一种整合单通道各向异性扩散信息的水平集图像分割方法摘要：在对ChanVese提出的基于简化MumfordShah模型（CV模型）改进的基础上，针对彩色图像、多光谱图像等多通道图像，提出了一种多通道CV模型水平集图像分割方法。首先将多通道图像分解到各单通道，使用一种新的各向异性扩散方法对各通道进行平滑滤波，然后使用能够整合各通道各向异性扩散信息的多通道CV模型进行分割。普通彩色图像与多光谱图像数据的实验结果表明，该方法分割质量明显优于传统的CV模型分割。??关键词：各向异性扩散；CV模型；水平集方法??：TN911.73文献标志码：A：1001－3695(2008)01－0309－040引言??图像分割是图像处理的关键问题之一，也是一个经典难题。随着图像分割技术的不断发展，产生了各式各样的图像分割算法，虽然其中的彩色图像的分割算法已有不少，但远不如灰度图像分割的算法则丰富[1]。??自1987年Kass等人[2]提出主动轮廓模型以来，基于曲线演化(curveevolution)的形变模型已被广泛应用于图像分割。形变模型的图像分割方法具有能够有效结合图像本身的低层次视觉属性与待分割目标先验知识的灵活开放的框架，可获得分割区域的完整表达。这就在一定程度上克服了传统的非模型分割方法由于其自身的局限性使得分割区域的边界可能不完整，以及缺乏结合先验知识的能力等缺陷。目前常见的轮廓演化模型有两种，即基于参数的模型和基于几何特性的模型。参数形变轮廓模型(snake模型)是一种能量函数最小化的形变轮廓曲线，常常能得到很好的整体效果。但由于模型本身的缺陷，使得snake模型对初始位置过于敏感，不能处理拓扑结构改变并且易于陷入局部极值，使其稳定性难以满足复杂图像分割的要求。基于几何活动轮廓线(geometricactivecontours)的水平集(levelset)图像分割方法是处理封闭运动界面随时间演化过程中几何拓扑变化的有效的计算工具。其主要思想是将移动的界面作为零水平集(zerolevelset)嵌入高一维的水平集函数中。这样，由闭超曲面的演化方程可以得到水平集函数的演化方程，而嵌入的闭超曲面总是其零水平集，最终只要确定零水平集就可以确定移动界面演化的效果。水平集方法在一定程度上克服了snake模型的缺点，如对初始轮廓的选择没有特殊的要求，就可以很好地处理拓扑结构改变等。但是，传统的水平集图像分割方法仅利用图像的局部边缘信息，对于边缘模糊或存在离散状边缘的区域，则很难得到理想的分割效果。比较而言，基于MumfordShah模型[3]的水平集图像分割方法依赖的是区域的全局信息，因此可以获得较好的分割效果，然而该模型的复杂性限制了其应用。对此，ChanVese[4]提出基于简化MumfordShah(MS)模型的水平集图像分割方法(CV模型)。在充分保证其分割质量的前提下，降低了MS模型的复杂度。但是，传统的CV模型只能对单通道图像进行处理，在对彩色图像等多通道图像进行处理时须先将其合并为单一通道。显然，在处理多通道图像时，这种简单的合并思想必然会造成信息的损失，降低图像的分割质量，甚至导致分割失败。本文针对多通道图像的特点，提出了能够整合各单通道各向异性扩散信息的多通道CV模型。首先，将多通道图像分解为各个单通道；然后使用一种新的各向异性扩散方法对各单通道进行平滑滤波；最后使用可以整合各单通道各向异性扩散信息的多通道CV模型进行分割。??1新的各向异性扩散方案??自从Perona和Malik[5]首次将各向异性扩散作为图像处理的工具并成功运用于图像多尺度描述、图像分割、边缘检测等领域后，各向异性扩散引起了人们极大的兴趣。其基本思想是将原始图像u??0作为一种媒介，以可变的速率发生扩散，从而得到一系列逐渐增加的平滑图像u(x,y,t)，它们可通过求解如下的偏微分方程来得到??5结束语??在对ChanVese提出的基于简化MumfordShah模型的水平集分割图像的方法改进的基础上，针对多通道图像特点，进一步提出了能够整合各单通道各向异性扩散信息的多通道CV模型。首先，将多通道图像分解为各个单通道，并通过一种新的各向异性扩散方法对各通道进行平滑滤波；然后使用多通道CV模型通过整合各通道各向异性扩散信息进行图像分割。由于该多通道CV模型良好的可扩展性使其可完全适用...