基于非負(fù)矩陣分解與活動(dòng)輪廓模型的紋理圖像分割方法研究.pdf

1、圖像分割是圖像處理過(guò)程的一項(xiàng)關(guān)鍵技術(shù)，也是當(dāng)今技術(shù)領(lǐng)域的一個(gè)經(jīng)典難題。作為圖像的一種視覺信息，紋理描述了圖像中灰度值的空間結(jié)構(gòu)，可用于復(fù)雜圖像的分割過(guò)程。與現(xiàn)有分割模型相比，活動(dòng)輪廓模型由于其使用平滑曲線描述目標(biāo)邊界，且能夠提供亞像素分割準(zhǔn)確率的特點(diǎn)，得到了廣泛的關(guān)注與研究。其基本原理是通過(guò)對(duì)能量函數(shù)的最小化過(guò)程，引導(dǎo)活動(dòng)輪廓向真實(shí)的目標(biāo)邊界移動(dòng)。
　　在現(xiàn)有用于紋理圖像分割的活動(dòng)輪廓模型中，主要存在以下幾個(gè)因素導(dǎo)致了分割結(jié)果的不

2、理想：
　　1）對(duì)輸入圖像的結(jié)構(gòu)描述通常比較單一，使模型對(duì)圖像噪聲、復(fù)雜紋理以及弱邊界等干擾更加敏感；
　　2）對(duì)像素點(diǎn)屬于某個(gè)區(qū)域的可能性，大多使用距離度量方法實(shí)現(xiàn)，但由于區(qū)域邊界附近的特征向量的構(gòu)成較復(fù)雜，很難實(shí)現(xiàn)準(zhǔn)確的邊界定位結(jié)果；
　　3）現(xiàn)有的模型大多基于傳統(tǒng)的水平集框架構(gòu)造，然而近年來(lái)的研究結(jié)果表明，該框架在最小化過(guò)程中容易陷入局部極值。
　　為了解決上述問(wèn)題，本文提出了一種新的活動(dòng)輪廓模型，用于更精

3、準(zhǔn)的實(shí)現(xiàn)紋理圖像的分割。在特征提取、區(qū)域特征計(jì)算以及能量函數(shù)的構(gòu)造與優(yōu)化等方面做出了改進(jìn)與提升，具體工作如下：
　?。?）為獲得更全面的紋理信息描述，提出了一種基于直方圖特征融合的方法提取紋理特征。首先對(duì)于輸入圖像，使用灰度局部變化度（Local Variation Degree,LVD）與Gabor濾波器得到輸入圖像的多重特征映射，接下來(lái)對(duì)每個(gè)特征映射，計(jì)算每個(gè)像素點(diǎn)固定大小鄰域內(nèi)的特征直方圖，最后通過(guò)對(duì)每個(gè)特征映射的特征直方圖

4、的收尾串聯(lián)得到最終的紋理描述，這種融合方式能夠有效提升待分割區(qū)域的可分性以及模型對(duì)噪聲與復(fù)雜結(jié)構(gòu)的魯棒性。
　?。?）提出了一種新的計(jì)算區(qū)域代表性特征的方式，即輪廓收縮方法（Contour Shrinking Method,CSM），通過(guò)使當(dāng)前演化輪廓分別向目標(biāo)內(nèi)外收縮一定距離，避免將輪廓附近由多個(gè)區(qū)域特征混合的特征直方圖計(jì)算在代表性特征中。
　　（3）為了更精準(zhǔn)的實(shí)現(xiàn)區(qū)域邊界定位，非負(fù)矩陣分解方法（Non-negative

5、 Matrix Factorization,NMF）被整合到了本文的能量函數(shù)中。在分割過(guò)程中，基于NMF的能量能夠準(zhǔn)確的估計(jì)待分割區(qū)域在每個(gè)像素點(diǎn)局部鄰域內(nèi)的覆蓋面積，并以此作為像素點(diǎn)落入某個(gè)區(qū)域的可能性。因而，可自然的實(shí)現(xiàn)像素點(diǎn)的區(qū)域劃分。
　?。?）根據(jù)全局優(yōu)化理論，我們?cè)诖_保最小值不變的前提下將本文的分割模型轉(zhuǎn)化為一個(gè)全局最小化問(wèn)題。通過(guò)對(duì)該優(yōu)化問(wèn)題的求解，可實(shí)現(xiàn)本文能量函數(shù)的全局最小化，從而避免模型在分割過(guò)程中陷入局部最小