目的针对LCK(local correntropy-based K-means)模型对初始轮廓敏感的问题,提出了新的基于全局和局部相关熵的GLCK(global and local correntropy-based K-means)动态组合模型。方法首先将相关熵准则引入到CV(Chan-Vese)模型中,得到新...目的针对LCK(local correntropy-based K-means)模型对初始轮廓敏感的问题,提出了新的基于全局和局部相关熵的GLCK(global and local correntropy-based K-means)动态组合模型。方法首先将相关熵准则引入到CV(Chan-Vese)模型中,得到新的基于全局相关熵的GCK(global correntropy-based K-means)模型。然后,结合LCK模型,提出GLCK组合模型,并给出一种动态组合算法来优化GLCK模型。该模型分两步来完成分割:第1步,用GCK模型分割出目标的大致轮廓;第2步,将上一步得到的轮廓作为LCK模型的初始轮廓,对图像进行精确分割。结果主观上,对自然图像和人工合成图像进行分割,并同LCK模型、LBF模型以及CV模型进行对比,结果表明本文所提模型的鲁棒性比上述模型都要好;客观上,对BSD库中的两幅自然图像进行分割,并采用Jaccard相似性比率进行定量分析,准确率分别为91.37%和89.12%。结论本文算法主要适用于分割含有未知噪声及灰度分布不均匀的医学图像及结构简单的自然图像,并且分割结果对初始轮廓具有鲁棒性。展开更多
文摘目的针对LCK(local correntropy-based K-means)模型对初始轮廓敏感的问题,提出了新的基于全局和局部相关熵的GLCK(global and local correntropy-based K-means)动态组合模型。方法首先将相关熵准则引入到CV(Chan-Vese)模型中,得到新的基于全局相关熵的GCK(global correntropy-based K-means)模型。然后,结合LCK模型,提出GLCK组合模型,并给出一种动态组合算法来优化GLCK模型。该模型分两步来完成分割:第1步,用GCK模型分割出目标的大致轮廓;第2步,将上一步得到的轮廓作为LCK模型的初始轮廓,对图像进行精确分割。结果主观上,对自然图像和人工合成图像进行分割,并同LCK模型、LBF模型以及CV模型进行对比,结果表明本文所提模型的鲁棒性比上述模型都要好;客观上,对BSD库中的两幅自然图像进行分割,并采用Jaccard相似性比率进行定量分析,准确率分别为91.37%和89.12%。结论本文算法主要适用于分割含有未知噪声及灰度分布不均匀的医学图像及结构简单的自然图像,并且分割结果对初始轮廓具有鲁棒性。
