水平集方法
基于水平集方法和神经网络的人体睡姿识别
基于水平集方法和神经网络的人体睡姿识别 基于水平集方法和神经网络的人体睡姿识别 Ｒｅｃｏｇｎｉｚｉｎｇ ｆｏｒ Ｓｌｅｅｐ Ｐｏｓｔｕｒｅ Ｂａｓｅｄ ｏｎ Ｌｅｖｅｌ Ｓｅｔ Ｍｅｔｈｏｄ ａｎｄ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ 叶荫球 姜太平 张 蕾 （安徽工业大学计算机学院，安徽马鞍山２４３０３２） 摘 要 针对彩色图像提出了一种基于水平集方法和神经网络的人体睡姿识别方法，由目标分割，ＢＰ神经网络识别两部分组 成。首先利用水平集方法分割出图像中人体所在区域，然后使用８Ｐ神经网络方法训练并识别人体睡姿，其中睡姿包括仰 睡、俯睡、左侧睡和右侧睡四种。实验结果表明该方法能够适应较复杂背景的人体睡姿识别，既具有较强的鲁棒性，又能够 达到实时检测的目的。 关键词：睡姿识别，水平集方法，ＢＰ神经网络 Ａｂｓｔｒａｃｔ 、 Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ａ ｓｌｅｅｐ ｐｏｓｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｃｏｌｏｒ ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ｌｅｖｅｌ ｓｅｔ ｍｅｔｈｏｄ ａｎｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ， ｗｈｉｃｈ ｉｓ ｃｏｍｐｏｓｅｄ ｏｆ ｔａｒｇｅｔ ｓｅｇｍｅｎｔａｔｉｏｎ ａｎｄ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｖｅｒｉｆｙｉｎｇ ｉｓ ｐｒｅｓｅｎｔｅｄ．Ｆｉｒｓｔ，ｌｅｖｅｌ ｓｅｔ ｍｅｔｈｏｄ ｉｓ ｕｓｅｄ ｆｏｒ ｓｅｇｍｅｎｔｉｎｇ ｔｈｅ ｂｏｄｙ ｒｅｇｉｏｎ，ａｎｄ ｔｈｅｎ ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｅｔｈｏｄｓ ａｒｅ Ｕｓｅｄ ｆｏｒ ｒｅｃｏｇｎｉｚｉｎｇ ｓｌｅｅｐ ｐｏｓｔｕｒｅｓ ｗｈｉｃｈ ｉｓ ｉｎ— ｃｌｕｄｅ ｓｕｐｉｎｅ，ｐｒｏｎｅ，Ｊｅｆｔ ｓｉｄｅ ａｎｄ ｒｉｇｈｔ ｓｉｄｅ Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈ＇ｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｃａｎ ｄｅｔｅｃｔ ｓｌｅｅｐ ｐｏｓｔｕｒｅｓ ｆｒＯｍ ｃｏｍｐｌｅｘ ｂａｃｋｇｒｏｕｎｄ。ｗｈｉｃｈ ｎｏｔ ｏｎｌｙ ｈａｖｅ ｈｉｇｈｅｒ ｒｏｂｕｓｔｎｅｓｓ，ｂｕｔ。ａｌｓｏ ｉｎ ｒｅａｌ ｔｉｍｅ Ｋｅｙｗｏｒｄｓ：ｓｌｅｅｐ ｐｏｓｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ，ｌｅｖｅｌ ｓｅｔ ｍｅｔｈｏｄ，ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ 人体睡姿识别是计算机视觉与模式识别研究领域的重要组 成部分，针对不同人，特别是体弱多病的人群，采用适当的睡姿 可以预防疾病，可以通过识别睡姿，进行预警等。人体睡姿识别 的应用领域主要包括：智能人机接口（ＨＣ１）的设计与完善、人工 智能、家庭服务机器人的设计与实现、睡姿与健康的关系等。 目前，国内外对于利用计算机视觉与模式识别进行人体睡 姿识别的研究很少，几乎没有一个完整的识别算法。Ｋｉｍ等人是 在分布式环境下检测人体的躺、站、坐等简单动作…，通过自适 应的背景相减得到前景区域，然后用椭圆拟合和Ｏｍｅｇａ曲线 头肩部检测算法检测头部，在任何时刻，所有的摄像机都会进行 全部的底层处理，得到人体的高度，人体位置，头部位置，人体长 宽比和手部的位置，一个专门的模块将负责从每个摄像机处理 的结果进行人的匹配，并选出没有遮挡的处理结果作为行为理 解的观测向量；Ｐａｒｋ等人用多高斯混合模型表示人体５个主要 部分（头、脸、胳膊、躯干和下身）的颜色分布 ］，并用椭圆拟合， Ｋａｌｍａｎ滤波器随时对参数进行更新；Ｌｉｕ等人对坐、站、躺几个 Ｅｌ常最基本的动作做了分析 ］，计算了前景区域每个像素的距 离投影。这些方法只是涉及到一点，对人体睡姿识别这方面深入 的工作还不多见。 本文针对彩色图像中的人体睡姿识别问题，提出了一种将 基于水平集方法 的目标分割和ＢＰ神经网络综合起来的算法。 首先利用水平集方法分割出人体所在位置，然后使用ＢＰ神经 网络进行训练识别，其中睡姿包括仰睡、俯睡、左侧睡和右侧睡 四种。该算法以大量样本的统计训练为依据，具有较强的鲁棒 性，且计算量适中，可以达到实时检测的目的。在实验测试集上， 对睡姿图像的总体识别率达到９４．５％。 １睡姿的定义 睡姿由于个体的外貌差异、动作变化以及图像采集时受光 照、设备等因素的影响，使得睡姿图像具有比较复杂而细致的模 式变化。但是睡姿的自然形体具有很强的共性。本文定义了四种 基本的睡姿：仰睡、俯睡、左侧睡和右侧睡四种。仰睡是指人身体 的正面朝上，背面朝下的一种睡眠姿势；俯睡与仰睡相反，是人的 背面朝上，正面朝下的方式。左侧睡是指人的身体的左侧朝下，右 侧朝上的一种睡眠姿势；右侧睡与左侧睡相反，右侧朝下，左侧朝 上。任何一种复杂的睡姿，都可以归类到这四种基本的睡姿中。 本文采用的人体睡姿识别方法，是指利用计算机对图像中 人的睡姿信息进行目标定位、特征提取，按照人的认识和思维方 式加以归类和理解，进而从睡姿信息中理解人当前的睡眠姿势， 识别的结果是四种基本睡姿中的一种。 ２睡姿识别算法的总体框架 本文提出的人体睡姿识别算法按照“分割一训练匹配”的模 式，将基于水平集方法的分割与基于神经网络的识别结合起来， 算法的流程如图１所示，由两个步骤构成： （１）基于水平集方法的分割 为了尽可能精确地分割图片中人体所在区域，我们没有采 用基于阈值的分割方法、基于边缘的分割方法和基于区域的分 割方法等传统的分割方法。基于阈值的分割方法虽然简单，但阈 值的选取很大程度上影响图像分割效果，分割结果对噪声很敏 感。边缘检测算子中，Ｒｏｂｅｒｔｓ算法定位比较准确，但由于不包 括平滑，所以对噪声比较敏感；Ｐｒｅｗｉｔｔ算子是平均滤波的一阶 算子，对灰度渐变低噪声的图像有较好的检测效果但对混合噪 声的图像处理效果不理想；Ｃａｎｎｙ算子嘲对边缘的提取比较完 整，但是提取出来的边缘噪点较多。在基于区域的分割方法中， 种子区域生长法其分割结果与种子点的选择有很大关系，很容 易产生过图像过分割现象；分水岭算法＿６ 微弱的边缘有着良好 的反应，但图像中的噪音会使分水岭算法产生过分割现象。所 以，本文采用了活动轮廓模型中的水平集方法对睡姿图像进行 分割。水平集方法可以在笛卡尔网格上对演化中的曲线（面）进 行数值计算，而不必对曲线（面）进行参数化，其遵循的是欧拉框 架，计算过程是在固定网格上进行。水平集方法可以方便地处理 演化曲线（面）的拓扑结构改变，因此可以解决曲线参数化所带 来的问题，对睡姿图像的分割具有优良的性能。
一种基于水平集的lod2建筑物模型构建方法
一种基于水平集的lod2建筑物模型构建方法
一、啥是lod2建筑物模型呢？
lod2建筑物模型啊，就像是给建筑物做一个特别的数字画像。它不是那种特别简单的几笔勾勒，也不是超级复杂到让人眼花缭乱的那种。它有着恰到好处的细节，可以在很多场景里派上用场呢。比如说在城市规划的虚拟展示里，或者是一些建筑设计的初步评估里。想象一下，就像你要给一个好朋友描述一个建筑物，你不会说得太简单让他啥都想象不出来，也不会说得太啰嗦让他听得晕头转向，lod2就是这么一个刚刚好的状态。
二、水平集又是啥玩意儿？
水平集这个概念啊，刚开始接触的时候感觉就像一团迷雾。其实简单说呢，它是一种处理形状的超酷方法。就好像你有一块神奇的橡皮泥，你可以通过一些特殊的规则去改变它的形状。在构建lod2建筑物模型的时候，水平集就像是一把特别的雕刻刀。它可以根据我们设定的一些条件，把建筑物的形状一点一点地“雕刻”出来。比如说，我们想要这个建筑物有特定的棱角，或者有平滑的曲线，水平集就能帮我们搞定。
三、基于水平集构建lod2建筑物模型的好处。
1. 准确性高。
用水平集构建出来的模型啊，就像是按照精确的蓝图打造出来的一样。它不会有那种看起来很别扭的地方，每个部分都很贴合实际的建筑应该有的样子。这就好比你做手工的时候，每一个小零件都严丝合缝，最后的成品肯定超级精致。
2. 灵活性强。
这种方法不是那种死板的方法哦。我们可以根据不同的需求去调整构建的过程。就像你搭积木，你可以按照自己的想法改变积木的组合方式。如果我们想要在模型里突出建筑物的某个部分，或者简化某个部分，水平集都能轻松应对。 3. 容易修改。
万一我们在构建的过程中发现了错误或者想要做一些调整，水平集就像是一个很贴心的小助手。我们不需要把整个模型推倒重来，只要按照一定的规则去修改就好了。这就像你画画的时候，画错了一笔，不需要重新画一幅画，只需要巧妙地修改那一笔就可以了。
四、构建的步骤。
DRLSE水平集算法总结
DRLSE⽔平集算法总结
背景：Level Set⽅法是美国数学家Osher(加州⼤学洛杉矶分校)和Sethian(加州⼤学伯克利分校)合作提出的。后者因为对Level Set的贡献获得了去年美国数学会与⼯业应⽤数学会联合颁发的维纳奖。遗憾的是这两位Level Set的开创者现在正为争夺Level Set的名誉⽽对簿公堂。Level Set⽅法是他们在98年⽂章"Front Propagation with Curvature Depedent Speed: Algorithms Based on Hamilton-JacobiFormulation"中第提出的。这个⽅法提出以后被成功地应⽤于流体⼒学，计算机图形学，材料科学等领域。应⽤于图像处理和计算机视觉始于93年Caselles等⼈和95年Malladi等⼈的两篇著名⽂章。他们⽤Level Set来表⽰Snakes，想法很简单：⼀个平⾯上的曲线可以表⽰成⼀个⼆元函数z=f(x,y)的零点集合（Zero Level Set），既这个⼆元函数z=f(x,y)所表⽰的三维曲⾯与xy平⾯的交线。更⼀般地，任何N维曲⾯都可以表⽰为⼀个N+1维曲⾯与⼀个N维超平⾯的交集，或称为N+1维曲⾯在⼀个N维超平⾯上的投影。相对最早的Snake（⽤参数化的曲线，所以也叫parametric active contour)，⽤level set表⽰的活动曲线叫着Geometric Active Contours。
⽤⼆维曲⾯与⼆维平⾯的交线表⽰曲线，这在微积分甚⾄中学数学⾥都是很平凡的。但是，当我们要描述曲线运动的时候，⽤LevelSet表⽰曲线就有很明显的优点。⽐如说，⼏条曲线在运动中merge成⼀条曲线，或⼀条曲线分裂成⼏条曲线，这样的拓扑变化是不可能表⽰成⼀条连续的参数化曲线的运动。原因很简单，⼀条连续的参数化曲线是⽤⼀个⼀元连续函数来卞表⽰的，它显然不能表⽰⼏条分开的曲线（这与连续性⽭盾）。
水平集方法中符号距离函数的快速生成
１８０ ２００９，４５（３４） Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用
水平集方法中符号距离函数的快速生成
董吉文，杨海英，张冰
ＤＯＮＧ Ｊｉ—ｗｅｎ，ＹＡＮＧ Ｈａｉ—ｙｉｎｇ，ＺＨＡＮＧ Ｂｉｎｇ
济南大学信息科学与工程学院，济南２５００２２
Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｊｉｎａｎ，Ｊｉｎａｎ ２５００２２，Ｃｈｉｎａ
Ｅ—ｍａｉｌ：ｙｈｙａｎｇｅｌ＠ｓｉｎａ．ｃｏｒｎ
ＤＯＮＧ Ｊｉ－ｗｅｎ，ＹＡＮＧ Ｈａｉ—ｙｉｎｇ，ＺＨＡＮＧ Ｂｉｎｇ．Ｆａｓｔ ｇｅｎｅｒａｔｉｏｎ ｏｆ ｓｉｇｎｅｄ ｄｉｓｔａｎｃｅ ｆｕｎｃｔｉｏｎ ｉｎ ｌｅｖｅｌ ｓｅｔ ｍｅｔｈｏｄ．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ，２００９，４５（３４）：１８０－１８２．
Ａｂｓｔｒａｃｔ：Ｔｈｅ ａｃｃｕｒａｔｅ ａｎｄ ｆａｓｔ ｇｅｎｅｒａｔｉｏｎ ｏｆ Ｓｉｇｎｅｄ Ｄｉｓｔａｎｃｅ Ｆｕｎｃｔｉｏｎ（ＳＤＦ）ｉｓ ｉｍｐｏｒｔａｎｔ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｅｆｆｉｃｉｅｎｃｙ ａｎｄ ｓｔａｂｉｌｉ—
ｔｙ ｏｆ ｌｅｖｅｌ ｓｅｔ ｍｅｔｈｏｄ．Ａ ｆａｓｔ ｍｅｔｈｏｄ ｔｏ ｄｅｔｅｒｍｉｎｅ ｗｈｅｔｈｅｒ ｄｏｔ ｉｓ ｉｎ ｏｕｔｓｉｄｅ ｏｒ ｉｎｓｉｄｅ ｏｆ ａｎｙ ｃｌｏｓｅ ＣＨＩＶｅ ｉｍｐｒｏｖｅｄ ｆｒｏｍ ｆａｓｔ
ｍａｒｃｈｉｎｇ ｍｅｔｈｏｄ ｉｓ ｐｒｏｐｏｓｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ．Ａｎｄ ａｔ ｔｈｅ ｓａｍｅ ｔｉｍｅ，ｔｈｅ ｐａｐｅｒ ａｄｄｒｅｓｓｅｓ ａｎ ｏｐｔｉｍｉｚｅｄ ｍｅｔｈｏｄ ｏｆ Ｖｏｒｏｎｏｉ ｓｏｕｒｃｅ
ｓｃａｎｎｉｎｇ ｍｅｔｈｏｄ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔ ｓｈｏｗｓ ｔｈａｔ ｔｗｏ ｍｅｔｈｏｄｓ ｉｓ ｅｆｆｅｃｔｉｖｅ ａｎｄ ｔｈｅ ｓｐｅｅｄ ｏｆ ｇｅｎｅｒａｔｉｏｎ ｏｆ ＳＤＦ ｉｓ ｉｍｐｒｏｖｅｄ ｆｕｒｔｈｅｒ． Ｋｅｙ ｗｏｒｄｓ：ｌｅｖｅｌ ｓｅｔ ｍｅｔｈｏｄｓ；Ｓｉｇｎｅｄ Ｄｉｓｔａｎｃｅ Ｆｕｎｃｔｉｏｎ（ＳＤＦ）；ｆａｓｔ ｍａｒｃｈｉｎｇ ｍｅｔｈｏｄ；Ｖｏｒｏｎｏｉ ｓｏｕｒｃｅ ｓｃａｎｎｉｎｇ ｍｅｔｈｏｄ
自适应水平集方法乳腺超声肿块分割应用
第３０卷第１２期 ２０１３年１２月 计算机应用研究 Ａｐｐｌｉｃａｔｉｏｎ Ｒｅｓｅａｒｃｈ ｏｆ Ｃｏｍｐｕｔｅｒｓ Ｖ０１．３０ Ｎｏ．１２ Ｄｅｃ．２０１３
自适应水平集方法乳腺超声肿块分割应用 术
杨谊 ，申 洪
（南方医科大学ａ．生物医学工程学院；ｂ．基础医学院病理教研室附属南方医院病理科，广州５１０５１５）
摘要：针对超声成像固有的噪声大、伪影斑点多、对比度低等特点，在利用ＣＶ和ＬＢＦ模型优点的基础上，融
合了动态变化制导的全局信息和局部信息，在能量泛函演化过程中，全局信息项和局部信息项的权重系数实时
变化调整。实验结果表明，与两种已有模型相比，该方法能够较好地处理灰度非匀质乳腺超声图像的肿块病灶
分割问题，分割准确性和病灶边缘细节处理更好，分割速度较快，临床适用性更强。
关键词：自适应水平集方法；乳腺超声图像；肿块分割
中图分类号：ＴＰ３９１．４ 文献标志码：Ａ 文章编号：１００１—３６９５（２０１３）１２—３８４０．０４
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－３６９５．２０１３．１２．０８５
Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ａｕｔｏ—ｆｉｔｔｉｎｇ ｌｅｖｅｌ ｓｅｔ ｍｅｔｈｏｄ ｉｎ ｌｅｓｉｏｎ
ｓｅｇｍｅｎｔａｔｉｏｎ ｏｆ ｂｒｅａｓｔ ｕｌｔｒａｓｏｕｎｄ ｉｍａｇｅｓ
ＹＡＮＧ Ｙｉ ，ＳＨＥＮ Ｈｏｎｇ
（ａ．Ｓｃｈｏｏｌ ｏｆ Ｂｉｏｍｅｄｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，ｂ．Ｄｅｐｔ．ｏｆ Ｐａｔｈｏｌｏｇｙ ｏｆ Ｓｕｂｓｉｄｉａｒｙ Ｓｏｕｔｈｅｒｎ Ｈｏｓｐｉｔａｌ，Ｐａｔｈｏｌｏｇｉｃａｌ Ｓｔａｆｆ Ｒｏｏｍ，Ｓｃｈｏｏｌ ｏｆ Ｂａｓｉｃ Ｍｅｄｉ－
ｃｉｎｅ，Ｓｏｕｔｈｅｒｎ Ｍｅｄｉｃａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｇｕａｎｇｚｈｏｕ ５１０５１５。Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔａｋｉｎｇ ｕｌｔｒａｓｏｕｎｄ ｉｍａｇｅｓ ｐｒｏｐｅｒｔｉｅｓ（ｈｉｇｈ ｎｏｉｓｅｓ，ｃｏｎｓｔｒｕｃｔｅｄ ｄｅｆｅｃｔｓ ａｎｄ ｌｏｗ ＳＮＲ）ｉｎｔｏ ｃｏｎｓｉｄｅｒａｔｉｏｎ，ｂａｓｅｄ ｏｎ ＣＶ ｍｏｄｅｌ ａｎｄ ＬＢＦ ｍｏｄｅｌ，ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａ ｒｅｖｉｓｅｄ ｍｅｔｈｏｄ ｉｎ ｗｈｉｃｈ ｂｏｔｈ ｇｌｏｂａｌ ａｎｄ ｌｏｃａｌ ｉｍａｇｅ ｉｎｆｏｒｍａｔｉｏｎ，ｗｈｏｓｅ ｗｅｉｇｈｔｓ ｖａｒｉｅｄ ｄｕｒｉｎｇ ｔｈｅ ｐｒｏｃｅｓｓ，ｗｅｒｅ ｉｎｔｅｇｒａｔｅｄ ｔｏ ｔｈｅ ｄｉｒｅｃｔ ｅｖｏｌｕｔｉｏｎ ｏｆ ｌｅｖｅｌ ｓｅｔ．Ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｐｒｏ— ｐｏｓｅｄ ｍｅｔｈｏｄ ｂｅｈａｖｅｓ ｂｅｔｔｅｒ ｔｈａｎ ＣＶ ｍｏｄｅｌ ａｎｄ ＬＢＦ ｍｏｄｅｌ ｉｎ ｄｅａｌｉｎｇ ｗｉｔｈ ｌｅｓｉｏｎ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｎ ｂｒｅａｓｔ ｕｌｔｒａｓｏｕｎｄ ｉｍａｇｅｓ， ｗｉｔｈ ｈｉｇｈｅｒ ａｃｃｕｒａｃｙ，ｂｅｔｔｅｒ ｄｅｔａｉｌ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ，ａｎｄ ｌｅｓｓ ｔｉｍｅ ｃｏｎｓｕｍｉｎｇ，ｗｈｉｃｈ ｍａｋｅ ｉｔ ｍｏｒｅ ａｐｐｌｉｃａｂｌｅ ｆｏｒ ｃｌｉｎｉｃａｌ ｕｓｅ． Ｋｅｙ ｗｏｒｄｓ：ａｕｔｏ—ｆｉｔｔｉｎｇ ｌｅｖｅｌ ｓｅｔ；ｂｒｅａｓｔ ｕｌｔｒａｓｏｕｎｄ ｉｍａｇｅ；ｌｅｓｉｏｎ ｓｅｇｍｅｎｔａｔｉｏｎ
基于自适应水平集方法的运动目标跟踪
第３７卷第３期 ２０１０年３月 计算机科学 Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ Ｖｏ１．３７ Ｎｏ．３ Ｍａｒ ２０１０
基于自适应水平集方法的运动目标跟踪
王威 陈益稳。王润生
（海军航空工程学院青岛分院 青岛２６６０４１） （国防科技大学ＡＴＲ重点实验室 长沙４１００７３）。
摘要在对复杂背景条件下的非刚体目标进行跟踪时，水平集方法是一种非常有效的方法。针对水平集的初始化
问题，提出了一种自适应初始化的水平集方法。首先采用粒子滤波对ｌｆｌ标进行跟踪，得到运动目标的粗外接矩形轮
廓；然后以外接矩形轮廓的质心为基础进行水平集曲线演化，求取目标的精确轮廓信息，并将轮廓的提取结果反馈到 跟踪框架中；最后，动态更新参考模板，以改进似然函数。实验结果表明，本方法能够适应非刚体目标在运动中的自由
变化，使得跟踪更加精确。
关键词粒子滤波，水平集，运动目标跟踪，初始化 中图法分类号ＴＰ３９１ 文献标识码Ａ
Ｍｏｖｉｎｇ Ｔａｒｇｅｔｓ Ｔｒａｃｋｉｎｇ Ｂａｓｅｄ ｏｎ Ａｄａｐｔｉｖｅ Ｌｅｖｅｌ Ｓｅｔ Ａｌｇｏｒｉｔｈｍ
ＷＡＮＧ Ｗｅｉ ， ＣＨＥＮ Ｙｉ－ｗｅ￣ＷＡＮＧ Ｒｕｎ－ｓｈｅｎｇ２
（Ｑｉｎｇｄａｏ Ｂｒａｎｃｈ ｏｆ Ｎａｖａｌ Ａｅｒｏｎａｕｔｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｉｎｓｔｉｔｕｔｅ，Ｑｉｎｇｄａｏ ２６６０４１，Ｃｈｉｎａ） （ＡＴＲ Ｋｅｙ Ｌａｂ．。Ｎａｔｉｏｎａｌ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｄｅｆｅｎｓｅ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ ４１００７３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ Ｌｅｖｅｌ ｓｅｔ ａｌｇｏｒｉｔｈｍ ｉｓ ａｎ ｅｆｆｅｃｔｕａｌ ａｌｇｏｒｉｔｈｍ ｗｈｅｎ ｔｒａｃｋｉｎｇ ｔｈｅ ｎｏｎｒｉｇｉｄ ｍｏｖｉｎｇ ｔａｒｇｅｔｓ ｏｎ ｃｏｍｐｌｉｃａｔｅｄ ｃｏｎｄｉ—
ｔｉｏｎｓ．Ａｎ ａｄａｐｔｉｖｅ ａｌｇｏｒｉｔｈｍ ｗａｓ ｐｒｏｐｏｓｅｄ ｔｏ ｓｏｌｖｅ ｔｈｅ ｉｎｉｔｉａｌｉｚａｔｉｏｎ ｐｒｏｂｌｅｍ ｏｆ ｌｅｖｅｌ ｓｅｔ．Ｆｉｒｓｔｌｙ，ｔｈｅ ｐａｒｔｉｃｌｅ ｆｉｌｔｅｒ ａｌｇｏ—
图像分割水平集方法
图像分割水平集方法
图像分割是计算机视觉中的重要任务之一，它旨在将一幅图像分割成若干个具有相似特征的区域。水平集方法是一种常用的图像分割方法，它通过曲线演化的方式来实现分割过程。本文将介绍图像分割的基本概念，并详细介绍水平集方法的原理及应用。
一、图像分割的基本概念
图像分割是指将一幅图像划分成若干个区域，使得每个区域内的像素具有相似的属性。图像分割在计算机视觉中具有广泛的应用，如目标检测、边缘提取、图像识别等。常用的图像分割方法包括基于阈值、基于边缘和基于区域的方法。
基于阈值的图像分割方法是指通过设定一定的阈值，将图像中像素的灰度值与阈值进行比较，将灰度值大于或小于阈值的像素分别划分到不同的区域。这种方法简单快速，适用于对比度较明显的图像分割任务。
基于边缘的图像分割方法是指通过检测图像中的边缘信息来进行分割。边缘是指图像中颜色、亮度等属性发生突变的位置。常用的边缘检测算法包括Sobel、Canny等，通过提取图像中的边缘信息，可以将图像划分成若干个相邻的区域。
基于区域的图像分割方法是指将图像中的像素根据其属性进行区域合并或划分。这种方法通常包括生长式算法、切割式算法等。生长式算法从种子点出发，逐步将与其相邻且具有相似属性的像素合并到同一区域；切割式算法通过对图像进行分割树构建，然后再进行自底向上的切割操作。
二、水平集方法的原理
水平集方法是一种基于曲线演化的图像分割方法，它通过对图像中的曲线进行演化，并利用曲率等特征来进行分割。水平集方法常用的表达形式是一个函数，称为水平集函数，它可以表示曲线或曲面在图像中的变化。
水平集方法的核心思想是对水平集函数进行演化，使其能够逐渐收敛到目标分割结果。演化过程中，水平集函数会受到图像梯度、曲率等信息的作用，从而逐渐改变其形状，并最终达到分割的目标。
水平集方法的演化过程通常由以下几个步骤组成：
1. 初始化水平集函数：通过设定起始曲线或曲面来初始化水平集函数，起始曲线通常在图像中具有明显的特征。
水平集方法确定圆的法线
水平集方法确定圆的法线
水平集方法是一种常用的图像处理方法，它可以用来确定圆的法线。圆是一种非常基本的几何图形，它在很多领域都有着广泛的应用，比如在计算机视觉、机器人技术、医学影像等领域。确定圆的法线是圆的基本属性之一，它可以用来描述圆的方向和曲率，对于圆的识别和分析具有重要的意义。
水平集方法是一种基于偏微分方程的图像处理方法，它可以将图像中的边界和轮廓提取出来，并对其进行分割和重建。在确定圆的法线时，我们可以利用水平集方法来提取圆的轮廓，并通过计算圆的曲率来确定圆的法线。
具体来说，我们可以将圆的轮廓表示为一个水平集函数，即：
φ(x,y) = (x-x0)² + (y-y0)² - r²
其中，(x0,y0)为圆心坐标，r为半径。这个函数的零水平集就是圆的轮廓，我们可以通过对这个函数进行偏微分方程求解来得到圆的法线。
偏微分方程的求解过程可以通过数值方法来实现，比如有限差分法、有限元法等。在求解过程中，我们需要对圆的轮廓进行离散化处理，将其表示为一个网格化的图像。然后，我们可以通过对网格点进行偏微分方程求解来得到圆的法线。
通过水平集方法确定圆的法线可以应用于很多领域，比如在医学影像中可以用来识别和分析肿瘤的形状和位置，对于机器人技术中的路径规划和避障也有着重要的意义。同时，水平集方法也可以用来处理其他形状的图像，比如矩形、椭圆等。
水平集方法是一种非常有用的图像处理方法，它可以用来确定圆的法线，对于圆的识别和分析具有重要的意义。在实际应用中，我们可以根据具体的需求和场景选择合适的数值方法和算法来实现圆的法线确定。
基于水平集方法的多源遥感数据融合及城区道路提取
第２９卷第６期
２００７年６月 电子与信息学报
Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃｓ＆Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｖｌ０１．２９ＮＯ．６
Ｊｕｎ．２００７
基于水平集方法的多源遥感数据融合及城区道路提取
曹广真 金亚秋
ｆ复旦大学波散射和遥感信息国家教育部重点实验室上海２００４３３）
摘要：该文发展了一种将多光谱遥感图像和雷达遥感图像进行特征融合，实现城区道路半自动提取的方法。通过
水平集（Ｌｅｖｅｌ Ｓｅｔ，ＬＳ）快速行进（Ｆａｓｔ Ｍａｒｃｈｉｎｇ，ＦＭ）算法中的速度函数，将道路在多光谱图像中的光谱和纹理特
征与其在雷达图像中后向散射和空间自相关尺度相结合。雷达图像中的道路信息弥补了多光谱图像中城市道路受高
大建筑物、植被等地物阴影的覆盖而使图像容易断裂的缺点，而多光谱图像的道路信息则有助于降低雷达图像中噪
声的干扰以及线性水体与道路的混淆。该文方法分别用于上海市不同区域、不同分辨率、不同极化方式的卫星遥感
雷达图像（ＥＲＳ一２，Ｒａｄａｒｓａｔ一１ ＳＡＲ）与陆地卫星多光谱图像（Ｌａｎｄｓａｔ ＥＴＭ＋）的融合，进行道路信息的提取，取得
了较好的效果。
关键词：多光谱图像；雷达图像；水平集方法；道路提取
中图分类号：ＴＰ７５１ 文献标识码：Ａ 文章编号：１００９—５８９６（２００７）０６－１４６４—０７
Ｄａｔａ Ｆｕｓｉｏｎ ｏｆ Ｍｕｌｔｉ－ｓｏｕｒｃｅ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｂａｓｅｄ ｏｎ Ｌｅｖｅｌ Ｓｅｔ Ｍｅｔｈｏｄ
ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ ｔｏ Ｕｒｂａｎ Ｒｏａｄ Ｅｘｔｒａｃｔｉｏｎ
Ｃａｏ Ｇｕａｎｇ—ｚｈｅｎ Ｊｉｎ Ｙａ－ｑｉｕ
（Ｔｈｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ，０ｒ Ｗａｖｅ Ｓｃａｔｔｅｒｉｎｇ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ（Ｍｉｎｉｓｔｒｙ Ｅｄｕｃａｔｉｏｎ），
Ｆｕｄａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２００４３３，Ｃｈｉｎａ）
Level Set
龙源期刊网
Level Set方法在雷达图像分割中的应用
作者：王顺磊 韩 雷 李晶晶
来源：《现代电子技术》2010年第05期
摘 要:Level Set方法在图像分割领域应用非常广泛,尤其是在医学图像中。这里将Level Set方法用到雷达图像分割中,首先用电场力模型对雷达图像进行预处理,使图像变平滑,将原图像平面映射到电场力模型平面,然后对预处理后的图像用Level Set的快速算法Fast Marching进行分割。经电场力模型预处理后的分割图像较平滑,而且噪点明显减少,实验证明了方法的有效性。
关键词:水平集;Fast Marching方法;雷达图像分割;电场力模型
中图分类号:TN957.52文献标识码:A
文章编号:1004-373X(2010)05-064-02
Application of Level Set on Radar Image Segmentation
WANG Shunlei,HAN Lei,LI Jingjing
(School of Information Science and Engineering,Ocean University of
China,Qingdao,266100,China)
Abstract:Level Set method is widely used in image segmentation,especially in the medical
field.Level Set Method is used in radar image segmentation.First,electric field force model is used to
preprocess the radar image to make it smooth.In this way,the original image plane is mapped to the