导读:本文包含了活动轮廓模型论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:轮廓,模型,图像,函数,效率,余弦,相似性。
活动轮廓模型论文文献综述
严俊潇,唐利明[1]（2019）在《基于余弦拟合和变指数的p-Laplace正则化的活动轮廓模型》一文中研究指出利用余弦拟合能量作为传统活动轮廓模型的数据拟合能量项,并结合变指数的p-Laplace方程,提出了一种新的基于区域的活动轮廓图像分割模型.该模型可以分割复杂图像,变指数的p-Laplace函数可以有效的处理有复杂拓扑变换的图像和准确的提取目标边界.试验结果表明,该模型能够快速准确地分割复杂图像,并且对噪声有一定的鲁棒性和对轮廓的初始位置不敏感.(本文来源于《湖北民族学院学报(自然科学版)》期刊2019年04期）
魏金金[2]（2019）在《引入秩逼近函数的群相似性活动轮廓模型》一文中研究指出为了稳健处理序列图像中相似形状目标的提取问题,将一个比核范数更近似的光滑逼近函数引入群相似性活动轮廓(active contours with group similarity,ACGS)能量泛函模型,给出了求解该模型的优化算法,进行了仿真实验。结果表明:与传统的C-V(Chan-Vese)模型和ACGS模型相比,该优化算法能很好地保持序列图像中演化曲线的形状相似性。(本文来源于《新乡学院学报》期刊2019年09期）
王雪娜,东野长磊[3]（2019）在《几种经典活动轮廓图像分割模型综述》一文中研究指出图像分割是将图像进行特征提取的关键技术。图像分割算法研究成果较多,活动轮廓模型是图像分割获取边缘信息的重要方法。阐述了几种经典的活动轮廓方法,通过大量仿真实验对几种方法进行比较,指出现阶段图像分割遇到的问题并展望其研究趋势。(本文来源于《软件导刊》期刊2019年09期）
董飞,马源源[4]（2019）在《基于改进活动轮廓模型的图像分割》一文中研究指出图像分割是图像研究领域的一个热点问题,当前图像分割方法难以准确、快速实现分割,经常出现"过分割"或者"欠分割"的现象,错误概率高。为此提出了基于改进活动轮廓模型的图像分割方法。首先对当前图像分割的研究进展进行分析,找到引起图像分割不足的原因,然后引入活动轮廓模型对图像进行分割,并针对传统活动轮廓模型存在的局限性,对其进行相应的改进,以获得更优的图像分割效果,最后与其它图像分割方法在相同环境进行仿真对比实验,以验证改进活动轮廓模型的优越性。结果表明,改进活动轮廓模型可以对各种图像进行高精度的分割,分割区域十分完整,而且对噪声的鲁棒性要明显优于当前其它图像分割方法,是一种精度高、速度快的图像分割方法,为后续图像处理打了良好的基础。(本文来源于《微型电脑应用》期刊2019年08期）
邓丹君,倪波[5]（2019）在《结合全局和局部信息的区域相似度活动轮廓模型》一文中研究指出基于全局信息的CV(Chan-Vese)模型不能有效分割灰度不均匀的图像,而图像局部信息更能反映目标图像的特征。在CV模型的基础上融入目标的局部信息,并在目标函数中使用相对熵度量最小化轮廓内外区域的相似度,以提高图像分割准确度和抑制图像噪声。实验结果表明,此方法能够提高图像中灰度分布不均匀区域的目标分割精度,加快了收敛速度,并能准确定位目标对象的轮廓位置。(本文来源于《湖北理工学院学报》期刊2019年04期）
颜建军,徐姿,郭睿,蒯智杰,王忆勤[6]（2019）在《基于力场活动轮廓模型的舌图像分割研究》一文中研究指出目的:针对现有舌图像分割方法复杂耗时的问题,文章提出一种基于力场活动轮廓模型的舌图像分割方法。方法:基于轮廓点之间的拉力、斥力以及来自边缘点的吸引力,建立力场活动轮廓模型,进行舌图像的分割。结果:提出的舌图像分割方法不仅能够较好地降低图像内噪声点对轮廓变形的影响,而且能够较准确地提取舌体轮廓,取得了较为满意的舌体分割结果。结论:基于力场活动轮廓模型的舌图像分割方法较好地进行舌图像的分割,对舌诊客观化具有一定实用价值和借鉴意义。(本文来源于《中华中医药杂志》期刊2019年08期）
李鸿雁,唐娴[7]（2019）在《聚类分析和活动轮廓模型相融合的图像分割算法》一文中研究指出针对当前图像分割算法存在的分割误差大、分割时间长及无法进行在线图像分割的不足,提出一种基于聚类分析和活动轮廓模型相融合的图像分割算法.首先,对原始图像进行去噪处理,采用聚类分析算法对原始图像进行粗分割,将粗分割结果作为活动轮廓模型的初始轮廓线;其次,将活动轮廓模型根据初始轮廓线对图像不同区域轮廓进行拟合,实现图像的精细分割;最后与聚类分析算法、活动轮廓模型以及当前经典图像分割算法进行对比测试实验.实验结果表明,本文算法克服了当前图像分割算法存在的缺陷,提高了图像分割效率和精度,对噪声不敏感,并具有较强的鲁棒性,图像整体分割效果显着优于对比算法.(本文来源于《吉林大学学报(理学版)》期刊2019年04期）
余佳佳[8]（2019）在《结合分数阶微分和活动轮廓模型的图像分割方法研究》一文中研究指出图像分割是将给定的图像根据其特征分割成不同的区域,从背景中提取感兴趣的目标。在图像分割领域中,基于几何活动轮廓模型的图像分割方法一直是最活跃的研究热点之一。本文主要是分别对两个基于局部区域的活动轮廓模型展开研究,特别是对含弱边缘、弱纹理区域及复杂结构图像进行分割时存在的问题,提出相关的改进算法。详细的研究工作内容介绍如下:1.局部图像拟合(Local Image Fitting,LIF)模型是利用图像局部信息来建立的能量泛函,缺乏全局信息,因此该模型在分割含弱边缘及弱纹理区域的图像时,对初始轮廓曲线选取的要求较高,且对噪声的鲁棒性也不好。加权全局图像拟合(Weight Global Image Fitting,简称WGIF)模型通过引入加权全局的拟合图像与原图的差异性得到能量泛函,缺乏局部信息。针对LIF模型存在的问题,提出了一种融合全局分数阶微分的WGIF模型和LIF模型的图像分割算法。图像全局信息的分数阶微分梯度拟合力和局部图像的灰度拟合力构成了改进算法中演化曲线的驱动力,增强了演化曲线的驱动力,驱使演化曲线不断向目标轮廓运动。通过理论分析和实验结果均得到,提出的模型对弱边缘及弱纹理图像能得到有效的分割结果,且降低了对演化曲线初始轮廓选取的要求,也提高了对噪声的鲁棒性。2.局部高斯分布拟合能量(Local Gaussian Distribution Fitting,LGDF)模型是利用均值和方差的高斯分布统计信息对局部图像灰度分布进行描述,相比于区域可调拟合(region scalable fitting,RSF)模型和LIF模型,该模型对灰度不均匀图像、噪声图像及相对复杂图像都能实现更好的分割结果。但该模型缺乏全局信息,对初始轮廓曲线选取较敏感,特别在分割弱边缘和弱纹理区域的图像时,可能出现局部最优解的情况,且对噪声的鲁棒性较差,导致分割失败。为了提高LGDF模型的分割性能,在局部拟合项的LGDF模型中融合全局的Grümwald-Letnikov(G-L)分数阶梯度拟合项,能增强弱边缘和弱纹理区域的梯度信息,从而提高对初始轮廓曲线和噪声的鲁棒性;采用自适应权重函数确定全局项和局部项的系数,提高对灰度不均匀图像的分割效率和精度;利用图像的对比度、信息熵和梯度模值构建自适应分数阶阶次的数学模型,提高分割效率。提出的模型增强了对初始轮廓曲线和噪声的鲁棒性,对灰度不均匀图像的分割精度和效率都有所提高。(本文来源于《南昌航空大学》期刊2019-06-01）
孟宇婷[9]（2019）在《基于自适应活动轮廓模型的医学图像分割研究》一文中研究指出随着医学成像技术的快速发展,计算机辅助诊断系统成为当今医生诊断的重要辅助工具,计算机辅助诊断系统中的重要环节为图像分割,图像分割的准确与否关乎到后期对病灶区域的诊断是否正确。针对医学图像的特点,图像分割算法中的活动轮廓模型成为当今学者的研究重点,原因在于活动轮廓模型引入水平集函数,能够灵活处理医学图像复杂的拓扑结构变化,且数值计算较为简单。本文对活动轮廓模型在处理医学图像的问题上做了详细的研究,主要研究内容如下:首先本文介绍了活动轮廓模型涉及到的相关基础理论知识,重点介绍了经典活动轮廓模型CV模型,针对CV模型在分割医学图像上存在的缺点,如不能准确分割灰度不均匀图像,对医学图像的噪声鲁棒性不强等缺点,对其进行改进。改进如下:针对CV模型中权重系数往往被人忽视的问题,本文引入图像熵作为CV模型的自适应权重,通过自适应计算区域内外的灰度信息变化情况,驱动拟合曲线移动到目标边界,从而避免先验参数对分割结果的影响,最终提高模型在分割灰度不均匀图像上的运行速率和分割准确度;在此基础上改进长度项,在长度项中添加边界信息,边界指示函数能吸引曲线向边界靠近,提高分割弱边界的准确度。为了提高模型对多重噪声的鲁棒性,在模型中加入新的拟合项,构造新的能量泛函。最后通过实验对比分析,改进后的模型相比于CV模型在很大程度上提高了医学图像的分割准确率同时提高了抗噪性。针对传统模型能量泛函单一,在分割图像时对背景复杂和多目标的图像分割效率低等问题,本文以LGIF模型为基础,对LGIF模型进行优化改进,首先在此基础上加入自适应函数,通过计算区域内像素的统计特性,改变全局拟合项和局部拟合项在曲线拟合目标边界过程中所占比重大小,自适应驱动曲线向目标边界靠近,同时调整演化速率。其次加入边缘指示函数,最后通过实验对比分析CV模型、LBF模型、LGIF模型、本文改进模型对医学图像的分割结果,实验证明改进后的模型不仅对初始轮廓具有鲁棒性,而且能够分割灰度不均匀图像,同时提高了模型的运行效率。(本文来源于《贵州大学》期刊2019-06-01）
段亚西[10]（2019）在《基于区域活动轮廓模型的图像分割方法研究》一文中研究指出图像分割是数字图像处理和计算机视觉领域当中极其重要的一项研究内容,它是将图像分成若干个特定的、具有独特性质的区域,并提取出感兴趣目标的过程,它广泛应用于医疗、遥感、交通等领域,给人们的生产和生活带来极大的便利。但由于图像的复杂性,且图像的种类繁多,到目前为止,还没有一种通用的图像分割方法。当今,对于图像分割的问题,众多学者提出了不同的方法,其中,活动轮廓模型以其具有灵活的拓扑变换和较强的数学理论支撑,成为目前研究领域较为热门的一项研究课题。本文主要研究的是基于区域活动轮廓模型的图像分割方法,它是建立在曲线演化理论和水平集方法之上的一种图像分割方法。针对该模型对初始轮廓敏感,且在分割弱边缘图像和灰度不均匀图像方面,存在边界泄露或误分割等问题,从而造成轮廓曲线不能很好的演化到目标边界。本文对区域活动轮廓模型方法进行了研究、改进和实现,主要工作如下:(1)为解决活动轮廓模型在分割灰度不均匀图像方面存在对初始轮廓位置敏感、初始轮廓选取繁琐且迭代次数多等问题,提出了一种基于局部熵拟合能量和全局信息的活动轮廓模型。首先,选取灰度图像的中心作为水平集初始轮廓的中心点,通过改变半径的大小以确定初始轮廓的位置。其次,使用局部熵项增强图像边缘处响应并将它与区域尺度拟合(Region-Scalable Fitting,RSF)模型共同作为局部能量项,并加入了图像的全局信息,避免其陷入局部极小值。最后,重新定义正则项以提高分割效率。将其应用到灰度不均匀的合成图像及真实的医疗图像当中。实验结果表明,提出的方法能够较好的分割灰度不均匀图像。(2)针对活动轮廓模型在分割弱边缘图像及严重的灰度不均匀图像方面存在轮廓曲线不能很好的演化到目标边界等问题,提出了一种基于局部增强与区域拟合的活动轮廓模型。首先,利用局部区域增强方法将原始图像转换为新图像,以增强图像的对比度。其次,利用统计信息计算图像的区域拟合能量。然后,加入正则项以避免演化轮廓重新初始化,提高图像分割效率。最后,通过对灰度不均匀的合成图像和真实图像进行实验,验证了该算法有效性。(本文来源于《兰州理工大学》期刊2019-05-20）
活动轮廓模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了稳健处理序列图像中相似形状目标的提取问题,将一个比核范数更近似的光滑逼近函数引入群相似性活动轮廓(active contours with group similarity,ACGS)能量泛函模型,给出了求解该模型的优化算法,进行了仿真实验。结果表明:与传统的C-V(Chan-Vese)模型和ACGS模型相比,该优化算法能很好地保持序列图像中演化曲线的形状相似性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
活动轮廓模型论文参考文献
[1].严俊潇,唐利明.基于余弦拟合和变指数的p-Laplace正则化的活动轮廓模型[J].湖北民族学院学报(自然科学版).2019
[2].魏金金.引入秩逼近函数的群相似性活动轮廓模型[J].新乡学院学报.2019
[3].王雪娜,东野长磊.几种经典活动轮廓图像分割模型综述[J].软件导刊.2019
[4].董飞,马源源.基于改进活动轮廓模型的图像分割[J].微型电脑应用.2019
[5].邓丹君,倪波.结合全局和局部信息的区域相似度活动轮廓模型[J].湖北理工学院学报.2019
[6].颜建军,徐姿,郭睿,蒯智杰,王忆勤.基于力场活动轮廓模型的舌图像分割研究[J].中华中医药杂志.2019
[7].李鸿雁,唐娴.聚类分析和活动轮廓模型相融合的图像分割算法[J].吉林大学学报(理学版).2019
[8].余佳佳.结合分数阶微分和活动轮廓模型的图像分割方法研究[D].南昌航空大学.2019
[9].孟宇婷.基于自适应活动轮廓模型的医学图像分割研究[D].贵州大学.2019
[10].段亚西.基于区域活动轮廓模型的图像分割方法研究[D].兰州理工大学.2019
论文知识图
