《表2 图8中的迭代参数以及耗时情况Tab.2 Number of iterations and processing time of figure 8》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《结合全局与局部信息的主动轮廓分割模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

采用实际的图像验证本文所提分割方法的可靠性，同时与LCV模型、文献[14]模型以及LBG模型进行实验对比，实验结果如图8所示。图8（a）为不同的曲线初始化位置，图8（b）为LCV模型的分割结果，图8（c）为文献[14]模型分割结果，图8（d）为LBG模型分割结果，图8（e）为本文模型的分割结果。分割前四幅图像时本文模型选取参数α=0.2，β=0.8，后两幅图像则选取参数α=0.9，β=0.1进行分割。表2为对应图8各方法的迭代次数以及处理时间。LCV模型耗时较短，但其分割前四列图像时并没有取得较好的分割结果，这是由于LCV模型可以看作由原始图像以及变换的原始图像相结合的CV模型，在一定程度上，LCV模型保留了全局项的特点。同时这也较好地解释了该方法完成后两列灰度同质图像的分割效果。文献[14]的模型能够较好地完成第一列图像的分割，但初始轮廓发生变化后，未能分割出第二列图像。第三幅第四幅图像较好地完成分割，但第五列和第六列图像未能得到较好的分割结果，该模型分割时间较长，存在难以分割出感兴趣区域的现象。LBG模型的分割结果与文献[14]相似，这是由于两者均受梯度信息的影响，对初始轮廓敏感，耗时较长且不能取得理想的分割结果。本文提出的模型可以得到满意的分割结果，可以有效地分割同质图像和灰度不均匀图像，耗时较短且对初始轮廓不敏感。