(tài)學(xué)濾波，通過連通區(qū)域尺寸判斷自動(dòng)識(shí)別內(nèi)外標(biāo)記。在對(duì)復(fù)雜背景進(jìn)行處理過程中，需要事先對(duì)有關(guān)信息進(jìn)行識(shí)別。5.3復(fù)雜背景下的算法效果測(cè)試模擬該算法，采用Matlab2010.進(jìn)行模擬，采用常規(guī)Snake模式,GVF-Snake模式和該算法，將參數(shù)設(shè)定為0.2,β0.2,γ0.5,將該方法與文中的算法進(jìn)行對(duì)比,S