刘 野 肖剑彪 吴 飞 常 亮 周 军

(电子科技大学 成都 611731)

1 引言

图像分割技术已经广泛应用于多个领域，如医学图像分析、自动驾驶、人脸识别等[1—3]。该技术可以独立应用或作为目标检测和目标分类应用的预处理方法。图像分割可以使用传统的分割方法实现(如水平集方法)，也可以使用基于神经网络的方法。其中，基于神经网络的图像分割方法比如全卷积网络(Fully Convolutional Networks， FCN)和U-Net[4]，由于其高准确率的特点，在近几年吸引了大量关注。但是这些方法的缺点是需要大量的训练数据才能达到如此高的准确率。为了制作图像分割的标签，需要为每个训练的数据画出目标轮廓，这往往需要耗费大量精力和时间。与基于神经网络的方法对比，基于水平集的图像分割方法不需要训练数据并且能够达到高准确率。另外，基于水平集的图像分割方法是根据像素纹理进行分割的，与需要训练数据的神经网络方法相比，提供了更强的鲁棒性。

水平集方法由Osher等人[5]首次提出，用于捕获动态的图像轮廓。随后，Kass等人[6]提出了基于活动轮廓模型的改进算法。活动轮廓模型有两种类型：参数活动轮廓模型[6，7]和几何活动轮廓模型[8—10]。水平集算法的关键点是曲线演化理论，即使用高维曲面的零平面表示低维曲面的轮廓。水平集方法与其他的图像分割方法对比的一个优点是它能够很好地处理拓扑结构变化的问题(比如在演化过程中，轮廓的拓扑结构从1个轮廓分化为两个轮廓，或者从两个轮廓合并为1个轮廓的情况)。……