Um die Problematik der Empfindlichkeit traditioneller Level-Set-Segmentierungsalgorithmen gegenüber Anfangskonturen und deren geringe Rauschrobustheit zu adressieren, wird ein Segmentierungsmodell auf Basis einer globalen Gauß-Verteilung und einer statistischen Normmetrik vorgeschlagen. Dieses Modell verbindet Kantendaten des Bildes mit globalen Regioneninformationen, um die Extraktion der Zielgrenze zu realisieren und die Robustheit gegenüber Anfangskonturen und Rauschen zu verbessern. Zunächst wird unter Verwendung einer Strategie zur Fusion globaler Informationen ein neuer globaler Energieterm als Datenterm entworfen. Gleichzeitig wird die Anfangskontur durch den globalen Energieterm und einen Regularisierungsterm zum Zielrand geführt, um eine präzise Segmentierung der Zielregion zu erzielen. Als nächstes wird eine globale Gauß-Verteilung für die Anpassungsenergie der Level-Set-Funktion definiert, wobei der globale Mittelwert und die Varianz als Variablen betrachtet werden. Schließlich wird während des Iterationsprozesses durch abwechselnde Level-Set-Evolution und Schätzung des globalen Mittelwerts und der Varianz der Intensität die Energie minimiert. Experimentelle Ergebnisse an synthetischen, realen und natürlichen Bildern zeigen, dass das vorgeschlagene Modell gute Segmentierungsergebnisse bei Gaußschem Rauschen, Fleckenrauschen und Salz-und-Pfeffer-Rauschen erzielt. Darüber hinaus übertrifft dieses Modell andere klassische aktive Konturenmodelle hinsichtlich Segmentierungsgenauigkeit und Laufzeit. Das in diesem Artikel vorgestellte Modell verbessert die Segmentierungsgenauigkeit bei stark verrauschten Bildern, erreicht eine gute Extraktion der Zielgrenzen und zeigt sowohl bei der Segmentierungsgenauigkeit als auch bei der Recheneffizienz überlegene Leistungen.

Bildsegmentierung;aktive Konturen;statistische Norm;Level-Set;Gauß-Verteilung