基于GAC-CV混合模型的憎水性圖像分割算法研究

張廣東　王鋒　溫定筠　安義　王曉飛　高立超　楊軍亭

摘? ?要：幾何主動輪廓（GAC）模型根據(jù)曲線的幾何特性可以避免演化過程中重新參數(shù)化，但其分割模糊邊界對象的效果不佳，而Chan-Vese（CV）模型通過最大化目標與背景的灰度差可以有效地區(qū)分圖像的模糊邊界?；诖?，提出一種GAC-CV混合模型，即將圖像的邊緣信息與區(qū)域信息融合進入同一個"能量"泛函，并對不同的分割目標采取不同的分割策略，提高凹形邊緣的捕獲能力。對絕緣子7種等級的憎水性圖像的分割結果表明，該混合模型具有優(yōu)越的分割性能，對水珠亮點的檢測率高達95%。

關鍵詞：憎水性圖像;GAC;CV;圖像分割

中圖分類號：TP391.41? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A

Abstract：The geometric active contour（GAC） model can avoids reparameterization based on the geometry characteristics， but it has the poorly ability in dividing a fuzzy boundary. In contrast， by maximizing the grayscale difference between the target and the background， the Chan-Vese（CV） model can effectively differentiate the fuzzy boundary. Based on the aforementioned consideration， the GAC-CV hybrid model is proposed， where the edge of the image and the region information are merged into the same "energy" function， and the various segmentation strategies are adopted for different segmentation targets to improve the capture ability of the concave edge.The segmentation results about thewater-repellent images of seven grade of the insulators show that the hybrid model has superior segmentation performance， and the detection rate of water bead highlights is as high as 95%.

Key words：hydrophobic image;GAC;CV;image segmentation

目前，水平集方法已被廣泛地應用在圖像分割領域，其主要思路是將曲線演化為高維的超平面水平集，用高維水平集提供演化曲線的一個隱式表

達[1-3]。演化過程中，并不跟蹤運動后的曲線的具體位置而是更新水平集函數(shù)來演化隱含在水平集函數(shù)中的閉合曲線，同時又不改變閉合曲線拓撲結構。

活動輪廓模型是將圖像本身的低層視覺特征（如色彩、灰度、紋理、邊緣等）和目標對象的知識（如形狀，色彩，亮度等）以主客相互作用的方式結合起來實現(xiàn)目標對象的分割[4-6]。經(jīng)典的活動輪廓模型有：基于參數(shù)活動輪廓模型和基于幾何活動輪廓模型兩種。前者在分割過程中能夠直接產(chǎn)生閉合的參數(shù)曲線，然而其內(nèi)部能量的限制和固有參數(shù)使其不能任意改變拓撲結構。后者則通過變分方法構建模型，將圖像中的目標輪廓設置成一個高維的零水平集，然后通過泛函求解得到偏微分方程（PDE），可以較好地解決拓撲結構無法變化的問題[7-9]。

傳統(tǒng)方法不能有效分割憎水性圖像，而基于水平集方法活動輪廓模型可以融合不同情況下的不同特征以適應憎水性圖像中水珠亮點分割的要求。因此，采用水平集方法活動輪廓模型研究憎水性圖像分割是一種有效的方法。

5? ?結? ?論

GAC模型可以在曲線演化過程中無需重新參數(shù)化，但其分割模糊邊界對象的效果不佳，而CV模型可以通過最大化目標與背景的灰度值差使得在模糊邊界的情況下獲取良好的分割結果?；诖耍岢隽艘环NGAC-CV混合模型，即將圖像的邊緣與區(qū)域信息融合進入同一個"能量"泛函里，并對不同的分割目標采取不一樣的分割策略，提高凹形邊緣的捕獲能力。對絕緣子的7種等級憎水性圖像的分割結果表明該混合模型具有優(yōu)越的分割性能。

參考文獻

[1]? ? 程丹松，何仕文，石大明，等. 基于Bregman散度和RSF模型的水平集圖像分割方法[J]. 哈爾濱工業(yè)大學學報，2018，50（05）：52—59.

[2]? ? 陳炳才，余超，周超，等. 水平集超像素及貝葉斯框架下的顯著性檢測[J].哈爾濱工業(yè)大學學報，2018，50（05）：102—108.

[3]? ? 趙瑞雪，潘振寬，侯國家，等. 基于一個水平集函數(shù)的多相圖像分割方法[J]. 計算機工程，2018，44（04）：317—321.

[4]? ? 陳喬松，冉會瓊，閆亞星，等. 基于數(shù)據(jù)場和水平集演化的圖像分割[J]. 重慶郵電大學學報：自然科學版，2018，30（02）：257—264.

[5]? ? 唐利明，方壯，向長城，等. 結合BV-L～2分解的CV變分水平集模型[J].重慶大學學報，2018，41（03）：82—90.

[6]? ? 劉國奇，李晨靜. 基于貝塞爾濾波的水平集正則化圖像分割方法[J].計算機科學，2018，45（03）：285—289+295.

[7]? ? 王曉丹，張龍波，王雷，等. 基于Nystrom方法的水平集醫(yī)學圖像分割算法[J]. 山東理工大學學報：自然科學版，2018，32（03）：13—16+20.

[8]? ? 王志堅.基于水平集演化與遺傳優(yōu)化的缺陷檢測算法[J]. 控制工程，2018，25（03）：413—416.

[9]? ? 王提，陳健，曾磊，等. 結合形狀先驗的水平集灰度紋理圖像分割方法[J]. 計算機工程，2018，44（03）：251—258.

[10]? 蘭添才，陳俊，張怡晨，等. 基于水平集和最大穩(wěn)定極值區(qū)域的頸椎椎體分割方法[J]. 廈門大學學報：自然科學版，2018，57（02）：271—278.

[11]? 王瑩，王錦.基于區(qū)域信息的水平集醫(yī)學圖像分割[J].電子技術與軟件工程，2018（01）：56.

[12]? 張婧，周明全，耿國華.基于變分水平集的三維模型復雜孔洞修復[J]. 計算機應用研究，2018，35（04）：1254—1257.

[13]? 姜大偉，范劍超，黃鳳榮.SAR圖像海岸線檢測的區(qū)域距離正則化幾何主動輪廓模型[J]. 測繪學報，2016，45（09）：1096—1103.

[14]? 劉亮. 基于主動輪廓模型的遙感圖像目標提取研究[D]. 哈爾濱：哈爾濱工程大學，2016.

[15]? 曹冬梅. 基于主動輪廓模型的醫(yī)學圖像分割研究[D]. 南京：南京信息工程大學，2014.

[16]? 曹潔，曾慶紅，王進花.基于幾何主動輪廓模型的粒子濾波跟蹤算法[J]. 計算機應用，2011，31（05）：1205—1208.

[17]? 唐利明，方壯，向長城，等. 結合BV-L～2分解的CV變分水平集模型[J]. 重慶大學學報，2018，41（03）：82—90.

[18]? 胡小為，劉宏申，徐國雄，等. 一種結合GVF和CV模型的水平集圖像分割方法[J]. 安徽工業(yè)大學學報：自然科學版，2016，33（03）：289—294.

[19]? 唐利明，田學全，黃大榮，等. 結合FCMS與變分水平集的圖像分割模型[J]. 自動化學報，2014，40（06）：1233—1248.

[20]? 王芳梅，范虹，Yi WANG.利用改進CV模型連續(xù)水平集算法的核磁共振乳腺圖像分割[J]. 西安交通大學學報，2014，48（02）：38—43.