导读:本文包含了均值水平集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:图像,水平,多相,均值,模型,方法,模糊。
均值水平集论文文献综述
吕红力[1]（2015）在《基于模糊C均值的水平集活动轮廓模型》一文中研究指出针对SPF模型的水平集函数初始化方式不灵活、容易发生边界泄漏的问题,提出一个新的基于模糊C均值的水平集活动轮廓模型.首先,用图像灰度值与两个模糊聚类中心的平均灰度值的差构造一个模糊符号压力函数,并证明它能够调节目标区域内外的压力符号,用模糊符号压力函数取代SPF模型中的SPF函数;其次,使用正则化的Dirac函数?(?)取代|??|;最后,使用高斯滤波平滑水平集函数.实验表明,提出的方法精确有效.(本文来源于《温州大学学报(自然科学版)》期刊2015年03期）
宋琳,高满屯,王叁民,王淑侠[2]（2015）在《模糊C均值聚类与多相水平集图割优化相结合的图像分割》一文中研究指出针对在分割多个目标时多相水平集模型对初始轮廓曲线敏感且计算量大的问题,提出采用模糊C均值聚类算法将图像进行粗分割,初始化多相水平集函数,使用图割算法分割出多相结果的方法。该方法能有效减小多相水平集算法对初始轮廓曲线的敏感性,使图割算法在分割图像时更容易分割出理想的目标轮廓;同时,采用图割算法可使水平集函数很快收敛到能量最小值,有效减少计算量,提高计算效率。实验表明该方法具有较好地分割效果和较高地分割效率。(本文来源于《图学学报》期刊2015年04期）
韩明[3]（2015）在《基于水平集表示和均值漂移的运动目标检测与跟踪研究》一文中研究指出视频图像序列中运动目标检测与跟踪是计算机视觉领域的重要研究内容之一,同时也是多学科交叉的研究课题。目标检测与跟踪是后续视频分析的关键步骤,目前出现了很多目标检测与跟踪的理论和系统,但是在目标检测与跟踪的准确性和实时性上与现场要求有一定的差距。针对复杂环境下的目标检测与跟踪不理想的问题,本文以混合高斯背景建模为基础,调整混合高斯模型参数,构建图像序列中自适应更新的背景模型,从而为目标检测提供基础;以水平集理论为支撑,结合局部能量信息和改进的符号距离正则项进行准确的目标分割;最后在均值漂移框架下,利用水平集表示的各向异性核函数模型实现对目标的准确跟踪。主要研究内容如下:首先,针对非平稳背景下的复杂场景,提出了一种自适应调整K-r的混合高斯背景建模和目标检测算法。利用混合高斯模型(GMM)学习每个像素在时间域上的分布,构建自适应调整高斯分量K的方法,并针对不同情况,对描述像素的高斯分量数进行增加、删除或合并;在此基础上,模型参数更新式中引入两个新的参数kC和Kj,从而能够根据实际情况自适应调整r的值,使得背景建模和目标检测能够准确实时地随像素变化而变化,从而减少运动目标信息的损失,提高算法的鲁棒性和收敛性。其次,针对传统C-V模型对颜色不均匀图像分割失败并且对初始轮廓和位置敏感问题,以及现有符号距离正则项存在周期性振荡和局部极值问题。该文提出结合局部能量信息和改进的符号距离正则项的图像目标分割算法(LDRCV模型)。该算法在传统C-V模型的全局图像信息基础上增加局部信息能量项、曲线长度约束项和符号距离正则项,充分继承全局和局部能量泛函的优点,驱动水平集准确演化到目标边界。将全局图像信息扩展到HSV空间,并使用局部能量项信息分析每个像素及其领域内的统计特性,在较少的迭代次数内有效分割颜色分布不均匀图像。再次,对现有符号距离正则项进行改进,在避免水平集函数重新初始化的同时,解决符号距离正则项的周期性振荡和局部极值问题,提高算法效率,保证水平集函数演化过程的稳定性。对LDRCV模型中水平集演化的终止条件引入阈值判别法,检测每次迭代曲线L(C)的变化长度来判断是否需要终止迭代,当演化曲线到达目标轮廓附近时相邻两次演化曲线的长度值之差越来越小,当小于某一阈值时,则认为曲线演化到了目标轮廓上,此时停止演化。最后,传统均值漂移算法中的各项同性核函数在目标跟踪过程中常常导致目标跟踪丢失,结合本文中的水平集理论和改进的符号距离正则项,提出基于水平集表示的各向异性核函数模板自适应的均值漂移目标跟踪算法。该算法在符号距离核函数的基础上引入符号距离约束函数,构成各向异性核函数,保持目标轮廓外部区域的函数值为零,使得跟踪窗包含所有的目标样本点,而少量包含或者不包含背景样本点;以传统均值漂移框架为基础,构造出各向异性核函数均值漂移窗口形心计算方法;引入相似度阈值thrr对前后两帧目标模板的变化情况进行限制,最终实现目标的准确跟踪。(本文来源于《燕山大学》期刊2015-05-01）
徐二静,贾振红,汪烈军,胡英杰,杨杰[4]（2014）在《一种基于k均值的多相位水平集遥感图像分割方法》一文中研究指出针对遥感图像的特点,本文提出了一种基于K-均值与改进的多相位水平集模型结合的新方法。相比于传统的水平集模型,改进模型在能量函数中考虑了图像的面积、梯度信息和边缘检测。图像的梯度信息可以克服分割中存在的边缘定位的不准确,边缘检测可以在曲线衍化过程中更好的保持边缘信息。为了加快边缘的收敛速度,避免陷入局部最优,本文提出先对图像进行中值滤波来平滑图像和消除部分噪声,然后利用K均值进行聚类得到明显的特征差异。接着用Sobel算子进行梯度重建,然后用改进的多相位水平集模型进行分割。实验结果显示本文的算法对于遥感图像的分割在时间和精度上都有较好的效果。(本文来源于《激光杂志》期刊2014年02期）
金大年,陈卫东,韦秋菊[5]（2011）在《一种基于快速混合型K均值的水平集图像分割方法》一文中研究指出目的:为提高水平集图像分割方法的速度。方法:本文介绍一种基于快速混合型K均值的水平集方法用于图像分割。首先介绍基于Mumford-Shah模型的水平集方法;然后介绍传统标准K均值方法与水平集方法的联系,分析其缺陷;最后提出了一种快速混合型K均值的方法,在保持传统水平集算法鲁棒性的前提下,较好地提高了计算的速度。结果:该方法与标准水平集方法相比,运算所花费时间相对减少。结论:该方法利用K均值算法的简易和高效率,达到提高水平集方法分割速度的目的,具有一定的实用价值。(本文来源于《中国医学物理学杂志》期刊2011年01期）
罗嘉,张建伟,陈允杰[6]（2007）在《结合均值聚类的窄带水平集曲线演化》一文中研究指出水平集方法是目前常用的一种图像分割方法,但它在构造速度函数时仅使用了图像的梯度信息,对于MRI这类含有强噪音、弱边界等现象的图像很难取得理想的分割结果。针对这一问题,将图像的区域信息和梯度信息相结合,构造新的基于K-均值聚类的水平集速度函数,该速度函数有较强的抗噪性能,并且能够处理含有弱边界、低对比度的图像。对左心室MR图像的分割实验表明该方法具有良好的分割效果。(本文来源于《计算机应用与软件》期刊2007年07期）
刘苗苗,黎宁[7]（2006）在《基于快速均值漂移和水平集方法的图像分割技术》一文中研究指出通过加强边缘检测函数的约束作用,对L i提出的无需重新初始化的水平集方法进行了改进,用于提高水平集方法对弱边缘与低对比度图像的分割处理性能。同时,利用快速均值漂移法对图像进行预分割,将得到的轮廓作为水平集方法的初始轮廓,从而降低水平集函数的迭代次数。脑部M R图像的分割实验结果表明,该算法能够准确地提取相应的脑组织,同时大大地提高水平集函数的演化速度。(本文来源于《南京航空航天大学学报》期刊2006年06期）
张连生,许梦杰,王立联[8]（2001）在《用离散均值—水平集求全局最优算法》一文中研究指出全局最优理论和方法，由于全局性的要求，比局部最优理论和方法更为困难，特别是，至今还没有很好的全局最优性的判别准则，故多数算法缺少好的终止准则．本文提出了一个只需计算函数值的离散均值—水平集求全局最优的方法，给出了算法的终止准则，证明了算法的收敛性，并给出了某些数值例子．(本文来源于《系统科学与数学》期刊2001年02期）
均值水平集论文开题报告
（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：
针对在分割多个目标时多相水平集模型对初始轮廓曲线敏感且计算量大的问题,提出采用模糊C均值聚类算法将图像进行粗分割,初始化多相水平集函数,使用图割算法分割出多相结果的方法。该方法能有效减小多相水平集算法对初始轮廓曲线的敏感性,使图割算法在分割图像时更容易分割出理想的目标轮廓;同时,采用图割算法可使水平集函数很快收敛到能量最小值,有效减少计算量,提高计算效率。实验表明该方法具有较好地分割效果和较高地分割效率。
（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。
均值水平集论文参考文献
[1].吕红力.基于模糊C均值的水平集活动轮廓模型[J].温州大学学报(自然科学版).2015
[2].宋琳,高满屯,王叁民,王淑侠.模糊C均值聚类与多相水平集图割优化相结合的图像分割[J].图学学报.2015
[3].韩明.基于水平集表示和均值漂移的运动目标检测与跟踪研究[D].燕山大学.2015
[4].徐二静,贾振红,汪烈军,胡英杰,杨杰.一种基于k均值的多相位水平集遥感图像分割方法[J].激光杂志.2014
[5].金大年,陈卫东,韦秋菊.一种基于快速混合型K均值的水平集图像分割方法[J].中国医学物理学杂志.2011
[6].罗嘉,张建伟,陈允杰.结合均值聚类的窄带水平集曲线演化[J].计算机应用与软件.2007
[7].刘苗苗,黎宁.基于快速均值漂移和水平集方法的图像分割技术[J].南京航空航天大学学报.2006
[8].张连生,许梦杰,王立联.用离散均值—水平集求全局最优算法[J].系统科学与数学.2001
论文知识图
