活动轮廓模型学习(几何、参数)
学习 模型 参数 活动 几何 轮廓
2023-09-14 09:02:25 时间
1. 活动轮廓线模型的分类
参数活动轮廓模型
主动轮廓线模型又称为Snake模型,自Kass于1987年提出以来,已广泛应用于数字图像分析和计算机视觉领域。由于Snake模型具有良好的提取和跟踪特定区域内目标轮廓的能力,因此非常适合于医学图像如CT和MR图像的处理,以获得特定器官及组织的轮廓。简单的来讲,Snake模型就是一条可变形的参数曲线及相应的能量函数,以最小化能量目标函数为目标,控制参数曲线变形,具有最小能量的闭合曲线就是目标轮廓。
Snake模型具有一些经典方法所无法比拟的优点:图像数据、初始估计、目标轮廓及基于知识的约束统一于一个过程中;经适当的初始化后,它能自主地收敛于能量极小值状态;尺度空间中由初到精地极小化能量可以极大地扩展捕获区域和降低复杂性。同时,Snake模型也有其自身的缺点:对初始位置敏感,需要依赖其它机制将Snake放置在感兴趣的图像特征附近;由于Snake模型的非凸性,它有可能收敛到局部极值点,甚至发散。Snake模型称为活动轮廓模型(Active Contour Model)是Kass与1987年提出的,它对于在噪声和对比度不敏感,能将目标从复杂背景中分割出来,并能有效的跟踪目标的形变和非刚体的复杂运动而被广泛用于图像分割和物体跟踪等图像处理领域。Snake主要原理是先提供待分割图像的一个初始轮廓的位置,并对其定义个能量函数,是轮廓沿能量降低的方向靠近。当能量函数达到最小的时候,提供的初始轮廓收敛到图形中目标的真实轮廓。Snake能量函数是有内部能量函数和外部能量函数组成,内部能量控制轮廓的平滑性和连续性,外部能量由图像能量和约束能量组成,控制轮廓向着实际轮廓收敛,其中约束能量可根据具体的对象形态定义,使得snake具有很大的灵活性。Snake模型发展10多年来,许多学者对于经典的snake模型做了改进,提出各种改进的snake模型,其中梯度矢量流(Gradient Vector Flow,GVF)模型扩大了经典snake的外力作用范围,加强了对目标凹轮廓边缘的吸引力,提高了传统的snake模型。
几何活动轮廓模型(Geometric Active Contour Model)。
几何主动轮廓线模型基于曲线演化理论和水平集方法(Level Set),是通过一个高维函数曲面来表达低维的演化曲线或曲面,即将演化的曲线或曲面表达为高维函数曲面的零水平集的间接表达形式,将演化曲线或曲面的演化方程转化为高维水平集函数的演化偏微分方程,从而避免变形曲线或曲面的参数化过程。
相关文章
- 深度学习-通用模型调试技巧
- 机器学习中的隐马尔科夫模型(HMM)详解
- 【学习总结】C-翁恺老师-入门-第3周<循环>
- backbone学习笔记:模型(Model)(1)基础知识
- 机器学习笔记 - 时间序列的混合模型
- ML:机器学习模型的稳定性分析简介、常见的解决方法之详细攻略
- DL之模型调参:深度学习算法模型优化参数之对深度学习模型的超参数采用网格搜索进行模型调优(建议收藏)
- DL:深度学习算法(神经网络模型集合)概览之《THE NEURAL NETWORK ZOO》的中文解释和感悟(二)
- 如何从 0 开始学 Python 自动化测试开发(附零基础学习资料)
- 【机器学习】树模型决策的可解释性与微调(Python)
- 【阶段三】Python机器学习12篇:机器学习项目实战:朴素贝叶斯模型的算法原理与朴素贝叶斯分类模型
- 可视化深度学习模型的方法/工具
- AI学习之路(4): TensorFlow是什么
- 【每天学习3分钟系列】测试进阶必看:自动化测试入门基础知识
- 16进制枚举状态机学习
- Python学习笔记(三)——类型与变量
- 深度学习之模型量化
- Golang学习笔记
- 【阿里天池-医学影像报告异常检测】4 机器学习模型调参
- 【深度学习】模型过拟合的原因以及解决办法
- 10.1自动机器学习Auto_ML
- pytorch 16 迁移学习核心技巧·从模型加载到按需初始化模块权重,再到各layer分组设置学习率
- Tensorflow深度学习过程各数据分布情况汇总(一)
- ROS Python 入门学习笔记--1--工作空间与功能包的创建