计算机视觉之图像分割——水平集方法_ACWE2001

这篇博客介绍的是2001年的一篇文章Active Contours Without Edges，作者是Tony Chan。这篇文章介绍了一种改进的active contour图像分割或者说轮廓检测方法。作者首先分析了已有的active contour/snakes模型的缺点。作者认为在相关的模型中，能量函数中的图像能量基本上都是定义在图像梯度上的，通过梯度达到最大（即边缘）来让曲线演化停止。但是这种模型检测不到比较光滑的边缘。所以作者提出采用另一种停止曲线演化的策略：Munford-Shah分割技术。

---

一个简单的例子引入能量函数

作者通过一个简单的例子引入自己的模型。现在我们先来看一下这个例子，从而直观感受到作者定义的能量函数在取得极小值时，对应的曲线就是我们希望得到的轮廓。首先说明一下下面将要用到的数学符号：

• $\Omega$：$\mathbb R^2$中的有界开子集
• $u_0$：从$\Omega \to \mathbb R$的一个映射，这里表示图片
• $C(s)$：从$[0,1]\to \mathbb R^2$的映射，表示曲线
• $\omega$：$\Omega$中的开集，曲线$C$是其边界，即$C=\partial \omega$

假设给定一张图片$u_0$，这张图片比较特殊，由两块区域构成，其中区域一所有的像素点取值都为$u_0^i$，区域二中所有的像素点取值都为$u_0^o$。现在我们希望得到区域一的轮廓。考虑下面的”fitting”项（称为fitting应该是因为这个函数控制着曲线最终拟合至物体边缘停止）：

$$F(C) = \int_{inside(C)}|u_0(x,y)-c_1|^2dxdy+\int_{outside(C)}|u_0(x,y)-c_2|^2dxdy \tag 1$$
其中常数 $c_1$和 $c_2$分别是曲线C内部像素点的均值和C外部像素点的均值。对于刚才介绍的特殊的图片，可以看出使得这个能量函数值最小的曲线C就是我们希望得到的区域一的轮廓，此时能量值为0（可以自行验证曲线C不是区域一轮廓的其他几种情况，对应的能量值都大于0）。
作者提出的模型其实就是上面的能量函数，另外还加上了曲线的长度、曲线内区域的面积等正则项：

F(C)=μ⋅Length(C)+