基于活动轮廓模型的目标边缘提取算法matlab仿真

目录

1.能量函数构建

2.优化求解

3.MATLAB程序

4.仿真结果

---

       活动轮廓模型，也称为Snake模型，是一种基于能量最小化原理的图像分割技术，广泛应用于目标边缘检测、图像分割等领域。该方法由Michael Kass等人于1988年提出，旨在通过迭代优化过程找到图像中目标的精确边界。其核心思想是定义一个参数化的闭合曲线（轮廓），并使其在图像梯度等特征引导下向目标边界收敛。活动轮廓模型通过一个连续、可变形的曲线C(s)来逼近图像中感兴趣对象的边界，其中s是曲线上的参数化变量，通常取值范围为[0,1]。该曲线在每一步迭代中根据能量函数最小化的原则进行调整，直至收敛至图像的真实边界。

1.能量函数构建

       活动轮廓模型的能量函数通常由内部能量（Internal Energy）、外部能量（External Energy）和图像力（Image Forces）三部分组成，旨在平衡轮廓的平滑性、边界契合度及形状约束。

       内部能量（保持轮廓平滑性）: 内部能量鼓励轮廓保持平滑，避免出现不必要的波动。常用的一阶导数（连续性）和二阶导数（曲率）项来衡量：

       外部能量（适应图像特征）: 外部能量促使轮廓向图像中特征显著变化的区域（如边缘）靠拢。这通常通过图像梯度来实现：

       图像力（引导力）: 图像力可以是梯度向量场，直接引导轮廓向边缘靠近，也可以包括其他先验知识，如形状约束或区域信息。

      综合考虑，活动轮廓模型的整体能量函数可表示为：

2.优化求解

       活动轮廓模型的优化通常采用梯度下降法或其他数值优化方法。针对能量函数的最小化，需要计算其梯度，并据此更新轮廓位置。具体步骤如下：

       随着时间的推移，活动轮廓模型经历了多次改进，例如引入活动轮廓的自适应性（Active Shape Models, ASM）和活动外观模型（Active Appearance Models, AAM），以及引入水平集方法（Level Set Methods）来处理拓扑变化，使得轮廓可以分裂和合并，更加灵活地适应复杂的边界变化。   

3.MATLAB程序

..................................................................
for J = 1:Iter_Num
    %找到分界点
    index   = find(phi<2 & phi>-2);  
    [R2,C2] = ind2sub(size(phi),index);
    K       = zeros(size(index));
    d_T     = zeros(size(index));
    Pt_in   = find(phi<0);
    Pt_out  = find(phi>0);
    %计算概率密度函数
    pin     = func_pdf(I(Pt_in))';
    pout    = func_pdf(I(Pt_out))';
    %计算面积
    Area_in = numel(Pt_in); 
    Area_out= numel(Pt_out);
    T       = log((pin+Sm)./(pout+Sm));
    D       = sqrt(mean(T.^2) - mean(T).^2);
    for i = 1:numel(index)
        nr  = R2(i);  
        nc  = C2(i); 
        ind = index(i);
        %边界条件
        if (nr+1) >= R2
            nr = R-1; 
        end
        if (nr-1) <= 0  
            nr = 2;    
        end
        if (nc+1) >= C2 
            nc = C-1; 
        end
        if (nc-1) <= 0   
            nc = 2;    
        end
        
        %一阶差分，二阶差分
        phi_x  = phi(nr,nc+1) - phi(nr,nc-1);
        phi_y  = phi(nr+1,nc) - phi(nr-1,nc);
        phi_xx = phi(nr,nc+1) - 2*phi(nr,nc) + phi(nr,nc-1);
        phi_yy = phi(nr+1,nc) - 2*phi(nr,nc) + phi(nr-1,nc);
        phi_xy =-0.25*phi(nr-1,nc-1)-0.25*phi(nr+1,nc+1)+0.25*phi(nr-1,nc+1)+0.25*phi(nr+1,nc-1); 
        %梯度
        norm   = sqrt(phi_x.^2 + phi_y.^2);
        K(i)   =((phi_x.^2.*phi_yy + phi_y.^2.*phi_xx - 2*phi_x.*phi_y.*phi_xy)./(phi_x.^2 + phi_y.^2 +Sm).^(3/2)).*norm;       
        %能量最小化    
        delta  = func_energymin(h-(I(ind)+1),1);
        delta  = delta/(sum(delta));
        G      = (1/Area_in - 1/Area_out) - delta.*(1./(Area_in*pin+Sm) + 1./(Area_out*pout+Sm));
        d_T(i) = (1./D) * (mean(T.*G)-mean(T)*mean(G))*norm;
        d_T(i) = 0.25*sign(d_T(i)); 
    end
    e          = d_T + K/8;
    max_e      = max(abs(e));
    phi(index) = phi(index) + (0.4/(max_e+Sm))*(e);
    %更新
    phi        = func_diff(phi);
    %动态显示分割效果
    if mod(J,5) == 0 
       J 
       imshow(uint8(I)); 
       hold on;
       contour(phi,[0,0],'r','linewidth',2); 
       drawnow; 
    end
    hold off;   
end
    
%输出分割效果图
phi2   = im2bw(phi);
[R,C]  = size(phi2);
Object = zeros(R,C,3);
for i = 1:R
    for j = 1:C
        if phi2(i,j)==0
           Object(i,j,1) = Irgb(i,j,1);
           Object(i,j,2) = Irgb(i,j,2);
           Object(i,j,3) = Irgb(i,j,3);
        end
    end
end

end
end

function f = func_energymin(x,sigma)
f = (1/2/sigma)*(1+cos(pi*x/sigma));
b = (x<=sigma) & (x>=-sigma);
f =  f.*b;
end
up4093

4.仿真结果

算法会对该运动目标进行实时的轮廓跟踪，为背景的替换奠定了基础。

优点：可以实现背景替换和目标的跟踪；

缺点：由于进行轮廓的跟踪，比较复杂，算法仿真较慢，如果要做实时的情况，需要进一步简化算法，简化场景。另外就是对于背景太复杂的情况，就没法跟踪（多数跟踪算法都有这个问题，但影响不大，只是在轮廓跟踪的时候影响就比较大）