编辑推荐：
现有 ACMs 用于红外（IR）图像分割时，因强度非均匀性易出现边缘泄漏等问题，且计算需求大。研究人员提出基于局部区域 K - 中心点（LRKM）的混合 ACM，实验表明其在分割效率和精度上表现优异，对初始轮廓和噪声鲁棒。
在计算机视觉与医学影像领域，图像分割如同给图像 “划界标地”，是精准提取目标区域的关键技术。主动轮廓模型（ACMs）作为其中的 “主力军”，能围绕目标边界生成平滑闭合的零水平集，在物体跟踪、医疗诊断等场景大显身手。然而，当面对红外（IR）图像时，这类模型却遭遇 “滑铁卢”—— 红外图像常见的强度非均匀性，像一团迷雾，让仅依赖强度特征局部数据驱动项的传统 ACMs 难辨真实边界，轻则陷入局部极小值陷阱，重则出现边缘泄漏，分割结果漏洞百出。此外，迭代过程中大量卷积操作用于特征提取，如同背着沉重的包袱，让计算效率低下，耗时又耗力。
为驱散这团 “迷雾”，突破传统 ACMs 在红外图像分割中的瓶颈，国内研究人员开展了一项极具创新性的研究，相关成果发表在《Expert Systems with Applications》。他们提出了一种基于局部区域 K - 中心点（LRKM）的混合主动轮廓模型，旨在提升红外图像分割的效率与精度，同时增强模型对复杂场景的适应能力。
研究人员主要采用了以下关键技术方法：首先利用 LRKM 模块预估计多特征偏置场，推导局部项，避免边缘泄漏并减少卷积量；同时考虑多特征全局均值构建全局项，消除局部极小值；通过自适应权重函数将局部和全局项融合为混合项，并对其能量范围进行正则化以增强迭代稳定性；在水平集演化（LSE）过程中，利用均值滤波确保水平集函数（LSF）平滑，正则化其范围以维持符号距离函数（SDF）特性，最终通过水平集演化收敛，使零水平集代表目标轮廓。
实验结果
- 实现细节与评价指标：在实验中，研究人员详细阐述了模型的实现流程，并采用平均 CPU 运行时间（s）、内存（MB）等指标衡量计算效率，以平均交并比（IoU）、平均骰子相似系数（DSC）和多类别交并比（mIoU）等评估分割精度，为模型性能的客观比较奠定了基础。
- 计算复杂度比较：与近期开发的 ACMs 和基于深度学习的模型相比，LRKM 模型在计算复杂度方面展现出显著优势，平均 CPU 运行时间和内存占用均处于较低水平，证明了其在计算效率上的优越性。
- 分割效果对比：通过在红外图像、自然图像和医学 MRI 图像上的对比实验，LRKM 模型表现出色。在分割存在强度非均匀性的红外图像时，其分割精度（平均 IoU、平均 DSC 和 mIoU）远超其他模型，例如 IoU、DSC 和 mIoU 值分别超过排名第二的模型 6.4%、4.3% 和 5.6%，在各类图像上均能实现精准的目标轮廓提取。
讨论
- 初始轮廓鲁棒性实验：实验表明，无论初始轮廓如何设置，LRKM 模型都能稳定地收敛到目标边界，展现出对初始轮廓的强鲁棒性，这意味着该模型在实际应用中无需过于依赖精确的初始设置，降低了使用门槛。
- 噪声鲁棒性实验：面对不同程度的噪声干扰，LRKM 模型依然能够保持较高的分割精度，说明其具有较强的抗噪声能力，在复杂的实际成像环境中更具实用性。
- 自适应正则化函数效果：自适应正则化函数对混合项能量幅度的正则化作用显著，确保了水平集演化环境的稳定和鲁棒，有效减少了计算过程中 NAN 和 Inf 值的出现，保障了模型的可靠性。
- 消融实验：通过消融实验，研究人员验证了模型中各个关键组件的重要性，如 LRKM 模块、全局项和局部项等，它们协同作用共同提升了模型的性能。
- 参数 tuning 过程：合理的参数设置是模型性能优化的关键，研究人员通过详细的参数调整过程，确定了各参数的最优取值，使模型在分割效率和精度之间达到了良好的平衡。
结论与意义
这项研究成功构建了 LRKM 混合主动轮廓模型，为红外图像分割提供了新的有力工具。模型通过预估计多特征偏置场、融合全局与局部信息、正则化能量范围等创新设计，巧妙化解了强度非均匀性和计算效率的双重难题。实验结果充分证明，其不仅在红外图像分割中精度领先、效率卓越，对自然图像和医学 MRI 图像同样表现出色，且对初始轮廓和噪声具有强鲁棒性。这一成果为红外技术在安防监控、医学诊断等领域的精准应用扫除了障碍，推动了图像分割技术向更智能、更高效的方向迈进，在生命科学和健康医学领域具有重要的应用价值和广阔的发展前景。
