Level set evolution driven by optimized area energy term for image segmentation

به عنوان یک مدل کانتور فعال کلاسیک و معروف برای تقسیم بندی تصویر، راه حل متداول سطح فاصله از راه دور، از روند مجدد اولیه جلوگیری می کند و می تواند تصاویر را به صورت انعطاف پذیر جدا کند، اما از اشیا با مرزهای ضعیف ناپدید می شود و به مرزهای دروغین می رسد. در این مقاله، یک مدل پیشرفته ارائه شده برای مدل تحول ارائه شده است که در آن یک واژه انرژی بهینه شده با ترکیب یک ماتریس در حال رشد منطقه و یک تابع شاخص مرزی سازگار به منظور تشخیص مرزهای موثر برای تصاویر با چندین مقصد مجاور اضافه شده و همزمان همگام سازی را افزایش می دهد . با یک تابع شاخص مرزی سازگار که شامل آستانه تعریف شده توسط انحراف استاندارد تصاویری است که می تواند شناسایی شود، این مدل می تواند مرزهای دروغین را پیاده سازی کند و تقسیم بندی درست را برای تصاویر کنتراست کم انجام دهد. در ضمن، عملکرد بالقوه دو باله بهینه شده است تا مدل پایدارتر شود. نتایج تجربی در تصاویری از اشیاء مختلف ثابت کرده اند که مدل پیشنهادی نه تنها دقت مرزها را بهبود می بخشد، بلکه هزینه های محاسباتی را کاهش می دهد و کارایی قویتری را نسبت به برخی از مدل های کنترلی فعال بر پایه لبه انجام می دهد.