《动态轮廓模型技术开发与应用毕业论文(DOC 57页)》由会员分享，可在线阅读，更多相关《动态轮廓模型技术开发与应用毕业论文(DOC 57页)（57页珍藏版）》请在金锄头文库上搜索。
1、动态轮廓模型技术开发与应用毕业论文目 录引 言1第一章概 述21.1 课题概述21.2 软件工具应用环境及实验平台21.3 背景简介2第二章蛇形技术基本理论42.1 蛇形技术简介42.2 蛇形技术的发展52.3 蛇形技术应用72.4 图像研究领域中的“蛇形”技术7第三章传统主动边缘模型93.1 传统的ACM数学模型93.2 传统蛇形技术的算法流程103.3 实验结果11第四章基于梯度向量场的主动边缘模型144.1 基于梯度向量场的ACM数学模型144.2 GVF技术的算法流程174.3 实验结果17第五章实验系统构建说明20致 谢23参考文献24附录1：程式原码25附录2：翻译42引 言在图像
2、处理和计算机视觉中,对场景中物体的分割是非常棘手的问题，往往不能用简单的几何形状描述真实图像中物体对象的轮廓,而是需要用复杂轮廓来表达。动态轮廓模型(Active Contour Model)，又称蛇形(Snake)技术是由Kass, Withkin和Terzopoulos提出的一种动态迭代技术，用于主动寻找场景中的物体边缘轮廓。主动边缘检测技术是图像处理和分析领域中的一项新兴而重要的技术，解决了复杂场景中的物体分割和提取问题，克服了传统的边缘检测算子缺点，对噪声的干扰具有一定的鲁棒性，展现了轮廓边缘检测和物体图像表示的最新方法。此模型同经典方法有很大区别，通过调整相关参数，按动态轮廓局部能量
3、最小的准则，方向性地移动选定的控制点，使其逐步和物体的真实轮廓拟合，从而达到动态迭代的效果，具有相当强的可伸缩性和容错性。主动边缘检测模型可以结合图像分析和机器视觉的相关问题得到不同的解决方法，近些年来，它的理论模型发展很快，不断有新的模型被提出，包括点分布动态模型、梯度向量场动态模型、模糊蛇形技术、基于神经网络的动态轮廓模型及统计动态模型等，这些模型的提出拓宽了ACM的应用领域，弥补了传统ACM处理问题的不足，体现了ACM技术与其他理论良好的兼容性，丰富了图像处理和分析领域的算法研究，有着非常深远的影响。本文就其产生、发展和其中几种模型加以概述，同时采用梯度向量场动态模型的相关算法，在实验的
4、基础上与传统的蛇形技术加以比较，得到了它们的优缺点。自主动边缘的概念提出和模型建立以来，此项技术已经成功用于不同领域中，有着非常大的应用前景。在图像分割和理解研究分析领域中，用于动态图像数据或3D图像数据分析；医学图像分析也是一个非常热门的研究领域，因为组织和器官是自然不规则的，利用ACM对人体的头部的核磁共振图像和检测冠状动脉血管等等图像的边缘进行描述可更清晰的发现病灶；利用ACM对红外遥感图像的分析，可用来进行地形勘测和天气预报。本文利用传统的ACM方法对头部的核磁共振图像进行了动态边缘提取的相关实验，并对其中存在的问题给以一定的讨论和解释。由于时间和本人能力有限，不足之处，恳请各位老师指
5、正。第一章 概 述1.1 课题概述本课题的任务是利用“动态轮廓模型”技术进行主动边缘提取，此模型能够在实时的图像处理和计算机视觉中更加清晰检测到物体的边缘或轮廓，课题利用传统的Snake技术对核磁共振MRI图像进行了边缘提取，同时用梯度向量场方法与传统的Snake技术进行了两个人工形状图像的对比实验，显示出算法的优劣。1.2 软件工具应用环境及实验平台一、软件开发工具由美国Mathworks公司开发的MATLAB语言是一种直译语言，较其他计算机语言可读性更强。其主要功能是做矩阵的数值运算，数值分析、模拟和运算功能也非常强大，而且MATLAB又有很强的平行移植性。它的用户界面也更强大，并有鲜明的
6、特点。现在它广泛用于图像处理，自动控制，语音处理，生物医药工程，信号分析等各个领域。实验采用的平台是MATLAB 6.5。二、操作系统微软视窗系统，如Windows 98, Windows 2000, Windows XP等。1.3 背景简介当今，计算机应用于各个领域，图像处理技术的发展，大大提高了计算机的“视觉”功能。在医学、航空等一些高尖端应用领域，需要对图像中大量难以用肉眼辨别的物体进行相关处理，让计算机真正“看”得到物体，怎样更加清晰的检测到物体的边缘，如何利用计算机区别各种轮廓的物体，如何区别同一物体的不同状态，是其中一项非常重要的课题，也是图像处理与分析领域中的疑难问题。因为轮廓边
7、缘饱含了丰富的内在信息，是图像处理和分析的重要特征之一，从轮廓我们能看出物体的形状，使观察者一目了然，同时还可以区分同一物体的不同状态，让我们辨别物体的真伪，从而可以去伪存真。因此，主动边缘检测技术的提出具有非常重要的学术价值和应用价值，例如，在医学图像处理分析中，ACM能很好的辨别器官是否发生病变。ACM技术从图像和更高层次的处理中提取特征，通过对稀少的数据进行插值，发现可以与原始数据匹配的物体图像轮廓表示，活动轮廓模型从更高层次知识的初始估计开始，使用最优化的方法改进初始估计，它的出现，不仅提高了检测物体边缘的工作效力，节约了工作时间，而且能更加准确地检测出物体的真实边缘，使这项技术更加实
8、用。文章在掌握ACM基本算法的基础上，运用此种技术进行了相关实验，取得了一定的效果。第二章 蛇形技术基本理论2.1 蛇形技术简介蛇形(Snake)技术由KASS等人在1987年第一届计算机视觉国际会议上提出，其特征在于它是一种渐进式的动态迭代的轮廓边缘提取模型，具有蛇形时的动态柔韧性。蛇形技术的处理对象是在图像域内定义的可变形曲线，通过对其能量函数的最小化及变形和调整蛇形的自然形状来匹配特定的对象，从而产生连续平滑的轮廓；也就是说，当模型定义的能量为最小时，Snake表示的模型轮廓与对象物体的真实边缘相吻合。 Snake定义的轮廓是一条参数曲线，它是封闭的。该曲线受到两种假想力，即外力和内力的
9、作用，内力使Snake曲线保持光滑，外力则令Snake曲线向特征目标移动发生变形。Snake曲线的形变过程就是其能量的降低过程，为了从总体上保证能量最低，通常用能和来描述Snake的状态。一般的设计原则是使其在目标特征点处取得最小值(例如梯度)，于是，目标解就是使得Snake曲线能量达到最低的解，即目标函数达到最小值。为了能从总体上保证能量最低，通常用能Eint和Eext 来描述动态曲线的状态，可以根据需要用不同的方式构造能量参数。 从材料学角度而言，更形象地说，Snake模型定义的参数是由两种抽象的弹性材料构成：弦与杆。前者使Snake曲线抵抗韧性，而后者使Snake曲线抵抗弯曲，两者的共同
10、作用就构成了动态曲线的内力，由此可见，Snake曲线的内力决定着轮廓的灵敏性。施加在Snake模型上的外力来自于图像或更高层的处理，如对图像数据的预分析或用户的交互性操作，外力将Snake曲线推离非期望的特征（或拉向期望的特征）。从物理学的角度看，我们可以将图像看作是一个特殊的势位场，这个势位场可能是图像强度或是对比度，也可以从范围数据、用于形状或区域的距离变换和目标场中获取。Snake曲线被放置在这样的势位场中，必然会沿着势位场的不同斜度从高势位下降到低势位，从而使Snake曲线达到一个新的平衡，这也可看作是从物理意义上对它的解释。图2.1显示了Snake曲线动态拟合边界的过程。图2.1 动
11、态轮廓模型Snake技术（a）初始位置 （b）迭代过程位置 （c）收敛位置2.2 蛇形技术的发展Snake技术用于主动边缘检测和拟合自KASS等人在1987年提出至今，被广大学者不断地发展创新，其算法也在被不断的优化。在近几年也不断有新的算法被提出。像点分布动态模型、梯度向量场动态模型、模糊蛇形技术、基于神经网络的动态轮廓模型及统计动态模型等，这些模型大体上可分为参数模型和几何模型两种，这里就其中几种模型分别加以介绍。一、传统模型传统模型的核心思想是一种曲线能量最小化方法，蛇形的能量根据轮廓的形状和其在图形中的位置确定，该能量函数的局部最小值依赖于期望得到的图像性质。它是一种动态规划的方法，在
12、这种方法中，只有一种初始的Snake曲线，可以将自身分成数段，允许那些具有较低能量的段可以沿着它们的切线方向生长，同时具有较高能量的段则被淘汰。该模型有很多的生长阶段，经过每一个生长阶段，各段Snake曲线的能量将会降低(每段的端点将会被吸引到真实的轮廓上)。重复这个过程，Snake的能量将会进一步降低，直到它于真实轮廓相吻合。这种迭代的Snake算法总可以保证收敛，因此它的数值解也是稳定的，它的鲁棒性是通过增加算法的处理费用得到的。二、梯度向量场动态模型 这种模型很好的解决了传统模型的一些不足之处，使这项技术更加完善。该模型利用梯度向量的概念作为边缘迭代的有效参数，边缘处梯度变化剧烈的地方，
13、对轮廓的迭代具有很大的影响；而在物体内部区域则比较平缓，对轮廓的迭代影响不大。因此，此模型有效地减少了参数个数，降低了系统参数对评价函数的影响和干扰，增加了轮廓迭代的准确度，克服了对传统模型对凹陷轮廓检测难以拟合的缺陷。三、点向量模型 点分布模型(Point Distribution Model，简称PDM)是一种状态描述，用于图像中定位相关的形状示例。它是一种强大的形状描述技术，可以用于其它图像中的具有这种形状的新示例的定位。这种模型对于描述具有为人熟知的“一般”形状而又不宜用刚体模型来描述(也就是，具有的示例各不相同)的特征最有用。应用这种方法的成功例子包括电子电阻、人脸以及手骨。这些都有
14、人可以理解并可以简单描述的“形状”属性，但是如果使用基于刚体的模型就不容易描述。相对而言，点分布模型是近期发展和研究的热点，在很短时间内已经有了很大的应用。其方法是假设存在一组M个样本，从中可以得到形状的统计学描述以及它的变化，可认为以写边界表示形状的示例(像数坐标序列)；另外，在每条边界上都选择出数量的标记点，设有N个。这些点的选取对应于所属目标的特征。四、基于神经网络的动态轮廓模型 将动态轮廓模型融入神经网络技术体现了动态模型与神经计算方法良好的适应性和兼容性，模型中有效的利用了神经网络的训练方法，是其曲线的能量函数达到最优解或次优解，更好地控制轮廓点的边缘移动；同时，在现有模型的基础上，
15、融入了神经网络的分类器和Gibbs采样方法提取边缘点，并对控制点的移动方向进行了适当的分类，有效地规划了取样点的运动方向，达到了良好的实验对比效果。五、模糊蛇形模型 在Snake曲线表示和拟合物体区域轮廓的过程中融入不确定性的先验知识便构成了模糊蛇形模型，该模型将控制点拟合的不确定性进行量化，利用相应的产生式规则，巧妙地控制了轮廓区域线段的长度，通过对轮廓曲线分段并行执行，减小了算法执行的时间复杂度。六、动态骨架模型动态估计骨架是表示物体形状的一种有效形式。基于距离变换的骨架求解算法得到的骨架尽管准确光滑，但必须仔细地检查其连续性；而当骨架的结构较为复杂时,这种连续性检查会变得非常困难。动态骨架模型结合Thinning技术和Snake模型，采用了平面二值图像的动态骨架算法。首先利用Thinning技术生成连续且拓扑保持的初始骨架，然后根据Snake模型的思想，将初始骨架引导到正确的位置上。动态骨架算法提取的骨架不仅保持了位置的准确和外形的光滑,同时也解决了骨架的连续性问题。2.3 蛇形技术应用 蛇形技术应用非常广泛，主要包括以下几个方面： 医学领域，检测医
