选择性注意机制驱动的无边界主动轮廓图像分割

摘要信息: "该论文介绍了一种基于选择性注意机制的无边界主动轮廓图像分割算法，旨在解决传统主动轮廓算法需要人为设定初始轮廓线的问题。通过引入选择性注意机制，该算法能够自动进行更准确的图像分割，特别是在多目标图像中。首先，对图像进行数学形态学的平滑预处理，接着在基于区域的无边界主动轮廓模型中应用选择性注意机制。对于单目标图像，使用基于显著图的方法进行掩膜初始化；对于多目标图像，则结合选择性注意和小波变换来初始化。最终，通过水平集方法执行图像分割。实验结果显示，此算法能减少迭代次数，提高分割精度，有效提升了主动轮廓算法的效率。关键词包括图像分割、选择性注意、无边界主动轮廓算法和显著图。" 本文是自然科学领域的学术论文，发布于2013年中国石油大学学报(自然科学版)，作者为李惹和王延江。他们提出的新算法着重于改善主动轮廓图像分割过程中的初始化问题，以提高分割质量和效率。传统的主动轮廓算法通常需要用户手动设置初始轮廓，而新算法通过引入选择性注意机制，实现了自动初始化，尤其适用于处理包含多个目标的复杂图像。 在算法流程中，首先应用数学形态学操作对原始图像进行平滑处理，消除噪声和增强图像特征。随后，选择性注意机制被整合到无边界主动轮廓模型中，这是算法的核心创新点。对于单一目标图像，算法依赖于显著图来确定初始轮廓，显著图能够突出图像中的关键区域，帮助定位目标。而对于多目标图像，算法结合了选择性注意和小波变换，这种结合方式可以更精确地识别和分离不同目标。 在实际应用水平集方法进行图像分割之前，经过精心设计的初始化步骤使得算法能够更高效地找到目标边界。实验结果证明，该算法不仅减少了迭代次数，降低了计算复杂度，而且在多目标场景下能获得更精确的分割结果，显示出了比传统方法更高的性能。 这项工作为图像分割领域提供了一个创新的解决方案，它利用生物视觉系统中的选择性注意概念，增强了无边界主动轮廓模型的能力，有助于自动化图像分析和目标检测任务，对于计算机视觉和图像处理领域具有重要研究价值。