主动轮廓模型(Active Contour Models),又称为蛇模型(Snakes),是一种用于图像分割的计算机视觉技术。它主要通过最小化能量函数来达到分割图像中感兴趣对象的目的。传统的主动轮廓模型包括基于边缘(Edge-based)的模型和基于区域(Region-based)的模型两大类。然而,这些传统模型在处理复杂图像,尤其是包含内部边界和细节的对象时,往往难以得到令人满意的分割结果。
距离正则化水平集演化(Distance Regularized Level Set Evolution,DRLSE)是近年来在图像处理领域应用广泛的一种改进型主动轮廓模型。该模型基于水平集方法(Level Set Methods),通过演化一个初始轮廓直到它达到图像中目标对象的边缘来实现分割。DRLSE通过惩罚水平集函数与符号距离函数的偏差来保证水平集函数的稳定性。
本研究提出了一种新的基于DRLSE的图像分割方法。该方法通过构建一个包含区域统计信息和局部边缘特征的新能量泛函,以解决传统DRLSE模型在处理具有内部边界对象时的不足。通过实验证明,与Chan-Vese模型和DRLSE相比,提出的方法可以更好地精确分割弱边界区域。
图像分割在计算机视觉中占据着核心地位,目标是将图像中的感兴趣区域(Region of Interest,ROI)提取出来,以便进行进一步的处理和分析。图像分割技术可以大致分为基于边缘和基于区域两种类型。基于边缘的方法通过检测图像中强度不连续的边缘信息来实现分割,而基于区域的方法则是根据区域内的同质性来划分图像。相比之下,基于几何的主动轮廓模型则更加强调模型的稳定性和拓扑结构的变化适应性。
在图像处理中,噪声和采样误差是常见的问题。这些误差可能会影响分割的精度,特别是在处理弱边界或细节丰富的图像时。本研究提出的改进模型,通过整合区域统计信息和边缘特征,可以更有效地识别出目标区域,尤其在弱边界附近表现更佳。
本文的作者是来自哈尔滨师范大学物理与电子工程学院的Hongyu Qu、Xiaodan Liu、Xianwei Rong和Xiaoyan Yu。他们通过提出一种新的主动轮廓模型,旨在提高对复杂图像中对象分割的准确性。该模型尤其对弱边缘的识别与分割效果显著,克服了传统模型的一些固有缺陷,为图像分割领域带来了新的研究方向和解决思路。关键词包括图像分割、主动轮廓、水平集方法、距离正则化水平集演化等。这些关键词反映了本研究的核心内容以及其在计算机视觉与图像处理领域的应用价值。