局部全局高斯融合的图像分割模型提升灰度不均匀图像处理能力

本文主要探讨了融合局部和全局高斯概率信息的图像分割模型在计算机工程与应用领域的研究进展。传统的活动轮廓模型，如 Chan-Vese (CV) 模型、Local Binary Fitting (LBF) 模型以及 Local Gaussian Distribution Fitting (LGDF) 模型，虽然在图像分割中有一定的应用，但它们在处理灰度不均匀的图像时表现不足，尤其是对初始轮廓的依赖性导致分割结果易受噪声和轮廓初始化的影响。 LBF模型依赖于局部灰度均值，对于某些图像特征的区分可能不够准确。而LGDF模型则通过分析像素邻域的灰度分布，采用高斯拟合能量来应对灰度不均匀性，这在一定程度上提高了分割的精度。然而，这两种模型都存在对初始轮廓选择的敏感性问题，不同的初始轮廓可能导致分割结果的巨大差异。 为了解决这一问题，研究人员提出了一种创新的方法，即融合局部和全局高斯概率信息的活动轮廓模型。这个模型通过线性组合全局高斯模型的全局灰度拟合力和局部高斯模型的局部灰度拟合力，构建了水平集演化的力。关键在于引入了动态权重机制，使得模型在处理复杂图像时更具灵活性，能够更好地适应灰度变化，同时减少了对初始轮廓的依赖，增强了抗噪声能力。 作者王海军、张圣燕等人，作为滨州学院航空信息技术研发中心的研究者，详细介绍了这一模型的设计和实施过程，并在《计算机工程与应用》杂志2014年第10期发表了他们的研究成果。实验结果显示，该模型在处理灰度不均匀图像时取得了显著的分割效果，且具有较好的适应性和鲁棒性，为图像分割领域的进一步发展提供了新的思路和技术支持。