جستجو در سایت

تماس با ما: 09361509687  ایمیل: royalproje.ir[ at ]gmail.com

Get Started

تا کنون، مدل های کانتور فعال، اشیا را توسط گرادیان های تصویر نشان می داد. این اغلب برای تغییر کنتراست لبه ها و نویز مشکل زا بوده است. این مدل ها برای اشیایی با لبه های محو و ضعیف با شکست روبرو می شوند و اگر لبه بر روی محیط کامل تصویر به خوبی تعریف نشده باشد، خطر نشتی وجود دارد. بر عکس، کانتورهای فعال بدون لبه که توسط Chan و Vese[2001] معرفی شدند، بر اساس اندازه های ناحیه ای می باشند و به تعریف هر لبه بستگی دارند. این رویکرد اطلاعات ناحیه را با هم ترکیب می کند و مورد خاصی از تابع Mumford-Shah برای قطعه بندی می باشد[Mumford-Shah, 1989]. اساسا، این رویکرد مساله قطعه بندی را حل می کند که هدف آن پیدا کردن قطعه بندی ای از تصویر می باشد که بهترین جداسازی را بین داخل و خارج منحنی انجام بدهد. فرمول آن به این صورت می باشد:

که ΩC داخل منحنی C، c1 و c2 به ترتیب شدت های میانگین تصویر در داخل و خارج C می باشند و 0≤μپارامتر وزن می باشد. عبارت اول مربوط به تنظیم کردن می باشد که طول را به حداقل می رساند و عبارت دوم، تعادل میان داخل و خارج را برقرار می کند. توجه داشته باشید که در صورتی که μ=0 باشد، راه حلی برابر با آستانه سازی ساده به دست می آید. این مدل فرض می کند که تصویر به دو ناحیه (فاز) می تواند تقسیم شود که به طور تقریبی با مقادیر ثابت c1 و c2 نشان داده می شود. این یک مدل خام می باشد که بعد ها به تخمین های چند فازی تکه ای هموار توسط Vese و Chan تعمیم داده شد[2002].

اشتراک برای
آپ دیت ودریافت خبرها