结合全局和局部信息的水平集图像分割方法*

LBF模型对初始轮廓大小和位置非常敏感,并且只考虑了图像的局部信息,没有考虑图像的全局信息。CV模型利用图像全局信息,对初始轮廓具有较强的鲁棒性。两种模型对椒盐噪声污染的图像不能取得令人满意的结果。针对以上问题, 在原有CV模型和LBF模型能量函数基础上,各自构造一个新的能量拟合项,增强对高斯噪声和椒盐噪声的抗噪性。采用新构造的CV模型,使用图像的全局信息得到粗分割轮廓。以粗分割轮廓作为新构造LBF模型的零水平集,利用图像的局部信息得到图像的精确分割结果。同时提出一种新的边缘检测算子,重新定义边缘停止函数,进一步提高模型的抗噪性。相较于CV模型,LBF模型,结合全局和局部信息的Wang模型和Qi模型,提出模型能得到更优的图像分割结果,具有较强的抗噪性。     

基于改进DRLSE水平集模型的图像分割

针对 DRLSE 水平集模型对噪声敏感、依赖初始轮廓位置以及演化速度缓慢等不 足,利用小波变换和小波阈值去噪的方法,构造对噪声不敏感的边缘信息刻画矩阵,定义基于 图像信息的边缘停止函数和自适应权重系数,获得了改进的 DRLSE 水平集图像分割模型。利 用有限差分法对模型求解,并采用 Jaccard 相似度作为评价模型的定量分析方法,数值结果显示 改进的模型及算法对图像分割的有效性,克服了 DRLSE 水平集模型分割含噪图像以及定义初 始轮廓位置的局限性,提高了 DRLSE 水平集模型的计算效率和图像分割精度。     

结合全局和局部信息的“两阶段”活动轮廓模型

目的 LBF(local binary fitting)模型用每个像素点的邻域信息来拟合局部能量,对灰度不均匀图像可以得到很好的分割效果。但是LBF模型只考虑了图像的局部信息,没有考虑全局信息,因此它对初始轮廓大小、形状及位置都非常敏感。针对以上问题,结合全局和局部信息,提出"两阶段"活动轮廓模型。方法第1阶段,采用退化的CV(Chan-Vese)模型,利用图像的全局信息(灰度均值)快速为图像的目标大致定位;第2阶段,以第1阶段结束时的水平集函数的零水平集为第2阶段的初始轮廓,利用图像的局部信息(局部高斯拟合)得到更加精确的分割结果。结果实验结果表明,该"两阶段"活动轮廓模型保留了LBF模型分割灰度不均匀图像的能力。结论改进后的模型较LBF模型对各种初始轮廓(大小、形状、位置)有较强的鲁棒性,以及较强的抗噪性。     

基于小波变换的权重自适应图像分割模型

针对灰度不均匀且含噪声图像的分割问题,提出了全局和局部灰度信息的权重参 数自适应水平集分割模型。首先,利用图像的全局和局部灰度信息构造全局能量项和局部能量 项;然后,利用小波变换和小波阈值去噪方法,构造对噪声不敏感的边缘信息刻画矩阵,定义包含 图像边缘信息的自适应权重系数矩阵;最后,利用定义的权重系数矩阵组合全局和局部能量项, 得到分割模型的能量泛函。使用变分法得到了水平集函数演化方程,利用有限差分法实现数值 求解。实验结果表明,该模型兼有 Chan-Vese 模型和 Local Binary Fitting 模型的优点,能够有效 地分割灰度不均匀含噪图像,并对活动轮廓曲线的初始位置和初始形状具有很强的鲁棒性。     

基于FCM和LBF模型的医学图像自动分割

基于局部区域二相拟合(LBF)模型的医学图像分割方法,对初始轮廓敏感并仅能分割单类目标,若手动选取的初始轮廓不合适,将导致算法耗时过大甚至分割失败。针对上述不足,提出联合模糊C均值(FCM)聚类的LBF模型自动分割算法。对待分割图像进行FCM聚类,将得到的目标类隶属度值变换为适用于LBF模型的水平集函数初始值,利用LBF模型从该初始值开始演化直至收敛,从而完成分割。合成图像及血管和脑部图像的分割实验结果表明,该算法能够自动获取合适的初始值,有效解决LBF模型对初始轮廓敏感的问题,减少迭代次数,而且通过选择不同的FCM聚类结果,可以实现对多类目标的分割。     

快速稳定的局部二元拟合分割算法

基于局部区域信息的局部二元拟合(LBF)模型在处理弱边界或灰度不均匀的图像分割方面有一定优势,但该方法非常依赖于初始轮廓,不当的初始轮廓不仅会导致分割时间较长,甚至分割失败。针对这一不足,提出一种快速稳定的LBF模型。首先通过添加带有变权系数面积项的LBF模型进行初始分类以获取较好的初始轮廓,然后采用传统的LBF模型对图像进行进一步的分割。实验证明,在保证良好分割效果的前提下,该方法对初始轮廓的选择更加灵活,分割速度明显快于传统的LBF模型。     

基于双重轮廓演化曲线的相似图像组分割模型

ACGS(Active Contours With Group Similarity)模型在CV模型的基础上结合了矩阵的低秩性约束,能较好地分割目标特征缺失或错误的相似图像组,但对于灰度不均的相似图像组分割效果较差。而双重轮廓演化曲线的图像分割水平集模型在LBF模型的基础上引入了目标内外两条轮廓曲线,很好地克服了LBF模型对于初始轮廓的敏感性,对于灰度不均的单张图像分割效果较好。受此启发,本文提出了基于双重轮廓演化曲线的活动轮廓模型来分割相似图像组。该模型首先结合LBF模型来更好地分割灰度不均的图像;其次利用ACGS模型的低秩性质来保持图像间的相似程度,从一定程度上改善了LBF模型在能量函数最小化时易陷入局部极小值的情形;最后引入目标内外的两条轮廓曲线,通过两曲线在演化过程中分别对局部像素的直接作用而产生间接的相互联系,从而有效地克服LBF模型对于初始轮廓的敏感性问题,使得该模型改善了对于灰度不均的相似图像组的分割效果。实验结果表明,与CV、LBF、ACGS以及双重轮廓演化曲线模型的分割结果相比较,本文模型对于灰度不均的相似图像组的分割效果具有优越性。     

结合梯度和区域信息的多尺度水平集图像分割

提出了一种结合梯度和区域信息的多尺度水平集图像分割算法。该算法结合梯度和区域信息构造能量函数,在梯度约束项中,构建了一个基于小波高频分量的边缘检测函数,在区域约束项中,运用经典C-V模型的区域项,得到混合C-V模型,采用变分法求解,并消除了水平集的重初始化。利用小波变换首先在逼近图像中运用混合C-V模型得到粗分辨图像的一个粗尺度分割,再对当前粗尺度下的最终轮廓线作内插操作,将得到的近似轮廓曲线作为初始水平集函数在原图像中运用消除重初始化的C-V模型演化得到最终的分割。实验结果表明,在同样的模型参数条件下,该方法具有比传统方法更高的演化效率和分割质量。     

图像分割的结构张量几何活动轮廓模型

基于水平集方法和结构张量,提出几何活动轮廓模型应用于图像分割,解决水平集方法轮廓初始化和弱边缘处易于边缘泄露问题.该方法利用张量图像的散度算子构造新的外力,引导水平集函数的自适应运动,使得其可以初始为常值函数,消失其演化对初始轮廓的需要;在偏微分方程中引入张量迹信息,减少噪声对其演化的影响,避免轮廓在弱边缘处泄露.实验结果表明,该方法对噪声图像鲁棒,能提取深度凹陷目标轮廓和红外图像中的弱目标.     

一种改进的图像分割活动轮廓模型

C-V模型具有计算复杂度低、对初始化和噪声不敏感等优点,在处理图像的时候总是从全局的角度去考虑图像区域的灰度变化,从而导致难以分割灰度不均的图像。局部二元拟合(LBF)模型在处理灰度不均匀的图像分割方面有很大优势,但是LBF模型存在依赖初始轮廓大小、位置等缺点。针对C-V模型不能分割灰度不均图像和LBF模型敏感于轮廓初始化的问题,给出一个用偏微分方程表示的新的融合局部(LBF模型)和全局信息(改进的C-V模型)的活动轮廓模型。实践结果表明,新的模型对初始轮廓的敏感性低,能分割灰度不均的图像,且优于C-V模型,其分割效率明显高于LBF模型。     

A local region-based Chan–Vese model for image segmentation

In this paper, a new region-based active contour model, namely local region-based Chan–Vese (LRCV) model, is proposed for image segmentation. By considering the image local characteristics, the proposed model can effectively and efficiently segment images with intensity inhomogeneity. To reduce the dependency on manual initialization in many active contour models and for an automatic segmentation, a degraded CV model is proposed, whose segmentation result can be taken as the initial contour of the LRCV model. In addition, we regularize the level set function by using Gaussian filtering to keep it smooth in the evolution process. Experimental results on synthetic and real images show the advantages of our method in terms of both effectiveness and robustness. Compared with the well-know local binary fitting (LBF) model, our method is much more computationally efficient and much less sensitive to the initial contour.     

结合显著性的主动轮廓图像分割

传统的主动轮廓方法无法突出分割区域的显著性,同时在由显著性检测算法所得到的显著图中目标具有较高的信噪比,因此提出结合显著性的主动轮廓图像分割。通过线性光谱聚类分割得到超像素,以超像素为处理单位利用基于图论的流形排序算法获得较好的显著图;将高斯混合模型引入到主动轮廓的曲线演化过程中,计算曲线内外的平均灰度值,从而通过高斯混合模型和显著性信息得到了新的主动轮廓能量方程,并运用水平集方法指导分割,获得最终的分割结果。实验结果表明,提出的图像分割方法可以对图像进行快速和有效的分割。     

融合区域和边缘特征的水平集水下图像分割

目的 水平集模型是图像分割中的一种先进方法,在陆地环境图像分割中展现出较好效果。特征融合策略被广泛引入到该模型框架,以拉伸目标-背景对比度,进而提高对高噪声、杂乱纹理等多类复杂图像的处理性能。然而,在水下环境中,由于水体高散射、强衰减等多因素的共同作用,使得现有图像特征及水平集模型难以适用于对水下图像的分割任务,分割结果与目标形态间存在较大差异。鉴于此,提出一种适用于水下图像分割的区域-边缘水平集模型,以提高水下图像目标分割的准确性。方法 综合应用图像的区域特征及边缘特征对水下目标进行辨识。对于区域特征,引入水下图像显著性特征;对于边缘特征,创新性地提出了一种基于深度信息的边缘特征提取方法。所提方法在融合区域级和边缘级特征的基础上,引入距离正则项对水平集函数进行规范,以增强水平集函数演化的稳定性。结果 基于YouTube和Bubblevision的水下数据集的实验结果表明,所提方法不仅对高散射强衰减的低对比度水下图像实现较好的分割效果,同时对处理强背景噪声图像也有较好的鲁棒性,与水平集分割方法（local pre-fitting,LPF）相比,分割精确度至少提高11.5%,与显著性检测方法（hierarchical co-salient detection via color names,HCN）相比,精确度提高6.7%左右。结论 实验表明区域-边缘特征融合以及其基础上的水平集模型能够较好地克服水下图像分割中的部分难点,所提方法能够较好分割水下目标区域并拟合目标轮廓,与现有方法对比获得了较好的分割结果。     

显著性驱动的局部相似拟合模型分割算法研究

灰度不均匀和噪声图像的分割是计算机视觉中的难点。现有的活动轮廓模型尽管能够取得较好的分割效果,但仍然对噪声图像分割效果不理想,初始轮廓曲线的选取敏感,优化易陷入局部极小导致演化速度慢等问题。针对该问题,首先使用局部区域灰度的均值和方差拟合高斯分布,构建新的能量泛函,均值和方差随着能量的最小化过程而变化,从而增强了灰度不均匀和噪声图像的分割能力。此外,结合视觉显著性检测算法获取待分割目标的先验形状信息,并自适应地创建水平集函数,从而降低了初始轮廓位置敏感性及计算时间复杂度,实现全自动的图像分割。实验结果证明,提出的算法可以用于灰度不均匀和噪声图像分割,并取得了较好的分割性能,消除了算法对初始轮廓位置敏感性,减少了迭代次数。     

改进符号压力函数的区域活动轮廓模型

利用具有图像增强能力的局部区域信息,定义一种新的符号压力函数(SPF)。用该SPF函数取代GAC模型中的边界停止函数,对GAC模型进行改进,提出一种新的区域活动轮廓模型,从而解决了非同质或弱边界图像的分割问题。继续采用Selective Binary and Gaussian Filtering水平集方法,避免水平集函数的重新初始化,简化新模型。真实图像和合成图像的实验结果表明,新模型与LBF模型具有相同的分割效果,但在计算效率上远优于LBF模型。新模型不仅能够分割非同质或弱边界图像,且具有亚像素分割精确性、抗噪性、局部全局选择分割性等性质。