针对水平集方法计算复杂度高，无法满足实时系统要求的缺陷，提出一种改进的快速水平集算法。该算法对快速水平集算法进行简化，采用单链表表示轮廓曲线。利用C-V模型的二值拟合项来设计曲线演化的速度函数，保留了C-V模型的全局优化特性。还给出了一个基于单链表中轮廓点个数变化的水平集演化终止准则。该算法不仅明显提高了分割速度，且对噪声图像也能实现高效的分割。
C-V模型 单链表 快速水平集算法 图像分割 C-V model single list fast level set algorithm image segmentation 强激光与粒子束
2012, 24(12): 2817
本文将跟踪看作是二分类问题，提出了一种基于Adaboost 集成学习和快速水平集的轮廓跟踪算法。该方法首先在线地训练一个弱分类器的集合用以区分目标和背景，而通过Adaboost 将集合中的各弱分类器组合成一个强分类器，并用于标定下一帧中的各像素的类别属性，从而确定快速水平集算法的速度函数，然后采用基于动态邻近区域快速水平集来演化目标边界曲线以实现目标的轮廓跟踪。为适应目标和背景的变化，在跟踪过程中在线训练新的弱分类器，而时间相关性则通过更新包含新弱分类器的集合来实现。实验结果表明，在摄像机运动、光照变化、部分遮挡或目标尺度变化等情况下，能实现刚体或非刚体目标的轮廓跟踪。
集成学习 快速水平集 轮廓跟踪 ensemble learning Adaboost Adaboost fast level set contour tracking
