Hi，大家好，我是编程小6，很荣幸遇见你，我把这些年在开发过程中遇到的问题或想法写出来，今天说一说
snake模型原理_什么是SPICE模型,希望能够帮助你!!!。

http://www.cnblogs.com/chenxofhit/archive/2011/12/08/2281215.html

Snake模型背景及應用

Snake模型稱為動態輪廓模型（Active Contour  Model）是Kass與1987年提出的，它對於在噪聲和對比度不敏感，能將目標從復雜背景中分割出來，並能有效的跟蹤目標的形變和非剛體的復雜運動而被廣泛用於圖像分割和物體跟蹤等圖像處理領域。

Snake主要原理是先提供待分割圖像的一個初始輪廓的位置，並對其定義個能量函數，是輪廓沿能量降低的方向靠近。當能量函數達到最小的時候，提供的初始輪廓收斂到圖形中目標的真實輪廓。

Snake能量函數是有內部能量函數和外部能量函數組成，內部能量控制輪廓的平滑性和連續性，外部能量由圖像能量和約束能量組成，控制輪廓向著實際輪廓收斂，其中約束能量可根據具體的對象形態定義，使得snake具有很大的靈活性。

Snake模型發展10多年來，許多學者對於經典的snake模型做了改進，提出各種改進的snake模型，其中梯度矢量流（Gradient Vector  Flow,GVF）模型擴大了經典snake的外力作用范圍，加強了對目標凹輪廓邊緣的吸引力，提高了傳統的snake模型。

 

Snake模型主要研究的方面：

1.表示內部能量的曲線演化    2.外力    3.能量最小化

Snake模型初始輪廓的選擇

由於snake模型對於初始位置比較敏感，因此要求初始輪廓盡可能的靠近真實輪廓，而當圖像邊緣模糊，目標比較復雜或與其他的物體靠的比較近時，其初始輪廓更不易確定。

現有的初始輪廓確定的方法有以下幾種：1.人工勾勒圖像的邊緣    2.序列圖像差分邊界    3.基於序列圖像的前一幀圖像邊界的預測  4.基於傳統圖像分割結果進行邊界選取

分水嶺算法

分水嶺算法是由S.Beucher  F.Meyer最早引入圖像分割領域，它的基本思想是來源於測地學上的側線重構，其內容是把圖像看做是測地學上的拓撲地貌。進行分水嶺模型計算的比較經典的算法是L  Vincent提出的，在該算法中首先是對每個像素的灰度級進行從低到高排序，然後用等級對壘模擬淹沒，初始時，等級隊列中為淹沒的初始點，在從低到高實現淹沒的過程中，對每一個局部極小值在H階高度的影響域采用先進先出（FIFO）結構進行判斷及標注，直到最後一個值被淹沒，從而正確劃分各個區域。

整個洪水淹沒的循環迭代過程可以通過以下兩個步驟表示：

分水嶺算法的優點：

1.分水嶺算法對於圖像中由於像素差別較小而產生微弱邊緣具有良好的響應，可以得到封閉連續的邊緣，而且可以保證在照明，陰影等影響下分割邊緣的封閉性和連續性

分水嶺算法對於目標物體之間或者是目標物體同背景物體之間粘連的情況有較好的處理效果。能夠較好的分割這類目標物體。

3.圖像內部的陰暗變化對於分水嶺算法影響較小，可以在一定程度上減小由於陰暗便哈帶來的圖像分割影響

與其他邊緣分割算子比較：

Canny算子可以很好的勾勒出物體的輪廓，過分的強調輪廓的特性，而沒有強調物體的輪廓必須是封閉的，在圖像中顯示的輪廓是不封閉的，物體內部陰暗變化也被當做邊界檢測出來，形成大量的偽邊緣。

分水嶺算法分割得到的輪廓曲線時連續封閉的，圖像內部的陰暗變化沒有生成獨立的輪廓線。

Snake模型的缺陷：

對初始位置敏感，易陷入局部極值，無法收斂到輪廓深度凹陷部分，不具備自動拓撲變換功能等。

Snake模型的改進算法：

1.Cohen提出的氣球（balloon）理論模型:應用壓力和高斯能力一起增大吸引范圍的方法，該壓力可使模型擴大或縮小，因此不再要求將模型初始化在所期望的對象邊界附近。在圖像的梯度力場上疊加氣球裡，以使輪廓線作為一個整體進行膨脹或收縮，從而擴大了模型尋找圖像特證的范圍。

優勢：對初始邊界不敏感            存在的缺點：存在弱邊界，漏出邊界間隙等問題。

2.Xu提出梯度矢量流（GVF）概念，用GVF場代替經典外力場，GVF場可以看做是對圖像梯度場得逼近，這不僅使模型捕捉的范圍得到了提高，而且能使活動輪廓進入凹陷區。

優勢：有良好的收斂性，深入目標邊緣的凹陷區域           存在的缺點：仍不能解決曲線的拓撲變化問題

局部優化算法：

1.Amini提出基於動態規劃的snake算法。 2.變分法  3.貪婪算法  4.有限差分法   5.有限元法

全局優化算法：

1.模擬退火     2.遺傳算法    3.神經網絡

Snake模型的蟻群算法（Ant Colony Optimization）模型

蟻群算法是最近幾年有意大利學者M.Dorigo等人首次提出的一種新型的模擬進化算法，稱為蟻群系統，蟻群算法通過候選解組成的群體的進化過程來尋求最優解，該過程包括兩個基本階段：適應階段和協同工作階段，算法本身采用正反饋原理，加快了進化過程，不易陷入局部最優解，而且個體之間不斷進行信息交流和傳遞，有利於對解空間的進一步探索，因此有很強的發展解的能力。

 

Snake的進化模型

1.McInerney 提出一種拓撲自適應snake模型（Topology Adaptive  Snake,T-Snake）

該算法基於仿射細胞圖像分解（Affine Cell Image  Decomposition，ACID）先在待分割圖像上加以三角網格，然後在圖像區域的適當位置做一條初始曲線，最後取曲線與網格的交點作為snake的初始離散點，其第i個snake的離散點的坐標為其中，相鄰兩點，之間由一條彈性樣條連接而成

由於T-Snake模型可借助三角形網格和網格點的特征函數來確定邊界三角形，可促使snake模型演化過程中的分裂和合並，從而保證了其具有能夠處理拓撲結果復雜圖像的能力，因此能夠很好的滿足醫學圖像拓撲結果復雜的特點。此算法用於腦部MR切片有良好的性能。

2.雙T-Snake模型

雙T-Snake模型（Dual-T-Snakes）是在T-Snake模型的基礎上產生的，其主要思想是采用內外兩個初始輪廓，其中一個輪廓從目標外向內收縮和分裂，另一個輪廓從目標內部向外膨脹，兩個初始輪廓可以離目標邊界較遠，迭代的過程中對能量較大的輪廓增加驅動力，使其靠近與之相對應的輪廓，直到連個輪廓收斂到同一個為止

3.Loop  Snake 模型

Loop  Snake模型是一種加強了拓撲控制的T-Snake模型，這種方法的關鍵集中在曲線的每一步進化中都要形成循環，其基本思想是，確保圖像輪廓曲線精確地線性地映射到適當的分類中，然後在額外的記過loop-Tree的幫助下，盡可能少的時間內運用已經被snake探究的循環來決定是否進行區域劃分，這種模型的實質是對T-Snake模型的一種改進。由於加強了拓撲控制，使得Loop Snake模型既可以忽略背景中強噪聲又可以在演化過程中進行多次分裂。

4.連續snake模型

在Snake模型中，輪廓曲線由一條給定容許誤差范圍的光滑曲線組成，相對於離散snake來說，連續snake模型所需要的控制點少，比離散的更具優越性。

5.B-Snake模型

B-Snake模型是通過B樣條曲線來定義的，其輪廓曲線由各曲線段光滑相連而成，每一個曲線段都是由一個給定次數多項式表示，這種多項式是B樣條曲度函數的一種線性組合，並以控制點為系數。在有些B-Snake模型中並沒有明確應用內部能量，這是因為B樣條本身就含有內部能量，snake輪廓曲線只受外力影響著圖像邊緣移動。可用於對圖像切片分割區域的描述與跟蹤而用於器官的三維重建。

 

應用snake的優勢：由於生物或人體組織解剖結構的復雜性，以及軟組織形狀的易變性，那些僅依賴於圖像本身的灰度，紋理屬性等低層次視覺屬性來進行分割的圖像分割方法難以獲得理想的分割效果，因此醫學圖像分割迫切需要有一種靈活的框架，能將基於圖像本身低層次視覺屬性（邊緣，紋理，灰度，色彩）和人們對於待分割目標的知識經驗，如目標形狀的描述，亮度，色彩的經驗統計，醫生的經驗等，可以一種有機的方式整合起來，得到待分割區域的完整表達。

今天的分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。