Though image segmentation models are plentiful and have many applications nowadays, it can be difficult to segment images with complex boundaries and serious intensity inhomogeneity. To some extent, the region-scalable fitting energy model can segment images suffering from intensity inhomogeneity since it considers image intensity as a function, but it relies on initial conditions dramatically. Nowadays, prior knowledge has been widely applied in image segmentation models, which can integrate automatic method and experts experience in one robust and fast segmentation model. In this paper we present a new model that can segment various images accurately by taking the advantages of the region-scalable fitting energy model and the advanced transcendental constraint from artificial experience. The proposed energy functional consists of a smooth length term, a target image data term and a transcendental constraint term. The transcendental constraint term plays a key role in the proposed model, which not only gives the accurate segmentation results but also provides us the chance to carry out the parallel computation. In the proposed-parallel model, the efficiency is improved a lot and the results become more precise compared with other methods. The split Bregman method is applied to minimize the energy functional. Furthermore, we present the convergence analysis and the time complexity analysis of our algorithm. Multiple experimental results and comparisons including parameters sensitivity discussion are shown to demonstrate the superiority of the proposed model such as high accuracy, robustness and efficiency.

尽管图像分割模型数量众多，并且在当今有许多应用，但是要分割具有复杂边界和严重强度不均匀性的图像可能会很困难。在某种程度上，区域可缩放拟合能量模型可以分割遭受强度不均匀性影响的图像，因为该模型将图像强度视为函数，但它极大地依赖于初始条件。如今，先验知识已在图像分割模型中得到广泛应用，可以将自动方法和专家经验整合到一个强大而快速的分割模型中。在本文中，我们提出了一个新模型，该模型可以利用区域可缩放拟合能量模型和人工经验带来的先进先验约束的优势，准确地分割各种图像。所提出的能量函数由光滑长度项，目标图像数据项和先验约束项组成。先验约束项在所提出的模型中起着关键作用，它不仅可以给出准确的分割结果，而且还为我们提供了进行并行计算的机会。在提出的并行模型中，效率大大提高，并且与其他方法相比，结果变得更加精确。应用分裂布雷格曼方法以最小化能量功能。此外，我们提出了算法的收敛性分析和时间复杂度分析。多次实验结果和包括参数敏感性讨论在内的比较结果表明，该模型具有较高的准确性，鲁棒性和效率。目标图像数据项和先验约束项。先验约束项在所提出的模型中起着关键作用，它不仅可以给出准确的分割结果，而且还为我们提供了进行并行计算的机会。在提出的并行模型中，效率大大提高，并且与其他方法相比，结果变得更加精确。应用分裂布雷格曼方法以最小化能量功能。此外，我们提出了算法的收敛性分析和时间复杂度分析。多次实验结果和包括参数敏感性讨论在内的比较结果表明，该模型具有较高的准确性，鲁棒性和效率。目标图像数据项和先验约束项。先验约束项在所提出的模型中起着关键作用，它不仅可以给出准确的分割结果，而且还为我们提供了进行并行计算的机会。在提出的并行模型中，效率大大提高，并且与其他方法相比，结果变得更加精确。应用分裂布雷格曼方法以最小化能量功能。此外，我们提出了算法的收敛性分析和时间复杂度分析。多次实验结果和包括参数敏感性讨论在内的比较结果表明，该模型具有较高的准确性，鲁棒性和效率。先验约束项在所提出的模型中起着关键作用，它不仅可以给出准确的分割结果，而且还为我们提供了进行并行计算的机会。在提出的并行模型中，效率大大提高，并且与其他方法相比，结果变得更加精确。应用分裂布雷格曼方法以最小化能量功能。此外，我们提出了算法的收敛性分析和时间复杂度分析。多次实验结果和包括参数敏感性讨论在内的比较结果表明，该模型具有较高的准确性，鲁棒性和效率。先验约束项在所提出的模型中起着关键作用，它不仅可以给出准确的分割结果，而且还为我们提供了进行并行计算的机会。在提出的并行模型中，效率大大提高，并且与其他方法相比，结果变得更加精确。应用分裂布雷格曼方法以使能量函数最小化。此外，我们提出了算法的收敛性分析和时间复杂度分析。多次实验结果和包括参数敏感性讨论在内的比较结果表明，该模型具有较高的准确性，鲁棒性和效率。在提出的并行模型中，效率大大提高，并且与其他方法相比，结果变得更加精确。应用分裂布雷格曼方法以最小化能量功能。此外，我们提出了算法的收敛性分析和时间复杂度分析。多次实验结果和包括参数敏感性讨论在内的比较结果表明，该模型具有较高的准确性，鲁棒性和效率。在提出的并行模型中，效率大大提高，并且与其他方法相比，结果变得更加精确。应用分裂布雷格曼方法以最小化能量功能。此外，我们提出了算法的收敛性分析和时间复杂度分析。多次实验结果和包括参数敏感性讨论在内的比较结果表明，该模型具有较高的准确性，鲁棒性和效率。