偏微分與變分技術在圖像分割中的應用研究

第1章 緒論
1．1 研究背景和意義
1．2 國內外研究現狀
1．2．1 圖像分割的傳統方法綜述
1．2．2 基于偏微分方程圖像的分割方法綜述
1．3 本書結構
第2章 圖像處理的偏微分與變分技術
2．1 變分法
2．1．1 變分原理
2．1．2 梯度下降流方程
2．2 水平集方法的基本理論
2．2．1 曲線演化理論
2．2．2 水平集方法
2．2．3 變分水平集方法
2．2．4 水平集方法的數值求解
2．3 經典的活動輪廓模型
2．3．1 Snae模型
2．3．2 Mumford-Shah模型
2．3．3 CV模型
2．3．4 RSF模型
2．3．5 LCK模型
2．4 本章小結
第3章 基于局部灰度差異的噪聲自糾正分割模型
3．1 引言
3．2 研究背景
3．3 噪聲自糾正的活動輪廓模型
3．3．1 噪聲修正函數的構建
3．3．2 能量泛函的建立
3．3．3 模型的數值實現及算法步驟
3．4 實驗結果與分析
3．4．1 參數的設置及評價方法
3．4．2 模型的性能
3．4．3 與相關模型的比較
3．4．4 分割精度對比
3．5 本章小結
第4章 一種鄰域自適應的噪聲圖像分割模型
4．1 引言
4．2 研究背景
4．3 梯度自適應的活動輪廓模型
4．3．1 自適應核函數的構造
4．3．2 能量泛函極小化
4．3．3 模型的數值實現及算法步驟
4．4 實驗結果與分析
4．4．1 參數設置及評價方法
4．4．2 初始輪廓的魯棒性
4．4．3 應用于合成圖像
4．4．4 應用于自然圖像
4．4．5 分割效率的對比
4．5 本章小結
第5章 修正局部極小的局部灰度差異分割模型
5．1 引言
5．2 研究背景
5．3 模型的提出
5．3．1 局部灰度差異項的構建
5．3．2 模型的水平集表示
5．3．3 模型的數值解法及其算法的概述
5．4 實驗結果分析
5．4．1 對初始輪廓的敏感性對比
5．4．2 對含有噪聲和模糊邊界圖像的分割
5．4．3 與相關模型的對比實驗
5．4．4 分割精度對比
5．5 本章小結
第6章 基于支持向量機的噪聲圖像分割模型
6．1 研究背景
6．2 相關理論
6．2．1 基于K均值的局部相關系數方法
6．2．2 One-Class SVM異常值檢測方法
6．3 異常值檢測與魯棒的噪聲圖像分割方法
6．4 實驗結果與分析
6．4．1 椒鹽噪聲環(huán)境下合成圖像分割實驗
6．4．2 椒鹽噪聲環(huán)境下自然圖像分割實驗
6．4．3 迭代耗時分析
6．5 本章小結
第7章 結合OTSU的圖像分割模型
7．1 研究背景
7．2 相關模型
7．2．1 RSF模型
7．2．2 LIF模型
7．2．3 最大類間方差思想
7．3 基于最大類間方差的VLIF模型
7．4 能量泛函求解
7．5 實驗結果與分析
7．5．1 對灰度不均勻圖像的分割
7．5．2 對醫(yī)學圖像的分割
7．5．3 對場景復雜的自然圖像的分割
7．5．4 分割精度
7．6 本章小結
第8章 基于熵的全局和局部權重自適應模型
8．1 研究背景
8．2 相關理論
8．2．1 圖像熵理論
8．2．2 局部圖像熵
8．2．3 C-V模型
8．3 基于圖像熵的權重自動調節(jié)活動輪廓模型
8．4 能量泛函求解
8．5 實驗結果與分析
8．5．1 對初始輪廓的敏感度實驗
8．5．2 權重函數自動調節(jié)的有效性
8．5．3 對自然圖像的分割
8．5．4 視網膜血管圖像分割
8．5．5 迭代次數和耗時
8．6 本章小結
第9章 總結
參考文獻