AOS加性算子分裂法

最新推荐文章于 2022-03-31 22:56:31 发布

韩向上

最新推荐文章于 2022-03-31 22:56:31 发布

阅读量1.6k

点赞数 1

分类专栏：图像分割文章标签：机器学习

本文链接：https://blog.csdn.net/luralying/article/details/105436768

版权

AOS加性算子分裂法

加性算子分裂法顾名思义，就是在不同维度上分开讨论，最后相加。需要不同维度上正交。

图像分割能量函数经过梯度下降法得到的的迭代公式一般为：
$\frac{\partial \phi}{\partial t}=\mu \delta_{\epsilon}(\phi) \nabla.(\frac{\nabla \phi}{|\nabla \phi|})+v\nabla(\nabla \phi (1-\frac{1}{|\nabla \phi|}))+F(x,y)$

令 $E=\frac{1}{|\nabla \phi|},F=1-\frac{1}{|\nabla \phi|}$ 显然E和F都是一个二维矩阵。

在讨论二维之前，我想先讨论一维的情况。
要想知道一维半隐式方程的解法，需要先知道Thomas算法。分享一篇文章(10分钟理解托马斯算法)
https://blog.csdn.net/qq_35025383/article/details/80821884
对于一维的AOS算法 $\frac{\phi^{n+1}-\phi^{n}}{\Delta t}=A(\phi^n)\phi^{n+1}+F(x)$

$(I-\tau A(\phi^{n}))\phi^{n+1}=\widehat{\phi}^{n}$ 其中
$\tau=\Delta t$ , $\widehat{\phi}^{n}=\phi^{n}+F(x)$
A是通过中心差分法获得。 $(A(\phi^{n})\phi^{n+1})_i=\mu\delta_{\epsilon}(\phi)(\partial_x(E\phi_{x}^{n+1}))+v(\partial_x(F\phi_{x}^{n+1})) \\ =\mu\delta_{\epsilon}(\phi)\frac{E_{\frac{i+1}{2}}^{n}(\phi_{x}^{n+1})_{\frac{i+1}{2}}-E_{\frac{i-1}{2}}^{n}(\phi_{x}^{n+1})_{\frac{i-1}{2}}}{h_x}+v\frac{F_{\frac{i+1}{2}}^{n}(\phi_{x}^{n+1})_{\frac{i+1}{2}}-F_{\frac{i-1}{2}}^{n}(\phi_{x}^{n+1})_{\frac{i-1}{2}}}{h_x} \\ = \mu\delta_{\epsilon}(\phi) \frac{\frac{E_{i+1}^{n}+E_{i}^{n}}{2}(\frac{\phi_{i+1}^{n+1}-\phi_{i}^{n+1}}{h_x})-\frac{E_{i}^{n}+E_{i-1}^{n}}{2}(\frac{\phi_{i}^{n+1}-\phi_{i-1}^{n+1}}{h_x})}{h_x} +v\frac{\frac{F_{i+1}^{n}+F_{i}^{n}}{2}(\frac{\phi_{i+1}^{n+1}-\phi_{i}^{n+1}}{h_x})-\frac{F_{i}^{n}+F_{i-1}^{n}}{2}(\frac{\phi_{i}^{n+1}-\phi_{i-1}^{n+1}}{h_x})}{h_x} \\ = \mu\delta_{\epsilon}(\phi) \frac{(E_{i+1}^{n}+E_{i}^{n})(\phi_{i+1}^{n+1}-\phi_{i}^{n+1})-(E_{i}^{n}+E_{i-1}^{n})(\phi_{i}^{n+1}-\phi_{i-1}^{n+1})}{2h_{x}^2} +v\frac{(F_{i+1}^{n}+F_{i}^{n})(\phi_{i+1}^{n+1}-\phi_{i}^{n+1})-(F_{i}^{n}+F_{i-1}^{n})(\phi_{i}^{n+1}-\phi_{i-1}^{n+1})}{2h_{x}^2}$

最低0.47元/天解锁文章

韩向上

关注

1
点赞
踩
10

收藏

觉得还不错? 一键收藏
1
评论
AOS加性算子分裂法

AOS加性算子分裂法加性算子分裂法顾名思义，就是在不同维度上分开讨论，最后相加。需要不同维度上正交。图像分割能量函数经过梯度下降法得到的的迭代公式一般为：∂ϕ∂t=μδϵ(ϕ)∇.(∇ϕ∣∇ϕ∣)+v∇(∇ϕ(1−1∣∇ϕ∣))+F(x,y)\frac{\partial \phi}{\partial t}=\mu \delta_{\epsilon}(\phi) \nabla.(\frac{\...
复制链接

扫一扫