该类方法主要指活动轮廓模型（Active Contour Model）以及在其基础上发展出来的相关算法，是在给定图像中利用曲线演化来检测目标的一类方法。基本思想是使用连续曲线来表达目标边缘，并定义一个能量泛函使其自变量包括边缘曲线，因此分割过程就转变为求解能量泛函的最小值的过程，一般可通过求解函数对应的Euler-Lagrange方程来实现，能量达到最小时的曲线位置就是目标轮廓所在。这种动态逼近方法所求得的边缘曲线具有连续、封闭、光滑等优点。
主动轮廓模型是由Kass等在1988年提出的一种变形模型技术，它具有统一、开放式的描述形式，为图像分割的研究提供了理想的框架。在采用该模型提取图像中的目标轮廓或骨架时，可以灵活地选择约束力、初始轮廓和作用域等，以得到更佳的分割效果。由于其计算的高效性、简单性，特别适用于建模以及提取任意形状的变形轮廓等优点，因此近二十年来，活动轮廓模型在图像边缘检测、医学图像分割以及运动跟踪中有了长足的发展和广泛的应用，目前也是计算机视觉领域最活跃的研究主题之一。
按照模型中曲线表达形式的不同，活动轮廓模型可以分为两大类：
（一）参数活动轮廓模型（Parametric Active Contour Model）
该类模型是基于Lagrange框架的，将曲线或曲面的形变以参数化形式表达的模型。最具代表性的是Kass等提出的snake模型。由于曲线模型具有内在的规律性，所以参数主动轮廓不需要额外的约束去保证平滑性。同时由于此类模型都是显式地描述曲线，即用参数方程表达曲线因此很容易对snake框架引入先验形状约束，也允许用户与模型直接进行交互，且模型表达紧凑，实现速度快。该类模型在早期的生物医学图像分割领域得到了成功的应用，但其存在着分割结果受初始轮廓的设置影响较大（通常需将初始曲线置于目标区域附近），以及难以处理曲线拓扑结构变化等缺点。也就是说，这类模型通常只具备单目标轮廓分割能力，在曲线演化的过程中，缺少应付拓扑结构变化的灵活性，比如曲线的合并或分裂等。此外其能量泛函只依赖于曲线参数的选择，与物体的几何形状无关，这也限制了其进一步的应用。(www.xing528.com)
（二）几何活动轮廓模型（Geometric Active Contour Model）
该模型用曲线进化的思想和水平集（LevelSet）的形式来描述曲线的进化。与参数活动轮廓模型不同，该类模型的曲线运动过程是基于曲线的几何度量参数而非曲线的表达参数，由于采用了水平集方法而隐含有拓扑变化的能力，因而使得具有复杂结构的图像分割成为可能，并可以解决参数活动轮廓模型难以解决的问题。而水平集方法的引入，则极大地推动了几何活动轮廓模型的发展，因此几何活动轮廓模型一般也可被称为水平集方法。但是因为它们发展的是一个曲面，而不是曲线，且描述是隐式的，所以计算比较复杂，很难给框架引入一个先验形状约束。
本书将在第七章中对包括snake模型、几何活动轮廓模型及其改进模型在内的变形模型技术，及其在图像分割和运动跟踪中的应用进行详细介绍。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
