27、自适应B样条模型与FONN的图像分析与分类

自适应B样条模型与FONN的图像分析与分类

自适应B样条模型在图像轮廓估计中的应用

实验结果

图像的轮廓估计是图像处理中的重要任务，而噪声的存在会增加轮廓估计的难度。在实验中，考虑了不同的噪声分布，如高斯分布和瑞利分布。表达式 (5) 依赖于 $p_z$ 的特定结构，不同的分布对应不同的参数估计方式：
- 高斯分布 ：对于均值为 $\mu$ 、方差为 $\sigma^2$ 的高斯密度，$\psi_z \equiv{\mu_i, \sigma^2_i}$（$i = 1, 2$）的估计分别由对象和背景区域内的均值和方差给出。
- 瑞利分布 ：瑞利分布由 $p(z/\varphi) = \frac{z}{\varphi} \exp(-\frac{z^2}{2\varphi})$（$z \geq 0$）给出，$\psi_z \equiv{\varphi_1, \varphi_2}$，其中 $\varphi_1$ 和 $\varphi_2$ 分别是对象和背景区域的瑞利参数。

在合成图像上进行实验，这些图像受到高斯分布（$I_G, J_G$）和瑞利分布（$I_R, J_R$）噪声的干扰。算法 1 在这些图像上的实现结果表明，从各种初始轮廓开始，都能成功估计出轮廓，证明了这种基于区域的可变形模型方法对轮廓初始化的鲁棒性。只要初始轮廓与真实轮廓相交，或者完全在真实轮廓内部或外部，就能保证收敛。而且，尽管图像存在噪声，对象的轮廓仍能被正确估计。对于不包含复杂形状对象的测试图像，9 到 12 个控制点就足以使 B 样条曲线适应明显的轮廓。

然而，当处理具有复杂形状的合成图像时，算法