An adaptive weighting parameter selection for improved integrated active contour model

    这篇文章是基于水平集的图像分割模型。文章将图像中的局部梯度信息与全局区域信息相结合，且巧妙的设计了一个自适应参数来衡量图像梯度信息与全局区域信息的重要性。文章很短，但内容充实，获益良多。  

    该文关于图像梯度信息部分内容：

     该文能量泛函中的全局区域信息即CV模型，而梯度信息引入了梯度指示函数，梯度指示函数首先将高斯函数与图像进行卷积，求梯度，平方后加1再求倒数。

                                                                                                                   

    详细分析下该式：高斯函数是一个高通函数，与图像相乘后，图像中变化缓慢的部分将被滤除，再求梯度及倒数后，所得矩阵中元素值：图像该像素梯度较大或突变强烈时，所得矩阵在该处的值非常小，反之较大，平滑处为1。所以该矩阵可准确反映出图像中个点的梯度大小。

                                                                                 

    能量泛函中，将梯度指示函数与阶跃函数的梯度相乘的积分，即为梯度信息。详细分析下阶跃函数的特性及梯度指示函数与阶跃函数的梯度相乘后积分所得结果的性质及含义：阶跃函数在0处存在较大的斜率，因此在此处梯度较大，而在其他位置，取值为常数，斜率为0，梯度也为0。在本文背景中，水平集的阶跃函数在0水平处，取值较大，在其他位置取值较小，与梯度指示函数相乘并积分，可认为是0水平处的像素梯度倒数和。当演化曲线落在高梯度像素上，上述的和很小，在能量泛函中的和也就越小，当能量泛函取值最小时，图像分割结束。

    该文的参数设定原因及方法：

    本文在第三部分提到：当梯度信息作为能量泛函中的主导信息时(即能量泛函中梯度信息权重较大时)，演化曲线的演化速度快；当图像区域信息作为能量泛函的主导信息时，图像分割不易产生边界泄露。因此当演化曲线落在离边界较远的区域时，应将边界信息作为主导信息，使得演化曲线快速收敛到目标边界附近，当演化曲线已落在目标边界附近处，能量泛函中的区域信息作为该处的主导信息，将目标分割出来。这样设置的参数既可以提高分割速度，也可以提高图像分割的精度。参数设置为：

                                                                             

    其中，表示图像中靠近边缘的像素点。本文利用水平集为符号距离函数的特性，将水平集函数取值小于某一阈值的像素集合作为。式(10)的含义即非常明确了，就是靠近边界处像素的梯度求平均后取倒数。当演化曲线落在高梯度位置处，权值较小，此时曲线应该在边界附近，因此区域信息为能量函数的主要信息，实现了图像的快速、精确分割！