SRP课题分析报告.DOC

SRP课题分析报告 指导老师：姚 斌 小组成员：马 铃 魏 玉 王翠花 姚小顺 分析报告 图像分割是图像处理中的主要问题，也是计算机视觉领域低层次视觉中的主要问题，其应用范围非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。但由于杂质、噪声等的干扰，使得经典的图像分割方法如边缘检测、阈值等往往得不到一个理想的结果，这也使得图像分割成为一个经典的难题。 动态轮廓线模型是一种比较新颖的求解曲线演化的图像分割方法，该模型具有许多经典图像分割方法所无法比拟的优点，近年来在图像边缘检测，曲率，边界以及区域分割和骨架提取，运动跟踪，3D重建，立体视觉匹配等等领域得到了广泛的应用。基于此，我们学习了已经研究过的三种常见的参数化的动态轮廓线模型：传统Snake模型，“Balloon”模型和GVF Snake模型，并进而归纳总结了参数化的动态轮廓线模型的优缺点。但由于GVF Snake模型无法提取某些深度凹陷物体和瓶型物体完整轮廓的缺陷，因此我们要在前三种模型的基础上，对模型进行改进,从而更好地检测到物体的完整轮廓。 传统Snake模型的学习及分析 1.1传统Snake模型的轮廓线理论 传统Snake模型，它属于一种较为简单的Snake模型。Snake模型最先是为了克服以往分割算法对图像低层次信息(如像素亮度等)而此是一种高层的分割机制。它的主要思想就是约束满足要求的边缘的性质，形成一个能量极小泛函，通过曲线演化来获得分割图像。Snake模型将边缘提取问题转化为能量最小化问题，其中Snake定义为一条在曲线内部力与图像外部作用力共同作用下演化的变形轮廓线。 定义一条参数曲线，其中，为归一化参数，Snake模型可以表示为该曲线到图像平面的映射。假设待分割图像为，根据轮廓演化理论，Snake在整个图像平面上演化，以最小化能量函数： 能量函数包括内部能量和外部能量两个部分。 传统Snake模型属于参数化的动态轮廓线模型，用拉格朗日方法求解，最小化式如下的欧拉方程： 上式可看作一个力平衡方程： 其中，，分别称为内部作用力和外部作用力。内部力控制曲线的伸展和收缩，外部力推动曲线向目标边缘运动。将看作时间与单位参量的函数，即可通过迭代方法求得上述方程的解，也就是待分割图像的最终分割结果。 1.2 传统Snake模型图像的检测及分析 (a)原始图像初始轮廓线检测结果 力场 (b1)初始轮廓线检测结果 ）初始轮廓线要求轮廓线的初始位置要非常靠近物体真实轮廓的位置Snake模型的优缺点归纳如下 相对于传统的底层分割算法，传统Snake模型具有如下优点： 1) 图像数据、初始估计、目标轮廓以及基于知识的约束统一于一个特征提取过程中。 2) 经适当初始化后，它能自主地收敛于能量极小值状态。 3) 尺度空间中，由粗到精地极小化能量，可以极大地扩展捕获区域，并降 低计算复杂性。 但是，由于模型本身的缺陷，传统Snake模型存在如下主要缺点： 1) 能量泛函是依赖于曲线参数的。也就是说，对于同一条曲线，选取的参数不同，泛函的值也就不同。 2) 对目标边界的捕捉范围小，由于收敛于目标边缘的力源于图像的梯度，而梯度只有在目标边界附近时才存在，这就导致传统Snake模型的性能对初始Snake曲线非常敏感，只有将Snake初始化在目标边界附近时，才会收敛至期望边界。 3) 对于深度凹陷的目标轮廓得不到好的收敛效果。 4) 由于光滑性限制，使得当曲线的拓扑改变时，如一条曲线分裂成两条，必须增加额外的限制条件，否则曲线将保持与初始曲线相同的拓扑(连续光滑)。 5) 由于只利用了图像的边缘信息，因此传统Snake模型具有与边缘检测算子相同的特性，如漏检或产生伪边缘。 二、“Balloon”模型的学习及分析 2.1“Balloon”模型的轮廓线理论 为了克服传统Snake模型对初始Snake曲线非常敏感的不足，Cohen等提出了在轮廓线上施加另一外部约束力，使轮廓线向目标靠拢。在该力的作用下轮廓线不断地向外膨胀，最终演化到目标轮廓，可以形象地称之为气球力(balloon force)。由气球力所构成的能量项，在能量函数中的数学形式可以表达为： 其中 ，是轮廓线上Snake点处的单位法线矢量，为以Snake点为中心的大小为(均为大于零的整数)的邻域内的第个邻点，代表矢量间的点乘运算。 在引入气球力能量项之后，Snake模型的外部能量项可以描述为以下形式： 其