●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基於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
2.3.1Snae模型
2.3.2Mumford-Shah模型
2.3.3CV模型
2.3.4RSF模型
2.3.5LCK模型
2.4本章小結
第3章基於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應用於合成圖像
4.4.4應用於自然圖像
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章基於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基於K均值的局部相關繫數方法
6.2.2One-ClassSVM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椒鹽噪聲環境下合成圖像分割實驗
6.4.2椒鹽噪聲環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
7.2.1RSF模型
7.2.2LIF模型
7.2.3優選類間方差思想
7.3基於優選類間方差的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章基於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
8.2.3C-V模型
8.3基於圖像熵的權重自動調節活動輪廓模型
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
內容簡介
本書以變分水平集方法和偏微分方程為基礎，針對背景復雜、灰度不均勻和噪聲污染圖像的分割問題，對基於變分理論的經典主動輪廓模型做了深入研究,從提高模型對初始輪廓的敏感性、噪聲的魯棒性以及分割的準確性等若干方面著手開展研究工作，著重講解了幾種適用於噪聲污染、灰度不均勻和背景復雜圖像的分割模型。同時結合機器學習和深度學習方法，在現有變分水平集方法的基礎上進行了深入研究與改進，擴展了現有變分水平集方法的研究框架。
