计算机视觉095.1主动轮廓线模型(snake模型).pptVIP

u(x,y) v(x,y) 内外力的示意图 实验结果 Traditional snake GVF snake 经过动态参数修正以后 Final shape detected Medical Imaging 即使在原始图像质量很差时,也能很好的提取轮廓 左心房的磁共振图片 初始轮廓甚至可以与真实轮廓相交 传统的Snake方法是无法实现的 初始轮廓的选取是任意的吗？ GVF snake的问题 参数敏感 计算代价高，速度慢 初始轮廓的选取有临界点 其它的改进方法 B - Snake 模型 目标轮廓用B - 样条来表达 利用参数B 样条的局部控制能力及参数连续性等特点,改进了原模型中存在的一些缺陷,例如不稳定地数据特性、收敛速度慢、很难处理不连贯性及对噪声的敏感性。 其它的改进方法 双主动轮廓模型 所谓双主动轮廓模型,就是指在所需要提取的目标轮廓的内部和外部各放置一个主动轮廓线,分别为内轮廓线和外轮廓线。 在初始情况下,两个轮廓线独立进行,分别向目标轮廓收敛,互不影响;当两个轮廓线都静止不动时,则分别对内外轮廓进行能量计算并比较,选择能量较大的一个轮廓线,对其施加一个外部作用力,该力的方向指向另外一个轮廓线,强制使当前轮廓线从当前平衡位置离开,然后重新启动进化过程,当达到平衡时,再次进行能量比较并重复以上步骤,直至最终内外轮廓线的能量之差减小到允许的范围。 可有效解决由于被噪声所引起的奇异点吸引而陷入能量局部最小的问题. Snake模型的应用 轮廓跟踪 目标识别 使目标提取从一开始就处于受控的状态,并且直接面向所希望提取的目标。同时还给出了对目标轮廓形状的约束,从而可以快速准确的对目标进行定位. 三维重建 三维表面用序列图像中的轮廓曲线来表达和重建. 立体匹配 如果两幅图像中的轮廓线(基元) 互相对应, 那么沿着3D 轮廓的其他几何形状应具有相似性. Snake模型的应用 变形模板 由于自然物体形状的多样性和复杂性以及图像的噪声等复杂因素的影响, 在使用刚性模型提取图像轮廓时遇到了极大的困难. 基于Snake 模型的变形模板方法, 为解决这一问题展现了令人鼓舞的前景. 相对于刚性模板来说, 变形模板使自己发生变形以匹配到显著的图像特征. 从数学角度来看, 这可以解释为有两项组成的目标函数, 其中一项测量变形模板与理想轮廓的偏差, 另一项衡量变形模板与相应的图像特征的匹配程度. 于是, 轮廓提取变成了使目标函数最大化或者最小化的最优化问题. 变形模板不但能够检测出目标特征, 而且能够给出目标的描述, 从而将其用于分类和匹配中. Snake模型的应用---变形模板 基于变形模板的弹性匹配 Snake模型的应用 运动跟踪 在时变图像中使用蛇模型进行跟踪地思想最初由kass 等人提出来,他们使用蛇模型跟踪说话地唇动。当从动力学的角度研究蛇模型时,研究工作取得了很大的进展. Szeliski 等人将蛇模型的动态模型作为卡尔曼( Kalman) 滤波器的系统模型,同时考虑了系统噪声和观测噪声模型,提出了卡尔曼蛇(kalmanSnake) 跟踪模型。由于该模型受到弹性动力学模型的制约,因此可以有效地跟踪刚体和非刚体地复杂运动。 * 将输入的形状进行变形，使之与图象中的形状尽可能的相似。 其相似性有两个因素，一个是变形的能量，一个为变形后的形似程度。 第五章 图像分割 常见的图像分割算法: 主动轮廓线 水平集 基于图的分割算法 Mean shift Ncuts Graph cut 常见的图像分割算法: 主动轮廓线 水平集 基于图的分割算法 Mean shift Ncuts Graph cut 主动轮廓线模型(Snake模型) 1.引言 Marr视觉计算理论的不足 三个独立的层次,底层缺乏约束导致病态问题 自下而上,底层的错误将被带给高层无法修正 Snakes: active contour models Kass,1987,ICCV 对传统的视觉计算理论的挑战 设计这样一个能量函数: 其局部极值组成了可供高层视觉处理进行选择的方案,高层机制可能通过将图像特征推向一个适当的局部极值点从该组方案中选择最优的一种 1.1 Snake模型的基本原理 基本原理是表征拟合误差的“能量”为最小化的曲线. 设对于拟合目标有一个待选曲线集,定义能量函数与待选集中每一条曲线相关联,能量函数的设计原则就是:有利属性要能导致能量缩小。 有利属性包括:曲线连续、平滑、曲线与高梯度区域接近以及其他一些具体的先验知识。 活动轮廓在取值范围内移动时,就能在能量函数的指导下收敛到局部边界,且能保持曲线的连续和平滑。 1.1 Snake模型的基本原理 蛇模型是在曲线本身的内力和图像数据的外部约束力作用下的移动的变形轮廓线。 作用在蛇模型上