传统图像分割方法主要依赖图像光谱、纹理等底层特征,容易受到图像中遮挡和阴影等的干扰。为此,提出一种基于卷积受限玻尔兹曼机的CV(Chan-Vest)图像分割模型,采用生成式模型——卷积受限玻尔兹曼机对目标形状建模并生成目标形状,以此为先验信息对CV模型能量函数增加目标全局形状特征约束,指导图像分割。在训练数据有限、目标形态各异、目标尺度变化较大的遥感影像数据集Satellite-2000和Vaihigen的目标分割中取得了理想的结果。

舰载光电跟踪设备在跟踪百公里以上的目标时, 由于受到障碍物干扰,目标有时可能从视场中丢失, 需采用记忆跟踪算法对目标的未来时刻位置进行预测, 重新找回目标。常规的CA、CV模型预测目标时忽略了残差, 记忆跟踪时间短, 从而造成预测目标不够精确。针对以上问题, 提出了Kalman目标预测模型, 延长记忆跟踪时间。首先, 由船地坐标转换公式推导了甲板坐标系下船摇速度, 前馈到伺服控制系统速度回路中, 保证视轴自稳定, 同时提高跟踪精度; 其次, 概述了CA、CV、Kalman目标预测模型; 最后, 重点论述了3种目标预测模型记忆跟踪和实时雷达引导二维位置信息之间的关系。试验结果表明, 本文由于引入了Kalman目标预测模型, 使得记忆跟踪时间比传统的CA、CV模型的预测目标时间提高了一个数量级。解决了工程中舰载光电跟踪设备受船摇影响时跟踪精度低和记忆跟踪时间短的问题。

为了解决基于 Chan-Vese（CV）模型的传统水平集方法难以分割灰度不均匀红外图像的问题，本文提出一种基于改进 CV模型的水平集分割方法。通过加入可处理局部区域信息的局部项，使得改进的 CV模型能够有效避免不均匀背景对水平集演化过程的干扰。此外，通过加入符号距离能量惩罚项，使得该模型无需重新初始化过程，从而提高了水平集函数的演化效率。实验结果表明，本文方法对于红外图像的分割具有较高的精度。

针对图像分割中经典GAC模型无法准确分割深度凹陷、灰度不均匀的目标和容易穿越弱边界的问题, 提出了改进的GAC模型。利用图像Renyi熵、图像灰色关联度、图像的局部方差信息构造新能量函数, 扩大经典GAC模型的边界检测能力。仿真结果表明,改进模型在减少分割时间的同时能够成功分割出目标深度凹陷部分, 对弱边界、目标灰度不均匀或背景灰度不均匀也有较好的收敛效果, 其分割效果不仅优于CV模型, 也优于CV模型的两个最新改进模型(LBF和GACV)。

为了精确地提取焊接缺陷, 进一步提高缺陷检测的准确性, 提出了一种基于改进Chan-Vese(CV)模型和脉冲耦合神经网络(pulse coupled neural network, PCNN)的非下采样Shearlet变换(non-subsampled Shearlet transform, NSST)域焊接缺陷提取方法。首先, 对焊接缺陷图像进行NSST分解, 对得到的低频分量采用PCNN提取出缺陷的主要区域;然后, 利用背景抑制后的低频分量和高频分量构造出高频特征图像, 并对其进行粗分割, 再利用改进的CV模型寻找最优轮廓, 提取出缺陷精细轮廓;最后, 融合缺陷的主要区域和精细轮廓信息得到最终的结果。实验结果表明, 与其他缺陷提取法相比, 所用方法提取的缺陷结构更为完整, 缺陷轮廓更为精细。

对卫星遥感云图进行自动分割是分析卫星云图资料的重要步骤。为了更加准确的对卫星遥感云图进行分割，提出了融合边缘信息CV模型的卫星遥感云图分割方法。对原卫星云图进行扩散，得到平滑图像，根据平滑图像计算边缘信息，将得到的边缘信息融入CV模型中，并加入距离规范项使得CV模型的水平集函数在演化过程中不需要重新初始化。实验结果表明，与传统CV模型、区域能量拟合水平集模型、偏置场修正水平集模型相比，所提方法分割出的云区域更加准确，分割速度更快。