使用非采样轮廓线变换和活动路线的动画分割技术
本文提出了一种无监督的图像分割技术。首先，为了获得原始图像的多分辨率表示，建立了基于区域的活动轮廓模型，并将其应用于图像的多分辨率表示中。该技术已在具有挑战性的图像上进行，以说明鲁棒性和准确的分割。最后，深入研究了上述技术对所提模型的响应行为，并将分割结果与几种最新方法进行了比较。
关键词：图像分割·多分辨率表示·非采样轮廓线变换（NSCT）·活动轮廓线
1简介
在过去的二十年中，时频局部化和变分方法在由I.Per fieva传达。B玲玲方芳玲@lnnu.edu.cn 、辽宁师范大学计算机与信息技术系，大连市，邮编：116029 图像分割。时频局部化技术：确定性变换，如小波变换（WT）（Mallat1987；Yinhuiandzifen1011）、轮廓波变换（CT）（Do和Vetterli 2002；Liu和Zheng 2013）或非采样轮廓波变换（NSCT）（Cunhaetal）。2006年；Khalighi等人。2015年；Chen等人。首先，对输入图像进行统计分析，然后采用变分技术（Tony等人。2000年；Chan和Vese 2001年；Sabeena等人。2016年；Bhadauria和Dewal 2014年；Ali和Madabhushi 2012年；Huaming等人。2010）直接从原始图像中提取某些统计特征。在时频局部化技术中，CT（Do和Vetterli，2002）是一种有效的图像表示方法，分别使用拉普拉斯金字塔和方向滤波器组（DFB）来实现多分辨率和多方向分解。CT是一种经典的时频局部化技术，是其它方法的基础。例如，Liu和Zheng（2013）提出了基于CT的隐马尔可夫树（HMT）模型的多尺度图像分割。在多尺度CT的基础上，利用HMT算法获取原始图像的自适应上下文结构。该方法在保证原始图像区域完整性的前提下，可以获得理想的分割效果，但由于CTisshift变量的下采样和上采样，使得许多图像分析应用如矢量值活动轮廓模型（Tonyetal.2000）等，Ashift不变量被称为NSCT（Cunha et al。2006），它建立在迭代的非亚采样滤波器组的基础上。考虑到NSCT的非亚采样特性，它可以在许多情况下应用。Khalighi等人。（2015）计算特定水平下所有定向子带的NSCT系数的大小，并将其与自适应多级阈值进行比较。提议的算法会导致图像分割的准确性，但注意到整体图像。Chen等人。（2017）结合基于NSCT的平移不变性和多向扩展特性的HMT模型，模拟结果证明了该方法的推广。就像陈等人。（2017），NSCT可以充分考虑细节信息，但不考虑图像的完整性。
Chan-Vese（CV）模型（Chan和Vese 2001）是基于轮廓演化思想的区域分割算法。CV模型的基本思想是在水平集的基础上最小化一定的能量函数，得到图像轮廓，同时去除不重要的信息。因此，与NSCT相比，CV模型能够获得图像的完整性。Bhadauria和Dewal（2014）提出了一种结合CV模型和模糊C均值的基于区域信息的脑图像自动分割方法。它可以准确地分割图像，并且不需要人工操作，但是它不能很好地实现细节信息。AliandMadabhushi（2012）提出了一种新的能量CVactivecontour，它结合了组织学图像中的边界和形状水平设置框架，形成多个对象重叠分辨率。Bhadauria and Dewal（2014）和Ali and Madabhushi（2012）可能会丢失一些重要的方向信息，并且不能完全捕获内在的几何结构。此外，CV模型可以应用于向量值模型（Tonyetal.2000），该模型选择了向量值模型。矢量值CV模型在大多数情况下，如不同通道或不同强度的物体中都会出现。华明等。（2010）提出了一种描述台风的分割框架，以提高矢量值DCV模型预测台风的精度，通过利用多通道图像信息排除不必要的迭代计算，加快曲线演化速度，提高分割精度。然而，由于特征向量中所采用的结构的空间支持，CV模型仍然包含大量不相关的信息，从而导致高的计算复杂度。为了解决上述问题，凌辉等。（2011）提出了一种基于小波变换和CV模型的裂纹体快速分割方法。该方法可以利用小波模极大值对粗糙区域进行定位，不仅减少了数据量，而且提供可以加快CV模型收敛速度的初始轮廓曲面。然而，这种方法是WT模型和CV模型的简单结合。它不考虑图像的详细信息和系数之间的关系。Turgay和KaiKuang（2011）提出了一种无监督的卫星图像变化检测方法，该方法结合了非采样离散小波变换和变异系数模型。该算法性能良好，特别是在强噪声干扰下仍能检测到足够的变化，但在一定分辨率下只能提供水平、垂直和对角线方向的子带，不能有效地捕捉高维奇异点。本文提出了一种利用矢量值DCVModelbase对图像进行多分辨率表示的动画分割方法。利用NSCT代替其它时频局部化方法，既不涉及上采样和下采样操作，又不存在混叠问题，同时具有平移不变性。然后将向量值CV模型应用到基于NSCT的多分辨率表示中，对图像进行分割。
2使用NSCT的多分辨率分析
NSCT（Cunha等人·2006）将非采样金字塔用于多尺度分解，将非采样DFB用于多方向分解。非采样金字塔的构造块是具有移位不变性的双通道非采样DFB。二维滤波器由其z变换H（z）表示，重建条件如下：
其中H0（z）是低通滤波器，H1（z）1-H0（z），以及相应的合成滤波器G0（z）G1（z）1。为了实现多尺度合成，非采样金字塔可以在其低通子带输出上重复迭代。在下一个级别中，所有过滤器在两个维度上都增加了2个采样。这些滤波器实现多分辨率分析，如图1所示。然后，研究了NSCT系数的精细统计，如图2所示。
