采用局部与全局高斯拟合的轮廓分割模型。

简介：
基于局部高斯拟合的轮廓模型，通过分析图像的均值和方差特征，对其信息进行精确拟合。相较于仅依赖图像灰度均值信息进行建模的传统主动轮廓模型，该模型在分割复杂医学图像方面表现出更优越的性能。然而，由于该模型仅利用了图像的局部特征进行建模，导致其收敛速度相对较慢，并且在构建能量泛函时，所采用的传统Heaviside函数限制了分割精度。为了克服这些不足，本文在改进Heaviside函数的基础上，引入全局高斯拟合项，并对局部高斯拟合项和全局高斯拟合项的权重系数都采用了自适应调整策略。最终，我们得到了融合了局部与全局高斯拟合的轮廓分割模型。实验结果表明，改进后的模型不仅能够有效分割均值相同但方差不同的图像，还能显著提升对质量较差医学图像的分辨率能力。