10.11896/j.issn.1002-137X.2014.11.059
基于先验形状的混杂活动轮廓模型及其在图像分割中的应用
提出了一种新颖的基于先验形状学习的混杂活动轮廓(SHAC)模型,该模型采用变分水平集方法,融合自适应区域信息与边界信息,运用主成分分析的方法从给定的含有目标物体轮廓的训练集学习得到最佳形状信息,并将其作为先验形状.将自适应区域特征和轮廓特征作为局部信息,先验形状作为全局信息,在迭代过程中结合全局和局部信息实现对演化曲线的形变进行指导和约束,达到分割目标物体的目的.通过定量和定性地分析低对比度的乳腺核磁共振图像中的乳腺轮廓的分割,以及具有复杂背景的自然图像中感兴趣区域的分割结果,验证了SHAC模型比传统活动轮廓模型具有更高的准确率,表明了该模型不仅提高了图像分割中对弱边界的识别度,减弱了非目标轮廓的干扰,而且具有良好的抗噪能力.
活动轮廓、先验形状学习、水平集方法、图像分割
41
TP391.4(计算技术、计算机技术)
国家自然科学基金61273259,61005027,61272223
2015-01-13(万方平台首次上网日期,不代表论文的发表时间)
共6页
301-305,316