Un serpent est une spline d`énergie minimisant, déformable influencée par les contraintes et les forces d`image qui le tirent vers les contours d`objet et les forces internes qui résistent à la déformation. Les serpents peuvent être compris comme un cas particulier de la technique générale de la correspondance d`un modèle déformable à une image par le biais de la minimisation de l`énergie. [1] en deux dimensions, le modèle de forme active représente une version discrète de cette approche, tirant parti du modèle de distribution de points pour restreindre la plage de formes à un domaine explicite appris à partir d`un jeu d`apprentissage. Le modèle de serpent de diffusion [7] aborde la sensibilité des serpents au bruit, à l`encombrement et à l`occlusion. Il implémente une modification de la fonctionnelle Mumford – Shah et sa limite de dessin animé et incorpore la connaissance de forme statistique. L`énergie d`image par défaut fonctionnelle E i m a g e {displaystyle E_ {image}} est remplacée par où J (x →) {displaystyle J ({vec {x}})} est le modèle lisse en morceaux de l`image i (x →) {displaystyle i ({vec {x}})} du domaine D {displaystyle D}. Les limites B (s) {displaystyle B (s)} sont définies comme des coupes de graphe, ou Max-Flow/min-Cut, est une méthode générique pour minimiser une forme particulière d`énergie appelée Markov Random Field (MRF) énergie. La méthode de coupes de graphe a été appliquée à la segmentation d`image aussi bien, et elle surpasse parfois la méthode de jeu de niveaux quand le modèle est MRF ou peut être approximé par MRF. Dans la vision par ordinateur, les modèles de contour décrivent les limites des formes dans une image. Les serpents en particulier sont conçus pour résoudre les problèmes où la forme approximative de la limite est connue. En étant un modèle déformable, les serpents peuvent s`adapter aux différences et au bruit dans la correspondance stéréo et le suivi de mouvement. En outre, la méthode peut trouver des contours illusoires dans l`image en ignorant les informations de limite manquantes.

Le modèle actif de contour, également appelé serpents, est un cadre dans la vision d`ordinateur introduit par Michael Kass, Andrew Witkin et Demetri Terzopoulos [1] pour délimiter un contour d`objet d`une image 2D peut-être bruyante. Le modèle de serpents est populaire dans la vision par ordinateur, et les serpents sont largement utilisés dans des applications comme le suivi d`objets, la reconnaissance de forme, la segmentation, la détection des arêtes et la correspondance stéréo. Le modèle de ballon introduit un terme d`inflation dans les forces agissant sur le serpent serpents ne résolvent pas le problème entier de trouver des contours dans les images, car la méthode nécessite la connaissance de la forme de contour souhaitée à l`avance. Plutôt, ils dépendent d`autres mécanismes tels que l`interaction avec un utilisateur, l`interaction avec un processus de compréhension de l`image de niveau supérieur, ou des informations à partir de données d`image adjacentes dans le temps ou l`espace. Les modèles statistiques combinant des caractéristiques locales et globales ont été formulés par Lankton et Allen Tannenbaum. [11] le modèle de ballon [5] aborde ces problèmes avec le modèle de contour actif par défaut: les développements plus récents dans les contours actifs abordent la modélisation des propriétés régionales, l`incorporation de prieurs de forme flexibles et la segmentation entièrement automatique, etc. Le modèle serpent à flux vectoriel (GVF) [6] aborde deux problèmes avec les serpents: le contour actif géométrique ou le contour actif géodésique (GAC) [8] ou les contours actifs conformaux [9] emploient des idées issues de l`évolution raccourcie de la courbe euclidienne. Les contours se fractionner et fusionner en fonction de la détection des objets dans l`image. Ces modèles sont largement inspirés par des ensembles de niveaux, et ont été largement utilisés dans l`informatique d`imagerie médicale. L`approximation de gradient peut être faite par n`importe quelle méthode d`approximation finie par rapport à s, telle que la différence finie. En supposant que les poids α (s) {displaystyle alpha (s)} et β (s) {displaystyle beta (s)} sont constants par rapport à s {displaystyle s}, cette méthode itérative peut être simplifiée à cela peut être évité par le réglage de l`étape de temps telle que la taille de l`étape n`est jamais grande un pixel en raison des forces de l`image.