Ein einheitliches Tensor-Level-Set zur Bildsegmentierung

In dieser Arbeit wird ein neues regionsbasiertes einheitliches Tensor-Level-Set-Modell zur Bildsegmentierung vorgestellt. Dieses Modell führt einen Tensor dritter Ordnung ein, um die Merkmale von Pixeln umfassend darzustellen, z.B. Grauwerte und die lokalen geometrischen Merkmale wie Orientierung und Gradienten, und generalisiert dann die repräsentative regionsbasierte Level-Set-Methode von Skalar zu Tensor, indem eine gewichtete Distanz definiert wird. Das vorgeschlagene Modell hat im Vergleich zur traditionellen repräsentativen Methode vier Hauptvorteile. Erstens ist das Modell, das die Gaussian-Filterbank einbezieht, robust gegenüber Rauschen, insbesondere dem Salz-und-Pfeffer-Rauschen. Zweitens legt das Modell, indem es die lokalen geometrischen Merkmale wie Orientierung und Gradient berücksichtigt, mehr Wert auf Grenzen und lässt die sich entwickelnde Kurve leichter an der Grenzstelle stoppen. Drittens segmentiert das Modell aufgrund der einheitlichen Tensor-Pixel-Darstellung die Bilder genauer und natürlicher. Viertens verfügt das Modell auf der Grundlage einer gewichteten Distanzdefinition über die Fähigkeit, mit Daten umzugehen, die von Skalar zu Vektor und dann zu hochdimensionalem Tensor variieren. Wir wenden die vorgeschlagene Methode auf synthetische, medizinische und natürliche Bilder an, und das Ergebnis legt nahe, dass die vorgeschlagene Methode der verfügbaren repräsentativen regionsbasierten Level-Set-Methode überlegen ist.