关于全局水平集模型的凸性理解

在传统方法的图像分割中，水平集模型是非常最经典的。原理来说是通过曲线轮廓的演化，经过一段时间的体验，一般来说水平集就是曲线外侧的数值一直减小，水平集内侧的数值一直增大。并且越靠近边缘的水平集变化程度越小，经过多次迭代便可以通过等高线，或者一般来说取零水平线，来显现出图像的轮廓。

在很多论文中提到了一种全局凸的水平集模型，例如Chan等人提出的凸版本局部二元拟合LBF模型如下：

其中的参数与具体细节请看这里

然后本人对比了一下普通的非凸版本的局部二元拟合LBF模型，如下：

经过对比观察凸版本和非凸版本的两种LBF模型，除了凸版本的LBF模型带了个边缘指示器 g以外，基本没啥区别？那是如何转化为凸版本的呢？

最终我们把目光定在了凸版本模型中的 上，一下子就豁然开朗了。

假设水平集演化次数非常非常多，无穷的在演化，那么曲线内外的值将会变成正无穷和负无穷，也就是不断地增大，完全不收敛（当然我们也可以通过0水平集的位置变化作为停止条件，但是并不影响这个能量泛函不收敛的事实）

总结：

凸版本水平集模型的实现主要通过限制约束水平集函数 u 的范围来实现，比如之前距离 0 水平集外侧很远的位置的水平集函数的值为负无穷，但是被强行正则化为0，而水平集内侧的最大的值也被限制为1，那么在演化到一定程度时（约束后上层水平集函数和下层水平集函数的范数作为损失的计算），即可达到收敛的效果。

 

（以上纯属个人理解，有问题望指正）