宋 野

(长春工业大学人文信息学院，吉林 长春 130122)

1 引言

数字图像信息量繁多，结构多样化，在表达、储存、传输过程中会由于一些特殊环境影响，导致图像低频成分轮廓边缘丢失，若这种情况下丢失的面积较大，难以用去噪的方法保留图像边缘，随着专业人员的不断探索，研究出大量的轮廓丢失边缘保留方法。针对数字图像而言，边缘是由一系列的边缘点构成，数字图像的低频成分为图像中灰度值变化缓慢的区域。

传统的数字图像低频成分通过自适应形态学、代价函数最小化、智能布线法等，保留成分轮廓丢失边缘，然而，这些方法产生大量参数，并且这些参数的制定与具体图像有关，不便于实际操作应用。传统方法利用代价最小化算法保留丢失的边缘[1]，此方法把图像融入到边缘保留中，使图像边缘得到恢复，实验结果证明了该方法的有效性。但这种算法利用代价函数还不能够准确提取图像的特征，同时若丢失边缘位于目标轮廓边角处时，传统的算法无法保留目标轮廓的边缘信息，导致轮廓提取结果与图像的初始形状会出现不一致。传统方法在主动轮廓模型(Snake)的基础上[2]，提出了GVF Snake模型[3]，利用变分与偏微分算法把新的外立场梯度向量场(Gradient Vector Flow，GVF)转入到Snake模型中，经典Snake模型能够提取边缘轮廓的目标，目前已有大量针对Snake模型改进的算法，Snake模型主要是通过轮廓线来接近目标的真实轮廓，能够保留丢失边缘，解决了对目标轮廓的提取，但是，传统的主动轮廓模型不能够完全保留图像轮廓边缘处的信息。……