基于能量最小化模型的圖像處理技術(shù)研究.pdf

1、圖像處理技術(shù)作為一種通過(guò)計(jì)算機(jī)對(duì)圖像進(jìn)行數(shù)字化處理從而滿足對(duì)圖像各種需求的方法,一直都在被國(guó)內(nèi)外眾多學(xué)者和研究者不斷努力探索、創(chuàng)新和完善。圖像分割是圖像處理技術(shù)的重要環(huán)節(jié),它將需要獲得的目標(biāo)通過(guò)各種圖像算法從圖像中分割出來(lái),為進(jìn)一步的研究工作做出了準(zhǔn)備。
　　在多種多樣的圖像分割算法中,以數(shù)學(xué)模型中的能量函數(shù)作為基本結(jié)構(gòu)的分割算法獨(dú)樹(shù)一幟,并且日趨成為一種廣泛使用的分割方法,其在分割精度或分割效率等方面較其它算法具有一定的優(yōu)勢(shì)。本

2、文主要研究基于能量最小化模型的圖像處理技術(shù),重點(diǎn)研究水平集的C-V模型和基于圖割理論的GraphCut及GrabCut算法,以及這些算法在數(shù)字醫(yī)學(xué)圖像和數(shù)字摳圖中的應(yīng)用。文章創(chuàng)新點(diǎn)如下:
　　(1)提出了基于圖割的水平集函數(shù)離散化分割算法。針對(duì)水平集C-V模型在迭代過(guò)程中存在的容易出現(xiàn)局部極值問(wèn)題,結(jié)合GraphCut算法在能量函數(shù)迭代中的優(yōu)勢(shì),將C-V模型的能量函數(shù)離散化,轉(zhuǎn)化成符合GraphCut條件的離散能量函數(shù),并給出滿足

3、圖表達(dá)式定理的證明。算法應(yīng)用于醫(yī)學(xué)圖像分割,取得了比C-V模型更好的分割效果,提高了迭代效率。
　　(2)提出了基于HSV空間的改進(jìn)GrabCut摳圖算法。GrabCut算法是基于高斯混合模型的能量函數(shù)模型,主要用于數(shù)字摳圖,算法的初始分割效果依賴于模型的參數(shù)設(shè)置。改進(jìn)算法利用圖像的HSV空間特征,通過(guò)求取圖像的主色波形圖,計(jì)算波峰個(gè)數(shù)動(dòng)態(tài)設(shè)定高斯混合模型的參數(shù),再通過(guò)引入迭代能量差值函數(shù)優(yōu)化算法的迭代次數(shù),提高了運(yùn)行效率。改進(jìn)算

4、法應(yīng)用于背景顏色較少的自然圖像摳圖,取得了比原GrabCut算法更好的分割效果。
　　(3)提出了基于最大類間方差的改進(jìn)免疫組化圖像識(shí)別算法。免疫組化圖像是用于鑒別肝臟等器官病變的重要依據(jù),最大類間方差法是識(shí)別此類圖像的常用方法之一。然而該方法在區(qū)分陰性區(qū)域時(shí)容易出現(xiàn)誤差,針對(duì)此問(wèn)題本文提出結(jié)合圖像色度和飽和度分量的優(yōu)化算法。新算法融合了圖像自身的特征信息,可以更好的實(shí)現(xiàn)對(duì)陽(yáng)性區(qū)域和陰性區(qū)域的識(shí)別,實(shí)驗(yàn)表明本文算法比單獨(dú)應(yīng)用最大類