数值求解优化问题在活动轮廓模型上的应用

针对活动轮廓模型图像分割过程中迭代次数多,分割速度慢的问题,提出一种高阶的数值求解方法。分析活动轮廓模型中基于全局信息的CV模型,以及基于局部信息的LBF模型,LIF模型。使用二阶、三阶Runge-Kutta方法,原始Euler方法对模型进行数值求解实验对比分析。并对LBF模型中平滑项系数,时间步长的选取进行讨论。通过对非同质图像、同质图像的实验结果分析表明,所采用的数值方法能够有效地提高数值收敛精度、减少迭代次数、计算效率高。对不同系数和时间步长,数值方法也能表现出较好的稳定性。     

基于聚类信息的活动轮廓图像分割模型

基于传统Chan-Vese( CV)模型,结合图像聚类信息,提出一种有效的活动轮廓模型图像分割方法。该方法首先改进CV模型的能量泛函,考虑图像的梯度信息,提高图像分割的精确度。其次在能量泛函中添加图像的聚类信息系数K,并使用图像的聚类信息实现对水平集轮廓曲线的自动初始化。在分割处理彩色图像时,为提高分割效率,对彩色RGB图像的三通道进行加权处理。最后为能量泛函添加正则项,避免水平集的重新初始化,完成对灰度图像及彩色图像的快速精确分割。实验表明该方法的有效性。     

新型软亚BCI-代数

首先将软集的参数集赋予亚BCI-代数的代数结构,给出新型软亚BCI-代数的概念;其次利用软集的交、且等运算,研究它的基本性质,并运用对偶软集的方法给出新型软亚BCI-代数的等价刻画;最后讨论新型软亚BCI-代数的同态像和原像的性质。