В связи с проблемой чувствительности традиционных алгоритмов сегментации методом уровневых наборов к начальным контурам и недостаточной робастностью к шуму, предложена модель сегментации, основанная на глобальном гауссовском распределении и статистической мере нормы. Эта модель интегрирует информацию о границах изображения и глобальную региональную информацию, реализуя извлечение границ объекта и улучшая устойчивость к начальному контуру и шуму. Во-первых, с использованием стратегии интеграции глобальной информации разработан новый глобальный энергетический член в качестве элемента данных. При этом начальный контур направляется к границе объекта с помощью глобального энергетического члена и регуляризационного члена для точной сегментации целевого региона. Во-вторых, определено глобальное гауссовское распределение энергии приближения функции уровневого набора, где глобальные среднее и дисперсия рассматриваются как переменные. Наконец, в процессе итераций минимизация энергии достигается путем чередующегося эволюционного обновления уровневого набора и оценки глобальных средних значений интенсивности и дисперсий. Экспериментальные результаты на синтетических, реальных и природных изображениях показали, что предложенная модель демонстрирует хорошую сегментацию при гауссовском шуме, спекловом шуме и шуме соли и перца. Кроме того, модель превосходит классические модели активных контуров по точности сегментации и времени работы алгоритма. Эта модель улучшает точность сегментации изображений с высоким уровнем шума, эффективно извлекает границы объекта и показывает превосходные характеристики как в точности сегментации, так и в вычислительной эффективности.

сегментация изображений;активный контур;статистическая норма;уровневые наборы;гауссовское распределение