有效的局部ChanâVese模型进行图像分割

本文提出了一种新的局部Chan-Vese(LCV)模型用于图像分割,该模型是基于曲线演化,局部统计函数和水平集方法建立的。 所提出模型的能量函数由三个项组成,即全局项,局部项和正则项。 通过将局部图像信息合并到所提出的模型中,可以有效地分割强度不均匀的图像。 另外,可以通过引入新的惩罚能量来避免传统水平集方法中广泛采用的耗时的重新初始化步骤。 为了避免水平集演化的冗长迭代过程,提出了一种基于演化曲线长度变化的有效终止准则。 特别是,我们建议通过将强度信息添加到用于纹理图像分割的经典结构张量中来构造扩展结构张量(EST)。 可以发现,通过将EST与我们的LCV模型相结合,无论纹理图像是否呈现强度不均匀性,都可以有效地对其进行分割。 最后,在一些合成和真实图像上的实验证明了我们模型的效率和鲁棒性。 此外,与著名的Chan-Vese(CV)模型和最近流行的局部二值拟合(LBF)模型进行比较也表明,我们的LCV模型可以以很少的迭代时间对图像进行分割,并且对初始轮廓和选择控制参数。