偏微分與變分技術(shù)在圖像分割中的應(yīng)用研究

第1章 緒論
1．1 研究背景和意義
1．2 國內(nèi)外研究現(xiàn)狀
1．2．1 圖像分割的傳統(tǒng)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(jié)構(gòu)
第2章 圖像處理的偏微分與變分技術(shù)
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(shù)值求解
2．3 經(jīng)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(jié)
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(shù)的構(gòu)建
3．3．2 能量泛函的建立
3．3．3 模型的數(shù)值實現(xiàn)及算法步驟
3．4 實驗結(jié)果與分析
3．4．1 參數(shù)的設(shè)置及評價方法
3．4．2 模型的性能
3．4．3 與相關(guān)模型的比較
3．4．4 分割精度對比
3．5 本章小結(jié)
第4章 一種鄰域自適應(yīng)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(yīng)的活動輪廓模型
4．3．1 自適應(yīng)核函數(shù)的構(gòu)造
4．3．2 能量泛函極小化
4．3．3 模型的數(shù)值實現(xiàn)及算法步驟
4．4 實驗結(jié)果與分析
4．4．1 參數(shù)設(shè)置及評價方法
4．4．2 初始輪廓的魯棒性
4．4．3 應(yīng)用于合成圖像
4．4．4 應(yīng)用于自然圖像
4．4．5 分割效率的對比
4．5 本章小結(jié)
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(gòu)建
5．3．2 模型的水平集表示
5．3．3 模型的數(shù)值解法及其算法的概述
5．4 實驗結(jié)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(guān)模型的對比實驗
5．4．4 分割精度對比
5．5 本章小結(jié)
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(guān)理論
6．2．1 基于K均值的局部相關(guān)系數(shù)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(jié)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(jié)
第7章 結(jié)合OTSU的圖像分割模型
7．1 研究背景
7．2 相關(guān)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(jié)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(xué)圖像的分割
7．5．3 對場景復(fù)雜的自然圖像的分割
7．5．4 分割精度
7．6 本章小結(jié)
第8章 基于熵的全局和局部權(quán)重自適應(yīng)模型
8．1 研究背景
8．2 相關(guān)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(quán)重自動調(diào)節(jié)活動輪廓模型
8．4 能量泛函求解
8．5 實驗結(jié)果與分析
8．5．1 對初始輪廓的敏感度實驗
8．5．2 權(quán)重函數(shù)自動調(diào)節(jié)的有效性
8．5．3 對自然圖像的分割
8．5．4 視網(wǎng)膜血管圖像分割
8．5．5 迭代次數(shù)和耗時
8．6 本章小結(jié)
第9章 總結(jié)
參考文獻