主动轮廓模型

合集下载

基于区域能量最小和主动轮廓模型的医学目标提取

ｓｔｆｍｅｏｋｗｈｃｄｔｔｒｔｇｅｕｔｏ．Ａｔｈａｍｅｎｅｇａｅｐｅｏｓａｎｔｒｓａｌｏｓｗｄｗｅｒａｗｒｉｈｌｏａｉａｉｑａｉｎｅｅｎｅｓｍｅｔ，ａｄｅｂｓｄｓｅｄｃｎｔｉｒｗａｂｅｔｌｏｎｔｉｒｅａｏ
ｔｅａｔｅｃｎｏｒｗｅｅｅｅｅｓｅｏｎａｅｏｊｔ，ｈｃａｅｈｔｃｉｒｃｄｒｏｅｏｖｒｅｔｈｃｉｏｔｓｈｎｈｙｓｐｄｏｒｅｐｂｕｄｒｏｔｂｅｓｗｉｍｄｅｘａｔｎｐｏｅｕｅｍｒｃｎｅｇｎｖｕｔｔｖａｔｙｆｈｃｈｔｅｒｏ
第２９卷第７期
２１０２年７月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｍｐｔｒｐｉｔｓａｃｆＣｏｕｅｓｃｏ
Ｖｏ．９Ｎｏ７１２．
Ｊ１０２ｕ．２１
基于区域能量最小和主动轮廓模型的医学目标提取
（ｈｎｈｄａｃｄＲｅｗｓｉｔ，Ｃｉｅｅｃｄｍｃｎｅ，Ｓａｇａ０２３ｈｎＳａｇａＡｖｎｅｅａｈＩｔｕｅｈｎｓＡａｅｙｏｉｃｓｈｎｈｉ１０，ＣｉｓｎｔｆＳｅ２ａ）
Ａｂｔａｔｎｏｄｒｔｏｖｈｒｂｅｆｔｄｔｎｌａｔｅｃｎｏｒｍｏｅｓｈｃｖｎａｈｇｐｅｎｓｏｇｅｇｒｓｒｃ：Ｉｒｅｏｓｌｅｔｅｐｏｌｍｓｏａｉｏａｃｉｏｔｕｄｌ，ｗｉｈｍｏｅｉｉｈｓｅｄｏｔｎｄｅｏｒｉｖｒ

基于主动轮廓模型的交通场景运动目标提取算法

度变化ＣＨＣＧ。图３（）和图３（）中竖线之间的范ｂｃ
色度变化较小。根据阴影区域的特点，阴影消除算法的步骤如下：
由于存在运动阴影，运动目标的提取不准确。必
须采取一定的方法消除阴影，提高运动目标提取的精
度。文献［］出了一种基于Ｒ７提ＧＢ颜色空间的核心密度估计模型在彩色视频中抑制阴影。通常，摄像机采集的图像信号是基于唧颜色空间，采用上述方法需要进行颜色空间的转换，不利于实时提取。ＹＶ色彩Ｕ空间的重要特点在于它的亮度信号Ｙ和色度信号Ｕ、
Ｔａｊｔｎ０ｂｅｔｘｒｃｔｎｇｒｔｍｓｄｏｔｅｎｏｒｄｌｒｆｃｆＭｏｉｊｃｔｉａｉｏｉＢａｅｎｉｔｕｅｉｏＥｏＡｌｈＡｃｖＣｏＭｏ
ＸＩＡＯＢｉＷＡＮＧＭｉｎ，ｎ
（ｏｌｅｆｏｕｅｃｅｃ，ｏｔｗｅｔｅｏｅｍｎｖｒｉ，ｈｎｄ１５０ＣｉａＣｌｇＣｍｐｔｒｉｅＳｕｈｓＰｔｌＵｉｅｓｙＣｅｇｕ６００，ｈｎ）ｅｏＳｎｒｕｔ
Ｂ（）Ｇｉ表示背景参考帧ｉＪ列处的像素值；Ｄｉ（）ｊ行ｉ，ｆｉｊ表示差分图像行ｉｊ行列处的像素值。在差值图像Ｄｆ中，通过阈值方法可以获得运动ｉ
式（）中，Ｃｒｙｊ表示当前帧ｉＪ３ｕ（ｉ），行列处Ｙ信
１）使用式（）计算ＭＡ中像素值为１的像素点３
对应待分割图像像素点亮度变化ＬＨＣＧ；
２）使用式（）计算ＭＡ中像素值为１的像素点４

基于颜色与纹理特征的局部主动轮廓模型

ｅｐｃａｌｒｔｓｍａｅｔｈｎｏｏｎｕｐａａｃｅｔｒｓｉｏｅｒｕｄａｄｂｃｇｏｎｄｔｒｆｒｕａｅｈｏａｉｅｅｍｅｔｔｏｓｅｉｌｆｈｏｅｉｇｓｗｉｈｔｅｉｈｍｇｅｏｓａｐｅｒｎｅｆａｕｅｎｆｒｇｏｎｎａｋｒｕ．Ｉｅｏｍｌｔｓｔｅｌｃｌｄｓｇｎａｉｎｙｏｚｅｅｇｏｅｈｎｃｔｏｓｎｓｏｉｉｉｌａｉｎ．ｎｔｄｉｇｍｏｅｆｅ８ｄＨＳｃｌｒｓａｅａｄｓｒｃｕｅｔｎｏｅｔｒｅｔｒｓｏａｓｏｍｎｒｙｔｎａｅｉｒｂｕｔｅｓｔｎｔｉｔｏＢｙｉｒｕｃｎｒｎ－Ｖｏｏｐｃｎｔｕｔｅｓｒｔｘｕｅｆａｕｅｆｔｎｆｒｓａｚｏｉｒｒ
文献标识码：Ａ
中圈分类号：Ｐ１７Ｔ９１３．
基于颜色与纹理特征的局部主动轮廓模型
米晓莉，贾世杰，刘文一。
（．大连交通大学电气信息学院，辽宁大连】６２；２解放军９５０部队，辽宁大连１０３１１０８１５１２）６摘要：针对图像分割过程中前背景表面特征不均质问题，提出一种基于颜色纹理先验特征的多通道局部能量模型。对现有局部能量模型
第３８卷第９期
Ｖ０－８ｌ３
Ｎｏ９．
计
算
机
工
程
２ｌ０２年５月
Ｍｒ２２ｄｙ０１
ＣｏｍｐｔｒＥｎｉｅｉｕｅｇｎｅｒｎｇ
・图形图像处—０１３ｏ０４８０２９２１ —ｌ２ｏ —０

一种集成模糊特征的测地线主动轮廓模型的图像分割

ｐｒｒｎｅｆｅｍｅｔｇｃｎａｅｎｏｖｘｏｊｃｎｒｖｄｓｎａｃｒｔｓｇｎａｏａｄｅａｄｎｉｅｆｍａｃｇｎｉｏｃｖｄｃｎｅｂｅｔａｄｐｏｉｃｕａｅｍｅｔｔｎｔｗｅｋｅｇｓｎｏｓｏｏｓｎａｓｅａｅｉｏｅ
图像的分割。图像分割的实验说明新的模型对图像分割具有良好的性能。关键词：模糊特征；测地线主动轮廓；图像分割
中图分类号：Ｔ３１１Ｔ１．３Ｐ９．；Ｎ９１４７文献标志码：Ａｄｉ１．９９．ｓ．０３５１２１．．２ｏ：０３６￣ｉｎ１０－０Ｘ．００４０２ｓ０
第３卷第４期７
２ｌ００年４月
光电工程
ＯｐｏＥｌｃｒｎｉｇｉｅｒｎｔ — ｅｔｏｃＥｎｎｅｉｇ
Ｖｌ７ＮＯ４ｂ－．．３Ａｐｉ２１ｒｌ００，
文章编号：１０ — ０Ｘ（０００ — １３００３５１２１）４０１ — ５
（ｃｏｌｆＭａｈｍｔｓ＆Ｐｙｉ，ｉｎｓｏｔｈｉＵｉｅｓｙＣａｇｈｕ２３６，ｉｎｓＰｏｉｃ，ｈｎ）ＳｈｏｏｔｅａｉｃｈｓｓＪａｇｕＰｌｅｎｃｎｖｒｉ，ｈｎｚｏ１１４ＪｇｕｒｖｅＣｉａｃｙｃｔａｎ
０引言
图像分割就是把图像中具有特殊涵义的不同区域分开来，这些互不相交的区域都满足特定的一致性。图像分割是图像处理和计算机视觉领域的一个基本问题，已从经典的依据灰度与梯度的分割方法（阈值它如化、边缘检测）发展到结合各种信息的分割方法。充分利用信息是解决一些目标不完整或背景复杂图像分割的有效方法。近几年可形变模型（ｅｏｍａｌＭｏｅ）Ｄｆｒｂｅｄ１受到广泛关注【Ｊ。可形变模型可以综合对图像数据的各种解释和人的先验知识，能把对Ｅ标的几何形状限制和图像特征无缝的集成在一起。要做到这一点是通ｌ过定义能反映这种限制以及形变轮廓自身特征的能量函数。通常能量函数有可形变模型的内部能量和由输

基于多种群粒子群优化算法的主动轮廓线模型

ｒｓｌｂａｅｙｔｅｍｕｉｗｌＳｌｏｔａｅｅｎｃｍｐｒｄｗｔｔａｏｎＳｇｒｈｎｅｏｖｎｏａｅｕｓｏｔｎｄｂｌ— ａｎＰＯａｇｒｈｈｖｅｏａｅｉｔｆｉＰＯａｏｉｍａｄｔｎｅｔｎｔｉｈｔｓＴｉｍｂｈｈｓ￣ｅｌｔｈｃｉｌ
Ａｂｔａｔｅｒｈｎｏｈｂｃ’ ｃｎａｉｅｆａｔｅｃｎｏｒｍｄｌ（ｎｋｏｅ）ｉａｄｎｍｉｏｔｚｔｎｓｒｃ：ＳａｉｆｔｅｏｊｔｏｃｖｉｏｃｖｏｔｕｏｅＳａｅｍｄ１ｓｙａｃｐｍｉｉｃｇｒｅＳｔｓｉｉａｏ
维普资讯
第２８卷第１０期
２００８年１０月
文章编号：０１９８（０８１２２０１０ — ０１２０）ｉｎｔｒＡｐｌｃｔｏｓ
Ｖｏ．８Ｎｏ１１２．０Ｏｃ．２０ｔ０８
ｍｅｈｄｔｏ．Ｅｘｅｉｎａｒｓｌｈｗｔａｈｒｐｓｄａｇｒｈｉｒｆｃｅｔｐｒｍｅｔｅｕｔｓｏｈｔｔｅｐｏｏｅｌｏｔｍｓｍｏｅｅｉｉｎ．ｌｓｉ
Ｋｅｏｄ：ｍｌ — ａ；Ｐｒｃｗｒｐｉｚｔｎ（Ｓ）ｎｋｏｅ；ｃｉｏｔｕｏｅ；ｉａｅｓｇｎｔｎｙｗｒｓｕｔｓｒｉｗｍａｉｅＳａｍＯｔａｉＰＯ；Ｓａｅｍｄｌａｔｅｎｏｒｄｌｍｇｅｍｅｔｉｔｌｍｉｏｖｃｍａｏ
ｓｗｌａｄｅｓｌｏｖｒｅｔｏａｏｔ．Ａｍｉｇａｈｂｖｒｂｅ，ｍｕｔｓｒＰＯａｇｒｈｗａｒｐｓｄｔｐｌｌｙｎａｉｃｎｅｇｌｃｌｐｉｏｙｏｍａｉｎｔｅａｏｅｐｏｌｍｓｔｌ —ｗａｍＳｌｏｔｍｓｐｏｏｅｏａｐｙｉｉｉｃｉｅｃｎｏｒｍｏｅｓｆｒｔｅｓｋｆｘａｄｎｈｏｔｌｏｎｆｈｅｒｈｎｒａａｄｏｔｚｎｏｖｒｅｃｐｅ．Ｉｎａｔｏｔｕｄｌａｅｏｐｎｉｇｔｅｃｎｒｉｔｅｓａｃｉｇａｅｎｐｉｉｇｃｎｅｇｎｅｓｅｄｎｖｏｈｅｏｐｏｔｍｉｔｉｌｏｔｍ，ｅｅｙｃｎｒｌｏｎｓｃｒｅｐｎｉｇｔｎｗｒＩｕ —ｗａｍｓｗｒｅｏｅｈｒｖａｉｆｒｔｎｓａｎ．Ｔｅｈｓａｇｒｈｉｖｒｏｔｏｉｔｐｗａｏｒｓｏｄｎｏｏｅｓａｉ．ＳｂｓｒｏｋｄｔｇｔｅｉｎｏｍａｉｈｒｇｈＴｏｉ

基于Sigmoid型函数的梯度向量流主动轮廓模型的研究

（ｙ１）如，
ｙ））。求下面能量函数的最
Ｅｒ（＋；＋；ＩＩ — Ｉ，＝Ｉ１ｌ＋ ’＋６ ‘ ‘ ： ’ Ｉ）ｄ
（５）
条曲线．）（，，）ｓ，）轮廓点的和）坐标值，Ｅ［，ｘｏ＝ｓ）ｓ；（是）（】），Ｓ０
当（ｔ到稳定值时，置（ｔＯ时，ｓ），达即ｓ），为就得到（）。３式Ｘｕ和Ｐｉｃ用了一种新的静态向量流ｙ＝，入ｒｅ采ｎ）代
得由于梯度向量流的扩散，图像目标的强边界和弱边界产生了相上式。：同强度的向量流，因此该方法通常要求边缘图像是二进制图像。置（，－Ｘ（，ｓ）ａ＂ｓ）ｔｔ（，＋ｓ）ｔ（）４称为梯度向量流，应地，（】的解所对应的曲线为相称４式本文对原有的ＧＶＦ主动轮廓算法进行了改进。们在图像本身我
维普资讯
福６年第２期
基于Ｓｇｏ型函数的梯度向量流主动轮廓模型的研究ｉｉｍｄ
陈俊峰
（州大学数学与计算机科学学院福福建福州３００）５０２
【摘要】主动轮廓主要用在计算机视觉与图像处理方面，尤其是用于检测目标对象的边界。传统Ｓａｅ型相与ｎｋ模比，度向量流ＧＶＧｒｉｔｅｔｒｗ）主动轮廓算法不仅有更大的捕获域．梯Ｆ（ａｅＶｃｏＲｏ的ｄｎ而且能检测到目标的凹陷处。本文对

基于几何主动轮廓模型的粒子滤波跟踪算法

Ａｓｒｃ：ＴｅＳｎａｄＰｒｃｉｅＳＦｉａｔｉａｍｔｏｆｓｌｉｈａｋｎｒｂｍｏｏ —ｎａｎｎｂｔｔｈｔｄｒａｉｅＦｌｒ（Ｐ）ｓｙｃｌｅｈｄｏｏｖｇｔｅｔｃｉｇｐｏｌｆｎｎｌｅｒｏ－ａａｔｌｔｐｎｒｅｉ／
Ｇａｓｉｎｍｏｌｓｓｅ．Ｈｏｖｒｕｄａｉｇｐｒｃｓｔｉｔｙｄｅｅｄｓｏａａｔｒｅｅｔｏａｄｉａｎｔｈａｄｅｔｅｃｎｅｕｓａｄｅｙｔｍｗｅｅ，ｐｔｎｏｅｓｓｒｃｌｐｎｎｐｒｍｅｅｓｓｌｃｉｎ，ｎｔｃｎｏｎｌｈｈａｇｓ
ｄｉ１．７４Ｓ．．０７２１．１０ｏ：０３２／ＰＪ１８．００２５１
基于几何主动轮廓模型的粒子滤波跟踪算法
曹洁，曾庆红，王进花
（州理工大学计算机与通信学院，州７０５兰兰３００）
ｉｕｖｏｏｏｙＩｅａｄｔｈｓａｎｗｐｒｉｌｌｒｔｇｔｔａｋｎｌｏｉｍａｅｎｇｏｔｃａｔｅｃｎｏｒｓｎｃｒｅｔｐｌｇ．ｎｒｇｒｏｔｉ，ｅａｃｅｆｔａｅｒｃｉｇａｇｒｈｂｓｄｏｅｍｅｒｃｉｏｔｕｓｗａｔｉｅｒｔｉｖ
ｒｓｍｐｉｇｔｃｎｑｅｎｎｒａｅｈｉｅｓｙｏａｔｌｓｈｉｌｔｎｒｓｌｎｉａｅｔａｈｒｐｓｄｍｅｈｄｃｎｅａｌｅｈｉｕｓａｄｉｃｅｓｄｔｅｄｖｒｉｆｐｒｃｅ．Ｔｅｓｍｕａｉｅｕｔｉｄｃｔｈｔｔｅｐｏｏｅｔｏａｎｔｉｏｓｅｆｃｉｅｙｉｒｖｈｔｔｓｍａｉｎｐｅｉｉｎｗｉｒｅｉｉｔ．ｆｔｌｍｐｏｅｔｅｓｅｅｔｔｒｃｓｔｍｏｅｆｘｂｌｙｅｖａｉｏｏｈｌｉ

活动轮廓模型之Snake模型简介

图像分割之（五）活动轮廓模型之Snake模型简介在“图像分割之（一）概述”中咱们简单了解了目前主流的图像分割方法。

下面咱们主要学习下基于能量泛函的分割方法。

这里学习下Snake模型简单的知识，Level Set（水平集）模型会在后面的博文中说到。

基于能量泛函的分割方法：该类方法主要指的是活动轮廓模型（active contour model）以及在其基础上发展出来的算法，其基本思想是使用连续曲线来表达目标边缘，并定义一个能量泛函使得其自变量包括边缘曲线，因此分割过程就转变为求解能量泛函的最小值的过程，一般可通过求解函数对应的欧拉(Euler．Lagrange)方程来实现，能量达到最小时的曲线位置就是目标的轮廓所在。

主动轮廓线模型是一个自顶向下定位图像特征的机制，用户或其他自动处理过程通过事先在感兴趣目标附近放置一个初始轮廓线，在内部能量（内力）和外部能量（外力）的作用下变形外部能量吸引活动轮廓朝物体边缘运动，而内部能量保持活动轮廓的光滑性和拓扑性，当能量达到最小时，活动轮廓收敛到所要检测的物体边缘。

一、曲线演化理论曲线演化理论在水平集中运用到，但我感觉在主动轮廓线模型的分割方法中，这个知识是公用的，所以这里我们简单了解下。

曲线可以简单的分为几种：曲线存在曲率，曲率有正有负，于是在法向曲率力的推动下，曲线的运动方向之间有所不同：有些部分朝外扩展，而有些部分则朝内运动。

这种情形如下图所示。

图中蓝色箭头处的曲率为负，而绿色箭头处的曲率为正。

简单曲线在曲率力（也就是曲线的二次导数）的驱动下演化所具有的一种非常特殊的数学性质是：一切简单曲线，无论被扭曲得多么严重，只要还是一种简单曲线，那么在曲率力的推动下最终将退化成一个圆，然后消逝（可以想象下，圆的所有点的曲率力都向着圆心，所以它将慢慢缩小，以致最后消逝）。

描述曲线几何特征的两个重要参数是单位法矢和曲率，单位法矢描述曲线的方向，曲率则表述曲线弯曲的程度。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Snakes: Active Contour Models （主动轮廓模型）
作者： MICHAEL KASS, ANDREW WITKIN, and DEMETRI TERZOPOULOS 期刊：International Journal of Computer Vision，1998
摘要
A snake is an energy-minimizing spline guided by external constraint forces and influenced by image forces that pull it toward features such as lines and edges. Snakes are active contour models: they lock onto nearby edges, localizing them accurately. Scale-space continuation can be used to enlarge the capture region surrounding a feature. Snakes provide a unified account of a number of visual problems, including detection of edges, lines, and subjective contours; motion tracking; and stereo matching. We have used snakes successfully for interactive interpretation, in which user-imposed constraint forces guide the snake near features of interest. Snake: 是一种能量最小的曲线。能量函数由外部约束力和图像力组成。这种主动轮廓模型适用于检测直线，边缘。应用场景有直线边缘的检测，主动轮廓，运动检测，立体匹配。
规定
Snakes：Eimage
终端的能量函数定义为：
Snakes：Eimage
Snakes：Eimage
Snakes：Motion
Vs(s)是曲线的一阶导数， Vss(s)是曲线的二阶导数。
Snakes：Eimage
Eimage分为三部分，分别驱使snake趋向于lines， edges， termination。
在这里，我们设定Eline为图像强度，Eedge为亮度的梯度变化。
C(x, y)是高斯滤波后的图像， θ是(x, y)处的梯度角度
Snakes：是图像上一条闭合曲线，表示为
这条曲线的能量函数为：
Eint ，曲线es） Econ，外部约束力
Snakes：Einternal
内部力分为弹性势能和弯曲势能两部分：弹性势能弯曲势能
α(s)增大， snake越伸展能量越大。β(s)增大， snake弯曲度越大能量越大。
应用举例
Image Segmentation
Stereo Matching
Motion Tracking
Shape Recognition
Snakes
主动轮廓模型与传统检测直线的方法不同。传统检测直线的方法通常是检测边缘，连接这些边缘。主动轮廓模型：受轮廓间的连接性，角点的影响，可得到局部最优的轮廓结构。