文档介绍：1, Markus Unger, Thomas Pock, and Horst Bischof 在文章<Continuous Globally Optimal Image Segmentation with Local Constraints>中,
GAC模型实现的局部最小化,---最小化加权总变分能量泛函,它能在局部限制上,产生全局最优化效果.
2赵骥1,2, 邵富群1, 张学东2 <基于改进的变分GAC模型矢量图像分割>
近年来, 主动轮廓模型因其完备的理论基础和良好的鲁棒性而倍受关注. 主动轮廓模型包括参数变形模型[7]和几何变形模型[8]. 参数变形模型表达简洁, 实施快捷, 但该方法难以处理在变形过程中发生拓扑结构的变化问题; 而几何变形模型隐式地将曲线或曲面表达为高维标量函数的水平集, 可以自然地处理拓扑结构的分裂与融合, 几何变形模型的理论基础是曲线演化理论和水平集方法[9].尽管这两种方法有本质的不同, 但基本原理非常相似[10], 本文提出的改进算法采用的是基于水平集理论的侧地活动轮廓(GAC) 模型[8]. GAC模型的数学理论基础是偏微分方程, 其求解过程就是图像的分割过程.
在数学上, 梯度和散度算子均是旋转不变量[12],在基于水平集方法的曲线演化数值实现过程中会用到梯度和散度算子, 在传统的有限差分方法中, 梯度算子和散度算子只在水平和垂直方向有效. 本文提出的改进算法采用数值实现方法使梯度和散度算子在水平、垂直和对角线方向旋转不变, 提高了分割算法对弱边缘的辨别能力和算法的鲁棒性.
3 Zheng Yinga,∗, LiGuangyaoa, SunXiehuab, ZhouXinmina <Geometric active contours without re-initialization for image segmentation>
文章中提到:不需要重新初始化的GAC模型,可用于灰度图像和彩色图像的图像分割.
4 红皮书文献: [34],
5,另外用到的文献