一种更灵活的图像轮廓寻找方法
2026-05-25
766
图像里最难找的，往往不是直线边界，是那些弯得深、断得碎、亮度还不均匀的轮廓。2010 年，谢胜利团队发表的一项研究，给这类难题提出了一种很有意思的思路：不让边界一次性被画出来，而是先给少量提示点，再让一组虚拟神经元在图像里逐步靠近目标轮廓，最后通过多轮演化，把粗轮廓一点点细化成更准确的边界。
这篇工作的价值在于把边界定位这件事改写成了一个由粗到细的演化过程。过去很多方法一开始就希望轮廓足够接近目标，否则就容易卡住；但这项研究允许初始位置更灵活，只要能给出少量有代表性的提示点，算法就能在图像里自己长向正确的边界。
很多真实图像都不是教科书式的平滑边缘。比如显微细胞图像、超声血管图像、还有带长凹陷和嵌套结构的复杂目标，传统轮廓方法经常会被强边缘带偏，或者在弱边界处停住。作者正是针对这些最难处理的情况，把边界定位从直接贴边改成先找方向，再慢慢收拢。
这项方法最关键的地方有两个。第一，它给每个神经元定义了合力方向：来自提示点的吸引、来自邻近神经元的排斥、以及由局部梯度控制的推进速度，会一起决定神经元下一步往哪儿走。第二，它不是只跑一轮，而是多轮演化。第一轮得到的是粗边界，后面的轮次再不断细化，最终把那条边界修得更贴近真实轮廓。
大家可以注意论文里展示长凹陷和嵌套边界的那些结果图。这些图回答的问题很直接：传统方法不容易处理的复杂轮廓，这种由粗到细的演化方式到底能不能追出来？从论文展示的结果看，答案是可以，而且在不均匀边界、弱边界、显微图像和超声图像上都表现出了比较好的适应性。
这项研究的另一个亮点，是它没有把提示点当成必须极其精确的东西。作者在星形目标上做了灵敏度分析，发现只要弱边界附近有代表性的提示点，结果并不敏感；即使在有噪声的情况下，方法也表现出不错的稳健性。换句话说，它不是要求人工标注一点都不能错，而是允许少量先验把算法带上正确轨道。
当然，这个方法并不是完全自动的，仍然需要少量监督种子；而且它的计算过程要为每一步中的所有神经元计算作用合力，所以开销并不低。也就是说，它更像是在可控性和自动化之间选了一个中间地带，而不是彻底不要人工输入。
复杂边界不一定非要一次性精确贴上去，先给少量提示，再让轮廓逐步演化，反而更容易处理长凹陷、嵌套和弱边界。这是一种非常典型的由粗到细思路，也很适合那些边界本来就不清晰的真实图像场景。
作者简介：谢胜利，广东工业大学自动化学院教授、博士生导师。长期从事控制、信号处理与智能信息处理等领域的教学与研究，研究工作涉及无线通信与网络、物联网信息技术等方向。现为国家杰出青年科学基金获得者、国家自然科学二等奖第一完成人。
DOI：10.1109/TNN.2009.2039493
