Snake模型背景及应用

Snake模型称为动态轮廓模型（Active Contour  Model）是Kass与1987年提出的，它对于在噪声和对比度不敏感，能将目标从复杂背景中分割出来，并能有效的跟踪目标的形变和非刚体的复杂运动而被广泛用于图像分割和物体跟踪等图像处理领域。

Snake主要原理是先提供待分割图像的一个初始轮廓的位置，并对其定义个能量函数，是轮廓沿能量降低的方向靠近。当能量函数达到最小的时候，提供的初始轮廓收敛到图形中目标的真实轮廓。

Snake能量函数是有内部能量函数和外部能量函数组成，内部能量控制轮廓的平滑性和连续性，外部能量由图像能量和约束能量组成，控制轮廓向着实际轮廓收敛，其中约束能量可根据具体的对象形态定义，使得snake具有很大的灵活性。

Snake模型发展10多年来，许多学者对于经典的snake模型做了改进，提出各种改进的snake模型，其中梯度矢量流（Gradient Vector  Flow,GVF）模型扩大了经典snake的外力作用范围，加强了对目标凹轮廓边缘的吸引力，提高了传统的snake模型。

 

Snake模型主要研究的方面：

1.表示内部能量的曲线演化    2.外力    3.能量最小化

Snake模型初始轮廓的选择

由于snake模型对于初始位置比较敏感，因此要求初始轮廓尽可能的靠近真实轮廓，而当图像边缘模糊，目标比较复杂或与其他的物体靠的比较近时，其初始轮廓更不易确定。

现有的初始轮廓确定的方法有以下几种：1.人工勾勒图像的边缘    2.序列图像差分边界    3.基于序列图像的前一帧图像边界的预测  4.基于传统图像分割结果进行边界选取

分水岭算法

分水岭算法是由S.Beucher  F.Meyer最早引入图像分割领域，它的基本思想是来源于测地学上的侧线重构，其内容是把图像看做是测地学上的拓扑地貌。进行分水岭模型计算的比较经典的算法是L  Vincent提出的，在该算法中首先是对每个像素的灰度级进行从低到高排序，然后用等级对垒模拟淹没，初始时，等级队列中为淹没的初始点，在从低到高实现淹没的过程中，对每一个局部极小值在H阶高度的影响域采用先进先出（FIFO）结构进行判断及标注，直到最后一个值被淹没，从而正确划分各个区域。

整个洪水淹没的循环迭代过程可以通过以下两个步骤表示：

分水岭算法的优点：

1.分水岭算法对于图像中由于像素差别较小而产生微弱边缘具有良好的响应，可以得到封闭连续的边缘，而且可以保证在照明，阴影等影响下分割边缘的封闭性和连续性

分水岭算法对于目标物体之间或者是目标物体同背景物体之间粘连的情况有较好的处理效果。能够较好的分割这类目标物体。

3.图像内部的阴暗变化对于分水岭算法影响较小，可以在一定程度上减小由于阴暗便哈带来的图像分割影响

与其他边缘分割算子比较：

Canny算子可以很好的勾勒出物体的轮廓，过分的强调轮廓的特性，而没有强调物体的轮廓必须是封闭的，在图像中显示的轮廓是不封闭的，物体内部阴暗变化也被当做边界检测出来，形成大量的伪边缘。

分水岭算法分割得到的轮廓曲线时连续封闭的，图像内部的阴暗变化没有生成独立的轮廓线。

Snake模型的缺陷：

对初始位置敏感，易陷入局部极值，无法收敛到轮廓深度凹陷部分，不具备自动拓扑变换功能等。

Snake模型的改进算法：

1.Cohen提出的气球（balloon）理论模型:应用压力和高斯能力一起增大吸引范围的方法，该压力可使模型扩大或缩小，因此不再要求将模型初始化在所期望的对象边界附近。在图像的梯度力场上叠加气球里，以使轮廓线作为一个整体进行膨胀或收缩，从而扩大了模型寻找图像特证的范围。

优势：对初始边界不敏感            存在的缺点：存在弱边界，漏出边界间隙等问题。

2.Xu提出梯度矢量流（GVF）概念，用GVF场代替经典外力场，GVF场可以看做是对图像梯度场得逼近，这不仅使模型捕捉的范围得到了提高，而且能使活动轮廓进入凹陷区。

优势：有良好的收敛性，深入目标边缘的凹陷区域           存在的缺点：仍不能解决曲线的拓扑变化问题

局部优化算法：

1.Amini提出基于动态规划的snake算法。 2.变分法  3.贪婪算法  4.有限差分法   5.有限元法

全局优化算法：

1.模拟退火     2.遗传算法    3.神经网络

Snake模型的蚁群算法（Ant Colony Optimization）模型

蚁群算法是最近几年有意大利学者M.Dorigo等人首次提出的一种新型的模拟进化算法，称为蚁群系统，蚁群算法通过候选解组成的群体的进化过程来寻求最优解，该过程包括两个基本阶段：适应阶段和协同工作阶段，算法本身采用正反馈原理，加快了进化过程，不易陷入局部最优解，而且个体之间不断进行信息交流和传递，有利于对解空间的进一步探索，因此有很强的发展解的能力。

 

Snake的进化模型

1.McInerney 提出一种拓扑自适应snake模型（Topology Adaptive  Snake,T-Snake）

该算法基于仿射细胞图像分解（Affine Cell Image  Decomposition，ACID）先在待分割图像上加以三角网格，然后在图像区域的适当位置做一条初始曲线，最后取曲线与网格的交点作为snake的初始离散点，其第i个snake的离散点的坐标为其中，相邻两点，之间由一条弹性样条连接而成

由于T-Snake模型可借助三角形网格和网格点的特征函数来确定边界三角形，可促使snake模型演化过程中的分裂和合并，从而保证了其具有能够处理拓扑结果复杂图像的能力，因此能够很好的满足医学图像拓扑结果复杂的特点。此算法用于脑部MR切片有良好的性能。

2.双T-Snake模型

双T-Snake模型（Dual-T-Snakes）是在T-Snake模型的基础上产生的，其主要思想是采用内外两个初始轮廓，其中一个轮廓从目标外向内收缩和分裂，另一个轮廓从目标内部向外膨胀，两个初始轮廓可以离目标边界较远，迭代的过程中对能量较大的轮廓增加驱动力，使其靠近与之相对应的轮廓，直到连个轮廓收敛到同一个为止

3.Loop  Snake 模型

Loop  Snake模型是一种加强了拓扑控制的T-Snake模型，这种方法的关键集中在曲线的每一步进化中都要形成循环，其基本思想是，确保图像轮廓曲线精确地线性地映射到适当的分类中，然后在额外的记过loop-Tree的帮助下，尽可能少的时间内运用已经被snake探究的循环来决定是否进行区域划分，这种模型的实质是对T-Snake模型的一种改进。由于加强了拓扑控制，使得Loop Snake模型既可以忽略背景中强噪声又可以在演化过程中进行多次分裂。

4.连续snake模型

在Snake模型中，轮廓曲线由一条给定容许误差范围的光滑曲线组成，相对于离散snake来说，连续snake模型所需要的控制点少，比离散的更具优越性。

5.B-Snake模型

B-Snake模型是通过B样条曲线来定义的，其轮廓曲线由各曲线段光滑相连而成，每一个曲线段都是由一个给定次数多项式表示，这种多项式是B样条曲度函数的一种线性组合，并以控制点为系数。在有些B-Snake模型中并没有明确应用内部能量，这是因为B样条本身就含有内部能量，snake轮廓曲线只受外力影响着图像边缘移动。可用于对图像切片分割区域的描述与跟踪而用于器官的三维重建。

 

应用snake的优势：由于生物或人体组织解剖结构的复杂性，以及软组织形状的易变性，那些仅依赖于图像本身的灰度，纹理属性等低层次视觉属性来进行分割的图像分割方法难以获得理想的分割效果，因此医学图像分割迫切需要有一种灵活的框架，能将基于图像本身低层次视觉属性（边缘，纹理，灰度，色彩）和人们对于待分割目标的知识经验，如目标形状的描述，亮度，色彩的经验统计，医生的经验等，可以一种有机的方式整合起来，得到待分割区域的完整表达。