基于改进主动轮廓模型的图像分割算法

格式：pdf
大小：586.75 KB
文档页数：4

下载文档原格式

/ 4

基于改进的聚类算法的图像分割技术研究

基于改进的聚类算法的图像分割技术研究摘要：图像分割是图像处理中的重要任务之一，它对于图像的理解和分析具有重要意义。

本文研究了基于改进的聚类算法的图像分割技术。

首先介绍了图像分割的定义和意义，然后详细介绍了常见的聚类算法及其在图像分割中的应用。

基于此，我们提出了基于改进的聚类算法的图像分割方法，并在多个图像数据集上进行了实验验证。

结果表明，我们的方法在准确性和效率上都取得了显著提升，具有实际应用价值。

1. 引言图像分割是将图像划分为具有一定语义的区域或像素集合，是图像处理和计算机视觉中的关键任务。

图像分割可以用于目标检测、图像分析和理解等领域。

传统的图像分割方法主要基于阈值分割和边缘检测，这些方法在一些简单场景下效果较好，但在复杂场景下存在一定的局限性。

近年来，聚类算法被引入到图像分割中，并取得了一定的研究进展。

2. 聚类算法的介绍聚类是一种无监督学习方法，将数据集划分为若干个相似的子集，每个子集称为一个簇。

常见的聚类算法包括K均值算法、层次聚类算法和谱聚类算法等。

这些算法在文本和数据挖掘等领域已经得到广泛应用，并且逐渐在图像领域中引起了研究者的兴趣。

3. 聚类算法在图像分割中的应用聚类算法在图像分割中的应用可以分为基于像素和基于区域的方法。

基于像素的方法将每个像素视为一个数据点，然后使用聚类算法将像素划分到不同的簇中。

基于区域的方法首先将图像划分为相似的区域，然后使用聚类算法进一步合并或分割这些区域。

这些方法都在不同程度上提高了图像分割的准确性和效率。

4. 基于改进的聚类算法的图像分割方法为了提高图像分割的准确性和效率，我们提出了一种基于改进的聚类算法的图像分割方法。

首先，我们使用K均值算法初始化聚类中心，并与传统的K均值算法相比，我们通过引入自适应权重和距离约束来提高其准确性。

然后，我们采用一种改进的层次聚类算法，通过考虑区域的相似性和距离约束来减少误差传播。

最后，我们使用谱聚类算法来进一步优化分割结果，以提高图像的连续性和整体性。

基于改进Swin-Unet_的遥感图像分割方法

ＡＳＰＰ）模块，用于提取不同尺度信息，增大感受野，
提取更多细节信息。其中，ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒＢｌｏｃｋ
可以提取图像特征，ＰａｔｃｈＭｅｒｇｉｎｇ操作的主要作用
是下采样，可以将特征图的长宽变为原来的一半，同
时通道数增加为原来的２倍。解码器部分包括了多
个残差模块（ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ
和异物同谱现象明显［２］，给遥感图像分割带来了很大挑战。
近年来，越来越多的学者针对如何提高遥感图像分割精度的问题展开了研究［３］。阈值分割算法通过选取合适的阈值来实现目标和背景的分离，算法难度小、实现简单，能够实现图像的快速分割［４］，但对噪声比较敏感［５］，不适用于复杂场景下的遥感
１基于改进ＳｗｉｎＵｎｅｔ的遥感图像分割网络
１．１网络结构
本文在ＳｗｉｎＵｎｅｔ的基础上加以改进来实现遥
感图像分割，改进ＳｗｉｎＵｎｅｔ网络结构如图１所示。
改进后的ＳｗｉｎＵｎｅｔ网络包括编码器、解码器和跳
跃连接３个部分。在编码器部分，输入图像先通过
图像分块处理（ＰａｔｃｈＰａｒｔｉｔｉｏｎ）操作，将输入图像划
基于改进ＳｗｉｎＵｎｅｔ的遥感图像分割方法
张越，王逊
（江苏科技大学计算机学院，江苏镇江）２１２１００
摘要：针对遥感图像数据本身存在分辨率高、背景复杂和光照不均等特性导致边界分割不连续、目标错分漏分以及
存在孔洞等问题，提出了一种基于改进ＳｗｉｎＵｎｅｔ的遥感图像分割方法。在编码器末端引入空洞空间金字塔池化（Ａｔｒｏｕｓ
ＲｅｓＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ

图像处理中的图像分割算法改进方法

图像处理中的图像分割算法改进方法图像分割是图像处理领域中的重要任务，它旨在将一幅图像划分为一组具有相似特征的区域。

对图像进行有效的分割可以提取出感兴趣的目标，并为后续的图像分析和理解提供基础。

然而，由于图像中存在复杂的噪声、背景干扰以及目标形状和大小的差异，图像分割任务一直面临着挑战。

为了进一步提高图像分割的性能，研究人员提出了许多改进方法。

本文将介绍几种常见的图像分割算法改进方法，并讨论它们的原理和优缺点。

一、区域生长算法区域生长算法是一种基于类似区域像素特征的图像分割方法。

该算法从一组种子点出发，逐步生长和合并具有相似特征的像素。

该方法的主要优点是对不同大小、形状和纹理的目标具有较好的适应性。

然而，传统的区域生长算法容易受到噪声和纹理差异的影响，导致分割结果不准确。

为了改进该方法，研究人员提出了以下几种改进方法：1.多特征融合：将像素的多个特征（如颜色、纹理、梯度等）融合起来进行区域生长。

通过融合不同特征，可以减轻单一特征带来的误差，提高分割的准确性。

2.自适应阈值选择：传统的区域生长算法中，阈值通常是手动设置的，无法适应不同图像的特点。

采用自适应的阈值选择方法，可以根据图像的特征动态地选择合适的阈值，从而提高分割的鲁棒性。

3.分层分割策略：将图像分割任务分为多个层次，通过逐层分割和合并来获取更精确的结果。

这种策略可以提高分割的效率和准确性，并适用于大规模图像的处理。

二、基于深度学习的图像分割算法随着深度学习的快速发展，基于深度学习的图像分割算法在近年来取得了巨大的成功。

深度学习模型能够学习到图像的高级特征表示，从而提高分割的准确性和鲁棒性。

以下是几种常见的基于深度学习的图像分割算法：1.卷积神经网络（CNN）：CNN是一种常用于图像分割的深度学习模型。

通过多层卷积和池化操作，CNN可以学习到图像的局部和全局特征，从而实现像素级别的分割。

然而，传统的CNN在处理细节和形状复杂的目标时存在一定的困难，因此研究人员提出了一些改进的网络结构。

基于GVF模型的图像分割方法的改进

中图分类号：Ｐ９．１Ｔ３１４
文献标识码：Ａ
ＩｐｒｖｍｅｔｏｍａｅｓｇｅｔｔｏｂｓｄｏＶＦｏｌｍｏｅｎｆｉｇｅｍｎａｉｎａｅｎＧｍｄｅ
ＷＡＧＨｉｕ，ＺＡＧＹｕｚｉＮａ－ｎＨＮｏ－ｊｈ
维普资讯
第２６卷第５期
２００６年５月
文章编号：０ — ０１２０）５—１４０１１９８（０６００００— ２
计算机应用
ＣｏｕｅｐｉａｉｎｍｐｔｒＡｐｌｃｔｓｏ
Ｖｏ＿６Ｎｏ５ｌ２．
克服了ＧＦ模型难以解决的深凹腔问题。同时，出在ＧＦ模型中引入和设置方向矢量的算法，Ｖ提Ｖ在矢量指定范围内能屏蔽掉不需要的物体力场的影响，而更加准确地分割出感兴趣的物体。从
关键词：图像分割；ｎｋ模型；Ｖ模型；向矢量ＳａｅＧＦ方
ｄｆｓｎｅｕｔｎｒｏｍａｉｅ，ｗｉｈｍａｅｔｅｅｔｒａｒｅｒｌｖｎｆｔｅｄｓａｃｅｗｅｎｔｅｐｉｔｏｅｃｎｏｒｉｕｉｑａｉｓｗｅｅｎｒｌｚｄｏｏｈｃｄｈｘｅｎｆｃｓｉｅｅａｔｉｔｎｅｂｔｅｈｏｎｓｆｈｏｔｕｌｏｒｏｈｔ
ｄｓａｃｏｅｔ … ｉｎｅｐｔｎｉｔｌａ
、
■
（）ｌｏｏｃｅｄｃＢａｌｎｆｒｅｆｌｏｉ

基于改进测地线轮廓模型的图像分割算法

的演化速度。
在对图像分割时，几何化动态轮廓模型能够自动地处理拓扑发生的变化问题，虽然很多图像有多个独立的目标同时存在，此类模型不需明确目标的数目和位置，同样也可以把不同的目标分割出来，并且分割得到的效果很好。即使这样，几何化动态轮廓模型有很多的缺点：首先是收敛速度较慢，其次是处理非凸曲线时容易出现停滞不前等情况。测地线动态轮廓模型是在几何化动态轮廓模型之后由ｃａ．ｓｅｌｌｅｓ等提出的，该模型是在黎曼空间中的测地线
的基础上，引入区域方差概念，加快了初始轮廓的演化效果；同时，在几何化模型的能量函数中加入判别函数，进一步提高了分割速度与目标背景区分度。仿真实验结果表明，改进测地轮廓模型较原模型对初始轮廓的放置有很好的鲁棒性，是一种有
效的图像分割算法。
烈的内部连续性；再有就是结合连续性和不连续性。
１测地轮廓模型
由Ｃａｓｅｌｌｅｓ等人提出的几何化动态轮廓模型的梯度流方程：
…
－／２＋ｄｉቤተ መጻሕፍቲ ባይዱｖ（
）］（１）
在其中加入一个停止函数后，又提出了一个比较相似的模型，梯度流方程为：
关键词区域方差
判别函数
初始轮廓
鲁棒性
中图法分类号
ＴＮ９１１．７３；
文献标志码

基于改进的参数活动轮廓模型的图像分割方法

离势能模型作为自适应外力，能很好地引导ＳＫＥ逼近真实边界而不依赖于特定的初始轮廓的位置。实验结果ＮＡ表明：该算法快速有效，能在更大的范围内捕捉图像特征，是一种有效的图像分割的算法。
关
键
词：医学图像分割；参数活动轮廓模型；ＮＥ；离势能ＳＡＫ距
文章编号：Ｉ７．７２２０）２０７０６１１４（０８０．１．４１
基于改进的参数活动轮廓模型的图像分割方法
张程睿，余艳梅，罗代升，叶波，谢勤彬
（川大学电子信息学院图像信息研究所，川成都６０６）四四１０４
疾病的诊断和治疗有重要意义。
活动轮廓模型是近年来发展起来的一种新的图像分割方法并被广泛应用于医学图像分割中。活动轮廓分为参数活动轮廓模型以及几何活动轮廓模型。几何活动轮廓模型基于曲线演化理论和水平集方法ｌ。参数活动【ｌ
轮廓模型也称Ｓａｅｎｋ模型，是基于最小能量函数理论的一种图像分割方法。该模型在变形过程中以显式参数的形式表达轮廓曲线，该表达形式允许与模型直接交互，有利于快速实时实现。自Ｋｓ等人提出Ｓａｅａｓｎｋ模型Ｊ以来，越来越多的改进方法被提出。传统Ｓａｅｎｋ模型对初始位置很敏感，须给定在图像边缘附近，必否则很可能收敛到局部能量极小点【３。为了扩大传统活动轮廓模型对于图像边缘的捕获范围，ｏｅ等人提出了气球模型。３ｊＣｈｎＪＸ和Ｐｉｅ出了梯度矢量流（ｒｉｔｃｒｌＧＦ［来代替模型中的图像力量，ｕｒｃ提ｎＧａｅｔｏｄｎＶｅｏＦｗ，Ｖ）５Ｊ在迭代计算Ｓａｅｎｋ前

基于主动轮廓模型的玉米种子高光谱图像分类

摘要：提出将主动轮廓模型（Ａｃｔｉｖｅｃｏｎｔｏｕｒｍｏｄｅｌ，ＡＣＭ）应用于玉米种子的高光谱图像分割中。首先，通过高光谱成像系统获取９个品种共４３２粒玉米种子的高光谱反射图像，利用基于主动轮廓模型的图像分割法对玉米种子高光谱图像提取Ｉｌ标区域轮廓，ｆ得到单波段下每粒玉米种子１２个形状特征参数，然后通过主成分分析法
第２８卷第３期
２０１３年５月
数
据
采集与处理Ｖ０１．２８Ｎｏ．３
Ｍａｙ２０１３
ＪｏｕｒｎａｌｏｆＤａｔａＡｃｑｕｉｓｉｔｉｏｎａｎｄＰｒｏｃｅｓｓｉｎｇ
（Ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ，ＰＣＡ）对特征数据降维，结合波段间的相关性选出１２个最优波段，最后利用误差反向传播（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ，ＢＰ）神经网络模型进行建模分类，与传统的阈值分割法相比，取得了更好的分类效果。研究结果为高光谱图像目标轮廓提取提供了一种新方法。
ＪｉａｎｇｎａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｘｉ，２１４１２２，Ｃｈｉｎａ）

基于改进SwinUnet的遥感图像分割方法

通过对不同的遥感图像进行实验，证明了所提出方法的有效性和优越性。
与传统遥感图像分割方法相比，所提出方法在精度和效率上均有所提升。
研究不足与展望
虽然所提出的方法在实验中取得了较好的效果，但仍然存在一些不足之处，例如在处理复杂背景和噪声方面的能力还有待提高。
在未来的研究中，可以尝试将其他先进的深度学习技术应用于遥感图像分割任务，以进一步提高方法的性能和精度。
03
改进swinunet模型的提出
改进思路与方法
01
针对遥感图像的特性
遥感图像具有分辨率高、信息量大、数据复杂等特点，传统的卷积神经
网络（CNN）在处理遥感图像时面临很多挑战。
02 03
Swinunet的局限性
Swinunet是一种基于轻量级卷积神经网络的图像分割方法，但其在大规模遥感图像分割时存在一定的局限性，如计算效率不高、分割精度有待提高等。
此外，可以考虑引入更多的数据增强技术和迁移学习策略，以增加模型的泛化能力和适应不同的遥感应用场景。
研究展望与发展趋势
基于深度学习的遥感图像分割方法是当前研究的热点领域之一，具有广泛的应用前景。
在未来的研究中，可以尝试将所提出的方法应用于更多的遥感图像分割任务中，例如土地覆盖分类、水体提取等。
有广泛应用。
图像分割是遥感图像处理中的重要任务，对于提取目标特征、分
析场景信息具有重要意义。
现有的遥感图像分割方法在分割精度、鲁棒性和泛化能力方面存
在一定的问题。
研究现状与问题
基于深度学习的图像分割方法成为研究热点，取得了显著的成果。
SwinUNet是一种基于双向注意力机制的深度学习模型，在图像分割领域具有较好的性能。

基于主动轮廓模型的序列图像分割

约轮廓的长度，其尽可能短来避免边缘轮廓收敛到中垂线上其他组织的较强边缘点；一方面，用序列图像之使另利间局部区域的信息相关性，新构造外部能量函数来排除纹理特征的干扰，好地捕捉到边缘上的拐角点．验结重更实果表明，出的改进算法既可以有效地检测出一些拐角点和凹点，提又可以避免目标边缘收敛于某些伪边缘点，达可
Ａｂｔａｔｓｒｃ：Ａｎｉｒｖｄａｔｖｏｔｕｄｌｉｒｓｎｅｏｅｍｅｔｔｎｏｄｃｌｉｇｅｕｎｅｍｐｏｅｃｉｅｃｎｏｒｍｏｅｓｐｅｅｔｄｆｒｓｇｎａｉｆｍｅｉａｍａｅｓｑｅｃｓ．ＡｅｔｃｉｎｉｏｒｓｒｔｓｉｏａｐｉｄｔｎｉｔｒａｎｒｙｆｎｔｎｔｋｈｅｇｈｏｏｔｕｓｓｏａｏｓｂｅＳｓｔｒｖｎｏｔｕｒｍｐｌｏａｎｅｌｅｅｇｕｃｉｏｍａｅｔｅｌｎｔｆｃｎｏｒａｈａｓｐｓｉｌＯａｏｐｅｅｔｃｎｏｒｆｏｅｎｏｃｎｅｇｎｔｓａｐｒｐｉｔｆｏｈｒｔｓｅｏｅｅｄｃｌｒｂｓｃｏ．Ａｎｅｔｍａｎｒｕｃｉｎｉｏｓｒｃｅｒｍｈｏｖｒｉｇａｈｒｅｏｎｓｏｔｅｉｕｎｐｒｎｉｕａｉｅｔｒｓｐｘｅｌｅｅｇｆｎｔｓｃｎｔｕｔｄｆｏｔｅｙｏｉｆｒｔｎｐ￣ｉｅｃｆｌｃｌｒｇｏｅｗｅｎｔｅｓｒｌｉｇｓｔｌｍｉａｅｔｅｉｔｒｅｅｃｆｔｘｕｅａｄｃｐｕｅｃｒｅｎｏｍａｉｅｎｎｅｏｏａｅｉｎｂｔｅｈｅａｍａｅｏｅｉｎｔｈｎｅｆｒｎｅｏｅｔｒｎａｔｒｏｎｒｏｉｐｉｔｏｌｔｌｏｎｓｃｍｐｅｅｙ．Ｅｘｅｍｅｔｅｕｔｈｗｈｔｔｅｉｒｖｄａｇｒｈｃｎｇｖｅｔｒｓｇｎａｉｎ，ｗｈｃａｅｅｔｐｒｎａｒｓｌｓｓｏｔａｈｍｐｅｌｏｉｍａｉｅｂｔｅｅｍｅｔｔｉｌｏｔｏｉｈｃｎｄｔｃ

基于改进C-V模型的图像分割算法

分的图像分析中，必须把单个目标从图像中分离出来，形成
在主动轮廓模型中，最为经典的为Ｃｈａｎ— Ｖｅｓｅ模型
以下简称Ｃ — Ｖ模型），Ｃ — Ｖ模型是一种基于区域的动态目标与背景分离，这种处理方式即为图像分割，图像分割就（是根据规定的准则把给定的图像分成具有不同特性的图像轮廓模型。ｃ — Ｖ模型根据全局图像统计信息来完成对图部分，图像分割的算法往往是根据规定的准则，图像内部灰像的分割。假设图像目标是由同质的区域构成，一般能得度颜色纹理等特点目标与背景的不同来预先建立¨ 。到良好的实验结果，但在实际情况中，图像的目标并非同 — Ｖ模型在分割非同质目标时，得到的结果不是在很多的图像分析应用的领域如遥感测量、医学成质。Ｃ同时，在演化过程中，要不断地将水平集函数重新像、安全管制、军事目标检测都需要用到图像分割技术，图很理想；像分割技术越来越重要。在实际的图像分析应用中，当所初始化，增加了迭代时间，使轮廓曲线演化速度大大降低。需目标被分开时，分割就可以停止了，运用自动的图像分
基于改进Ｃ－＿Ｖ模型的图像分割算法
杨艳丹，韩雪松，韩应征，庞冬冬，杜军慧
（１．太原理工大学信息工程学院，山西太原０３００２４；２．中石化山西分公司，山西太原０３００４）２
【摘要】提出一种新的模型——ｃｈａｎ — Ｖｅｓｅ模型，该模型是基于曲线演化、水平集方法、局部的统计信息，新模型包括两个方面：局部核心函数和惩罚项。引入局部统计信息后的新模型可以对非同质图像进行有效的分割。另外，核心函数中加入惩罚项，可以有效避免水平集函数初始化，缩短模型演化时间。通过实验的仿真结果发现，新模型在对非同质图像进行分割时得到了良好的结果。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

【关键词】图像分割；Ｃｈａｎ — Ｖｅｓｅ模型；邻域平均；局部方差【中图分类号】ＴＮ９１１．７【文献标志码】Ａ
ＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＡｃｔｉｖｅＣｏｎｔｏｕｒＭｏｄｅｌ
【摘要ｌ针对ｃ — Ｖ模型对灰度不均匀的图像分割效果不理想的情况，提出一种改进的ｃ — Ｖ模型。该模型在ｃ — Ｖ模型的基础
上，引入非加权的邻域平均和局部窗口方差概念，加快并精确了Ｃ — Ｖ模型的演化效果，同时在Ｃ — Ｖ模型的能量函数中加入惩罚项，使得Ｃ－Ｖ模型在演化过程中无须重新初始化，进一步提高了分割速度。仿真实验结果表明改进的ｃ — ｖ模型较原模型对灰度不均匀图像分割具有较好的分割效果。
【Ａｂｓｔｒａｃｔ】Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｏｆｔｈｅｉｎｅｆｅｃｔｉｖｅｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅｎｏｎ — ｕｎｉｆｏｒｍｇｒａｙｉｍａｇｅｓｆｏｒＣＶｍｏｄｅｌ，ａｎｉｍｐｒｏｖｅｄＣ－Ｖｍｏｄｅｌｉｓｐｒｅｓ —
近年来，主动轮廓方法已经在图像分割、视觉跟踪等
对于灰度不均匀的图像分割效果不理想的情况，国内
领域获得了广泛的应用。其基本思想是通过演化一个轮外学者也提出了很多改进方法，一些学者提出结合基于边廓，来最小化已知的能量泛函，从而达到期望的分割结界和基于区域的能量函数，产生一个联合能量函数，通过
ｅｎｔｅｄ．Ｔｈｅｍｏｄｅｌ，ｗｈｉｃｈｉｓｏｎｔｈｅｂａｓｉｓｏｆｈｅｔＣ－Ｖｍｏｄｅｌ，ｃａｎａｃｃｅｌｅｒａｔｅｎｄａｍａｋｅａｎａｃｃｕｒａｔｅＣ－Ｖｍｏｄｅｌｅｖｏｌｕｔｉｏｎｅｆｅｃｔｓｂｙｉｎｔｒｏｄｕｃｉｎｇｈｅｔｃｏｎｃｅｐｔｏｆｈｅｔｎｏｎ —ｗｅｉｇｈｔｅｄｎｅｉｇｈｂｏｒｈｏｏｄａｖｅｒａｇｉｎｇａｎｄｈｅｔｌｏｃａｌｗｉｎｄｏｗｖａｒｉｎｃａｅ．Ｍｅａｎｗｈｉｌｅ．ｔｈｅｐｅｎｌｔａｙｔｅｒｍｉｓｐｕｔｉｎｈｅｔＣ－Ｖｍｏｄｅｌｅｎｅｒｇｙｆｕｎｃｔｉｏｎｉｎ０ｒ－ｄｅｒｔｏａｖｏｉｄｔｈｅｒｅ— ｉｎｉｔｉａｌｉｚａｔｉｏｎｉｎｈｅｔｐｒｏｃｅｓｓｏｆｅｖｏｌｕｔｉｏｎｏｆｈｅｔＣ－Ｖｍｏｄｅｌｎｄａｉｍｐｒｏｖｅｔｈｅｓｅｇｍｅｎｔａｔｉｏｎｓｐｅｅｄ．Ｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｈｅｔｉｍ— ｐｒｏｖｅｄＣＶｍｏｄｅｌｈｓａｂｅｔｔｅｒｓｅｍｅｇｎｔａｔｉｏｎｅｆｆｅｃｔｈａｔｎｈｅｔｏｉｇｒｉｎｌａｍｏｄｅｌｉｎｈｅｔｎｏｎ—ｕｎｉｆｏｒｍｒａｇｙｉｍａｇｅｓ．
ＰＡＮＧＤｏｎｇｄｏｎｇ，ＳＨＩＪｉａｎｆａｎｇ
（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＴａｉｙｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｔａｉｙｕａｎ０３００２４，Ｃｈｉｎａ）
ＤＬ＿，ＩＧＩＴＡＬｖＩＤＥｏ洫ｇ一 ■
【本文献信息】庞冬冬，史健芳．基于改进主动轮廓模型的图像分割算法［Ｊ］．电视技术，２０１３，３７（１）
基于改进主动轮廓模型的图像分割算法
庞冬冬，史健芳
（太原理工大学信息工程学院，山西太原０３００２４）
【Ｋｅｙｗｏｒｄｓ】Ｉｍａｇｅｓｅｍｅｇｎｔａｔｉｏｎ；Ｃｈａｎ — Ｖｅｓｅｍｄｅｏｌ பைடு நூலகம் ｎｅｉｇｈｂｏｒｈｏｏｄａｖｅｒａｇｉｎｇ；ｌｏｃｌａｖａｒｉｎｃａｅ