针对传统活动轮廓模型(Snake)对初始轮廓要求高、无法进行多目标提取且抗噪性弱等缺陷, 提出了一种新的基于广义似然比的最小方差活动轮廓模型。该算法在区域活动轮廓模型的基础上引入广义似然比信息, 以目标区域和背景区域具有最小方差为准则设计了新的能量函数, 并使用梯度下降法最小化能量函数, 驱动轮廓线不断收缩至物体边界。合成图像和真实图像的实验结果证明, 基于新模型的活动轮廓提取算法对初始位置不敏感, 具有一定的抗噪性, 并适用于多目标场景。

为了实现甲状腺超声图像中结节组织的快速准确分割, 克服图像灰度分布不均匀和边缘模糊对分割结果造成的影响,采用了基于相位一致性改进的活动轮廓分割模型。首先, 利用相位一致性边缘检测原理构造一种新的速度函数, 不仅弥补了梯度算子边缘检测中由于滤波处理造成边缘损坏的缺陷, 而且可以灵活地控制曲线演化速率; 然后, 将该速度函数乘入到无边缘主动轮廓模型的能量项中, 避免了线性组合中的权重分配问题, 同时具有全局分割能力。通过理论分析和实验验证, 改进模型的相对差异度均小于1%, 运行时间均低于对比模型。结果表明, 新模型实现了灰度分布不均匀图像的精确分割, 同时分割效率也有所提高。

为了进一步提高C-V模型的分割速度、降低初始轮廓曲线位置对分割结果的耦合性, 提高多光谱成像仪图像分割效率, 本文提出一种改进的C-V模型。该模型通过将每次迭代得到的距离函数的最大值引入C-V模型的Dirac函数, 对该函数进行自适应参数修正, 以拓宽活动轮廓线的有效作用范围, 进而大大降低分割算法的迭代次数。实验结果表明, 与经典的C-V模型相比, 改进的C-V模型在其终止条件下得到了较理想的分割效果, 降低了初始曲线位置对最终分割结果的影响, 且新模型的收敛速度在原有的基础上至少提高了7倍。改进的C-V模型在实时性及全局性方面都得到了明显改进, 进一步提高了该算法在多光谱成像仪的图像分割方面的鲁棒性。

水平集活动轮廓模型是一种优秀的图像分割方法.针对红外人体检测系统中的图像分割难题，提出了一种基于水平集活动轮廓模型的新算法.该算法包含水平集运动检测模块、水平集亮度检测模块和融合模块.水平集运动检测模块融合了水平集和背景相减技术，通过演化水平集函数同时实现前景分割和背景估计，它用于检测序列中的运动区域，并将其演化结果输入到下一检测模块.水平集亮度检测模块融合了水平集和阈值分割技术.在给出双阈值时，可分割出亮度在双阈值所限定范围内图像区域，它用于检测序列图像序列中可能包含人体目标的全部区域.利用形态学开重建技术，融合模块在融合前两个模块检测结果后输出算法最终分割结果.此外，采用快速数值算法演化水平集检测模块以及优化设置整个算法流程，改善算法运行效率.实验结果表明，相对其他典型算法，该算法具有较高分割精度和运行效率，且对时序亮度变化和镜头运动鲁棒性更好.

传统的基于形状信息目标定位的算法,对目标观测角度发生形变情况下的定位存在不少困难, 针对该问题, 提出了一种基于稀疏活动轮廓模型的感兴趣目标(OOI)检测算法。首先通过共同勾画算法学习到感兴趣目标的稀疏活动轮廓模型, 它能够清晰地定义感兴趣目标模式; 同时构成该模型的Gabor轮廓基元可以通过扰动进行局部的调整以适配图像, 在一定程度上提高了检测算法在目标发生形变或者存在遮挡等情况下的鲁棒性。然后采用交替的sum maps和max maps的计算框架在测试图上扫描出与活动轮廓模型匹配分数最高的区域, 将其定位分割出来; 基于稀疏活动轮廓模型的检测算法在很大程度上依赖于图像尺度, 利用稀疏活动轮廓模型在多个图像尺度上检测物体, 因此可以有效地克服尺度变化大的问题。最后利用视觉皮层模型对分割后的图像进行模式分类进一步确认目标。经过多组实验结果表明, 提出的基于稀疏活动轮廓模型的感兴趣目标检测定位算法, 较好地解决目标在发生部分形变、存在遮挡以及复杂背景下的定位问题。

将图像区域像素的统计特征引入活动轮廓模型,提出使分割轮廓所包括区域的质心对应角均方根误差极小的最优搜索方法——质心配准法。质心配准法有效地避免了散斑噪声等图像污染对图像区域分割精度的影响,实现了模糊图像精确的区域分割,求得图像最佳配准参数。对实际光学系统输出的多幅具有较大空时互补性的低分辨率图像进行了仿真实验,实验结果表明:该配准算法具有较高的精度,并在光学系统分析上得到了很好的应用。

针对高能闪光照相系统成像质量较差的特点,提出了一种基于参数活动轮廓模型(Snake模型)的闪光照相图像分割算法。该算法在传统高斯力Snake模型中引入包含图像区域信息的变力,以目标和背景两区域具有最小方差为准则,构建兼顾边缘和区域信息的外部能量函数。数值实验结果表明,该算法对初始轮廓位置不敏感,较好地解决了客体凹陷区域分割问题,能够实现对含噪声的弱边界闪光图像的自动分割。

针对传统图像分割方法中初始化和鲁棒性两个问题,研究了基于活动轮廓模型和Contourlet多分辨率分析分割血管内超声斑块图像的新方法。该方法运用Contourlet变换将原图像分解为多分辨率低通分量和多分辨率带通分量方向性子带。对低通分量进行模板匹配,确定血管内腔边界和中-外膜边界的初始轮廓;对带通分量方向性子带进行扩散滤波,抑制噪声的同时尽可能保留有用边缘,并结合边界矢量场使轮廓演化得到最终分割结果,从而提高了分割算法的鲁棒性。对100幅仿真图像和120幅实际图像的分割结果表明,相对于传统活动轮廓模型,该方法分割实际图像的平均距离误差提高了3.04 pixel,面积差异百分比提高了6.30%。表明该方法能自动、精确地提取血管的两条边界。

提出了一种应用于彩色图像的改进的Snake眼睛边缘检测算法.该算法首先将输入图像从RGB空间转换到YCbCr和YCb'Cr'空间,依据肤色点在Cb'Cr'空间中的聚类性提取人脸候选区域;然后通过在人脸候选区域上生成眼睛图(EyeMap)提取眼睛候选区域并计算候选区域Cr2图像的距离势能力场.采用两段首尾相连的抛物线进行初始化并从外部对Cr2图像的距离势能力场进行活动轮廓模型(Snake)匹配,在匹配过程中不断进行修正使检测结果更接近真实边缘.实验结果证明,该算法能精确地检测出眼睛的边缘并节省匹配时间.

为克服经典区域增长算法门限设置困难和图像分割精度不高的问题，提出了基于支持向量机学习的区域增长与活动轮廓模型结合的高精度图像分割算法。首先交互式选择属于目标区域的子块和背景区域的子块形成支持向量机的训练样本；并利用这些已知的训练样本训练支持向量分类器。在目标与背景的并行竞争增长过程中，利用训练好的支持向量分类器(SVC)进行分类判决，得到目标对象的初始轮廓。为提高分割对象的精度，采用活动轮廓模型获得准确的边缘。仿真实验获得了较好的分割效果，表明该提出的算法是合理可行的。