ACGS(Active Contours With Group Similarity)模型在CV模型的基础上结合了矩阵的低秩性约束,能较好地分割目标特征缺失或错误的相似图像组,但对于灰度不均的相似图像组分割效果较差。而双重轮廓演化曲线的图像分割水平集模型在LBF模型的基础上引入了目标内外两条轮廓曲线,很好地克服了LBF模型对于初始轮廓的敏感性,对于灰度不均的单张图像分割效果较好。受此启发,本文提出了基于双重轮廓演化曲线的活动轮廓模型来分割相似图像组。该模型首先结合LBF模型来更好地分割灰度不均的图像;其次利用ACGS模型的低秩性质来保持图像间的相似程度,从一定程度上改善了LBF模型在能量函数最小化时易陷入局部极小值的情形;最后引入目标内外的两条轮廓曲线,通过两曲线在演化过程中分别对局部像素的直接作用而产生间接的相互联系,从而有效地克服LBF模型对于初始轮廓的敏感性问题,使得该模型改善了对于灰度不均的相似图像组的分割效果。实验结果表明,与CV、LBF、ACGS以及双重轮廓演化曲线模型的分割结果相比较,本文模型对于灰度不均的相似图像组的分割效果具有优越性。
ACGS模型(Active Contours With Group Similarity)在CV模型(Active Contours Without Edges)的基础上结合了矩阵的低秩性约束,是能较好地分割目标特征缺失或错误的相似图像组的一种活动轮廓模型,但其对于局部灰度不均的相似图像组分割效果较差。对此,本文提出了包含演化曲线内外的动态亮度信息的改进的ACGS模型。在全局信息的基础上引入曲线内外动态变化的亮度信息,不仅增强了曲线对于局部灰度不均图像的模糊边界的识别,而且提高了能量函数梯度趋于零的速度,使函数更快达到最小值,从而加快了演化曲线达到目标边界的速度。最后,实验结果验证了改进的ACGS模型对于局部灰度不均的相似图像组,无论在分割效果还是分割速度上均优于ACGS模型。
