基于廣義模糊集及主動(dòng)輪廓線模型的圖像分割方法研究.pdf

1、圖像分割是圖像處理中一個(gè)基本而關(guān)鍵的環(huán)節(jié)，圖像經(jīng)過(guò)預(yù)處理只是得到了原始圖像的最佳逼近，在進(jìn)行特征提取識(shí)別之前，進(jìn)行圖像分割必不可少。對(duì)圖像分割算法的評(píng)價(jià)主要是分割質(zhì)量和分割效率，圖像分割的準(zhǔn)確與否直接影響到后續(xù)的圖像分析結(jié)果，而分割效率則是保證視覺(jué)系統(tǒng)能夠應(yīng)用的重要條件。本文在提高圖像分割質(zhì)量和效率方面做了以下幾個(gè)方面的工作： 基于廣義模糊算子(GFO)法的圖像邊緣檢測(cè)與其它基于邊緣強(qiáng)度依靠導(dǎo)數(shù)的邊緣檢測(cè)法明顯不同，具有計(jì)算量小

2、，檢測(cè)到的邊緣精度高等特點(diǎn)，但是GFO算法中的關(guān)鍵參數(shù)需經(jīng)驗(yàn)、人為確定，影響了該方法的檢測(cè)效果，限制了其在實(shí)際中的推廣應(yīng)用。針對(duì)這個(gè)問(wèn)題，本文提出將遺傳算法和Otsu法應(yīng)用于GFO算法的參數(shù)確定中，實(shí)現(xiàn)了參數(shù)的自適應(yīng)獲取。將改進(jìn)的GFO算法應(yīng)用到灰度值變化復(fù)雜的圖像邊緣檢測(cè)中，顯著地提高了圖像邊緣檢測(cè)效果，使得該方法易于在圖像分割中應(yīng)用。 參數(shù)主動(dòng)輪廓線模型通過(guò)定義一個(gè)能夠反映目標(biāo)輪廓與灰度等信息的能量函數(shù)，引入了高層次處理對(duì)低

3、層次輪廓提取的反饋，是近年來(lái)圖像處理中用于目標(biāo)輪廓提取的一種主流模型，但是傳統(tǒng)參數(shù)主動(dòng)輪廓線模型存在著對(duì)初始輪廓要求高，進(jìn)入凹面域困難及收斂速度慢等缺點(diǎn)。在本文中提出了一種改進(jìn)的模型，分別改進(jìn)了模型的能量構(gòu)造函數(shù)和模型的數(shù)值迭代方法，提高了參數(shù)主動(dòng)輪廓線模型圖像分割的收斂速度和準(zhǔn)確性。在很大程度上解決了傳統(tǒng)模型搜索區(qū)域小，進(jìn)入凹面域困難及收斂速度慢等問(wèn)題。 幾何主動(dòng)輪廓線模型克服了參數(shù)化模型拓?fù)浣Y(jié)構(gòu)不容易變化的缺陷，解決了參數(shù)主

4、動(dòng)輪廓線模型難以解決的問(wèn)題，特別是水平集方法(Level Set Method)極大地推動(dòng)幾何主動(dòng)輪廓線模型的發(fā)展，使得近年來(lái)對(duì)幾何主動(dòng)輪廓線模型逐漸成為研究熱點(diǎn)。然而水平集方法存在著需要對(duì)整個(gè)圖像定義域中所有點(diǎn)的水平集函數(shù)值進(jìn)行更新，計(jì)算復(fù)雜、耗時(shí)等問(wèn)題。本文在詳細(xì)分析水平集方法的基礎(chǔ)上，提出了將微粒群搜索算法、樣條插值及水平集窄帶法相結(jié)合的具體解決方案，降低計(jì)算量，同時(shí)避免了噪聲影響，提高了分割效果。 基于簡(jiǎn)化Mumford

5、-Shah圖像分割模型的C-V方法同時(shí)適用于梯度有意義和無(wú)意義的輪廓檢測(cè)，很好地解決了輪廓線位于弱邊緣的情況，防止了“冒頂”現(xiàn)象的發(fā)生，但是由于其每次迭代過(guò)程都需要對(duì)所有圖像數(shù)據(jù)進(jìn)行計(jì)算，因而很費(fèi)時(shí)，同時(shí)，該方法不能直接使用窄帶法。為此，本文提出了具體的解決方案，使得窄帶法能夠和簡(jiǎn)化Mumford-Shah模型的C-V方法進(jìn)行有效的結(jié)合，可極大地減少計(jì)算量，提高分割效率。另外，本文還對(duì)C-V方法進(jìn)行了改進(jìn)，提出了減少迭代計(jì)算量算法及相應(yīng)

6、的迭代終止準(zhǔn)則，一定程度上解決了C-V方法計(jì)算量大的問(wèn)題。為了驗(yàn)證本文所提算法的有效性和促進(jìn)理論到實(shí)際的應(yīng)用，設(shè)計(jì)了以MOTOMAN-UP6機(jī)器人為實(shí)驗(yàn)平臺(tái)的機(jī)器人視覺(jué)跟蹤系統(tǒng)。在機(jī)器人視覺(jué)跟蹤系統(tǒng)的設(shè)計(jì)、實(shí)現(xiàn)中不僅對(duì)計(jì)算機(jī)視覺(jué)領(lǐng)域中不可回避的目標(biāo)圖像識(shí)別技術(shù)進(jìn)行了討論，提出了基于Hough變換的RBF神經(jīng)網(wǎng)絡(luò)和不變矩特征的識(shí)別方法，而且給出了跟蹤預(yù)測(cè)的詳細(xì)算法。通過(guò)在此機(jī)器人上進(jìn)行的視覺(jué)跟蹤實(shí)驗(yàn)，驗(yàn)證了本文所提的圖像分割算法的有效性，