一种新的灰度非均匀图像分割模型

基于局部区域的主动轮廓分割模型在针对灰度非均匀图像进行分割时,容易受到初始轮廓曲线位置的影响,且基于水平集模型的数值实现速度较慢。为此,提出一种新的图像分割模型。该模型采用局部符号差能量项作为曲线演化的驱动力,为减少模型对初始轮廓曲线位置的依赖,采用全局凸分割策略,得到一个离散化的凸分割模型,该模型包含Mumford-Shah分割模型中的二次光滑项,使分割后的区域更加平滑,使用split Bregman迭代算法进行数值实现。实验结果表明,与局部二值拟合模型、局部符号差能量模型相比,该模型能对灰度非均匀图像进行较准确的分割,具有较快的运算速度和较好的鲁棒性。     

结合局部熵能量泛函与非凸正则项的图像分割

为了克服灰度不均匀对图像分割的影响，结合CV模型的全局能量项和LBF模型的局部能量项，引入图像局部熵信息和非凸正则项，构造新的能量泛函，提出了结合局部熵的局部能量泛函与非凸正则项的图像分割算法。该算法首先采用CV模型中的全局能量泛函得到图像的大致演化轮廓；通过构建具有局部熵信息的局部能量泛函，实现对图像的精确分割。然后，利用非凸正则项作为图像演化过程中零水平集逼近目标的又一驱动力驱动曲线演化和边缘保护。该算法利用变分水平集方法将这一新构建的能量泛函进行最小化，通过迭代更新水平集函数，完成曲线演化。最后，对比实验表明，所提出的算法可以高效、准确地分割灰度不均匀图像。     

基于改进活动轮廓模型的图像分割

针对图像分割中的灰度不均匀和轮廓初始化问题,提出一种基于区域的活动轮廓模型。将图像的全局信息和局部信息作为能量项驱动活动轮廓向目标边缘演化,以有效分割灰度不均匀图像,为保证图像分割的速度和精度,在能量方程中加入长度项和惩罚项,并采用梯度下降法得到该模型的最小化能量方程。实验结果表明,和局部二值拟合模型、局部图像拟合模型相比,该模型能分割灰度不均匀的图像,对初始轮廓曲线大小和位置更不敏感,且分割图像所需的迭代次数、迭代时间更少。     

基于局部特性的分割校正模型改进

基于局部特性的分割校正模型能够在图像分割的同时实现对非均匀场的校正,从而对灰度不均匀图像有较好的分割效果,然而,该模型具有局部特性,且采用多相分割,使得活动轮廓曲线对初始位置较为敏感,且分割速度较慢。针对该不足,通过引入自适应距离保持水平集算法,采用分割校正模型与自适应距离保持水平集相结合的方法,提出一种新的快速分割算法。实验结果表明,该算法可摆脱初始轮廓的限制,避免在分割灰度不均匀图像时边缘泄漏和分割不足现象,并且具有分割快速的特点。     

基于局部与全局拟合的活动轮廓模型

针对局部二值拟合(LBF)模型容易陷入能量泛函局部极小值的问题,提出基于局部与全局拟合的活动轮廓模型。引入一个衡量某点处局部区域内灰度分布是否均匀的特征函数,将LBF模型中的局部拟合项与CV模型中的全局拟合项相结合,同时保留LBF模型分割灰度不均匀图像和CV模型全局收敛性的优点。实验结果表明,该模型能够分割灰度不均匀图像,对初始轮廓的依赖性较弱,并且具有一定的抗噪性。     

基于多尺度局部特征的图像分割模型

为了解决图像分割中灰度不均匀和初始轮廓敏感的问题,提出一种基于多尺度局部特征的图像分割模型.与传统局部邻域定义在方形区域不同,该模型采用圆形区域来获取更多的局部信息;考虑到局部区域灰度的变化程度不一,提出利用多尺度结构与均值滤波器相结合的方法获得多尺度局部灰度信息;通过转换灰度不均匀模型得到一个逼近真实信息的图像,并将其融合进局部高斯分布拟合(LGDF)模型,构造出基于多尺度局部特征的能量泛函.从理论分析和实验结果表明:由于多尺度结构弱化了灰度不均匀的影响,该模型既能快速、准确地分割灰度不均匀图像,又表现出对初始轮廓具有较强的鲁棒性.     

结合局部灰度差异的噪声图像分割模型

针对未知强度和分布规律的噪声图像难以得到正确分割，现有模型无法适应多种噪声环境的问题，提出了一种基于图像局部灰度差异的噪声图像分割模型。首先，分析局部K均值聚类（LCK）模型和局部相似性系数（RLSF）模型中能量泛函对噪声点的降权机制的不足，提出优化方案；其次，将一种结合局部灰度差异的噪声点修复函数引入能量泛函，降低了显著偏离局部均值的噪声点对分割结果的干扰；最后使用变分法推导出该模型的水平集迭代方程。与局部二值拟合（LBF）模型、LCK模型和RLSF模型相比，使用该模型进行噪声自然图像分割时，可得到更高的查全率、查准率和F值。实验结果表明，所提模型可稳定、有效地分割非均匀和高噪声图像。     

局部信息熵的快速混合测地区域活动轮廓模型

针对变分水平集算法在图像分割过程中计算量较大且收敛速度慢的现象,在前人研究的基础上提出了一种新的局部信息熵的混合测地区域活动轮廓模型。该模型构造一个新的能量泛函,在泛函中引入柔化核函数作为窗口核函数,构造一个新的符号压力函数来代替测地线边缘检测函数,并以局部信息熵作为图像拟合能量项的权重,通过非凸正则化项来约束水平集函数。由此得到的算法不仅能加快轮廓曲线的收敛速度,而且可以处理那些由于光照或其他外界因素的变化产生的灰度不均匀或者模糊的图像,提高分割的精确性。将算法在合成图像和真实图像上做仿真实验,实验结果表明,该算法具有较快的收敛速度,分割也较准确,同时对轮廓曲线的初始位置不敏感,具有很好的鲁棒性。     

局部GAC模型在医学图像分割中的应用

针对基于区域测地线活动轮廓(GAC)模型很难准确分割灰度不均匀图像的问题,提出基于局部信息的GAC模型。该方法首先将图像区域进行局部化,来克服灰度不均匀对分割结果的影响,然后构造局部符号压力函数(ISPF)指导轮廓线在目标外部(或内部)收缩(或扩张)来完成分割。为了提高算法效率和稳定性,用二值水平集方法实现整个分割过程,避免了传统水平集数值不稳定性。实验结果表明,本文方法可以快速有效地分割灰度不均匀的医学图像。     

一种新的结合图像梯度的局部活动轮廓模型

基于区域的局部二值拟合模型只考虑图像灰度的平均值统计信息,然而由于图像中的噪声改变了图像的灰度分布,该类方法对于包含大量噪声的图像往往很难获得理想的效果。为了提高模型对于噪声的鲁棒性,提出了一种结合图像统计信息和梯度信息的局部活动轮廓模型。该模型在图像灰度的统计信息的基础上,加入图像梯度信息,分别构造以高斯函数为核函数的局部二值灰度拟合能量和局部二值梯度拟合能量,得到最终的能量泛函,并通过最小化该能量函数,驱使活动轮廓向目标边缘演化。实验结果表明,基于图像灰度和梯度的局部活动轮廓模型能够有效克服图像中弱边缘以及强噪声对于分割结果的影响,其分割精度高于同类方法。     

基于局部图像拟合偏差的活动轮廓分割模型

针对灰度不均匀图像的分割问题,提出一个基于区域的活动轮廓模型。通过构造包含图像局部信息的局部图像拟合偏差能量泛函,度量真实图像与拟合图像的偏差,并在全局凸分割的基础上,将分裂Bregman技术应用到模型能量泛函的最小化问题中,以提高分割速率。同时引入边界检测函数更加准确地探测边界位置,以提高模型的分割准确性。实验结果表明,该模型不仅可以正确分割灰度不均匀图像和受噪声干扰的图像,而且对于多目标图像以及灰度分布均值相同、方差不同的图像,也能快速、准确地得到分割结果。     

Bregman交替迭代遥感图像复原方法

针对多种退化因素的遥感图像复原问题,提出一种基于Bregman迭代的遥感图像消除不规则采样、去模糊和去噪总变差复原方法。在此基础上,结合非局部正则化方法,提出一种自适应计算非局部均值滤波器参数的方法。求解时使用交替最小化方法将复杂的复原问题分割为两个容易求解的子问题。实验结果表明,本文方法比其他基于Bregman迭代的方法收敛速度快、复原效果好,且加入非局部正则化后具有更好的纹理细节信息保持能力。     

Nonlocal variational image segmentation models on graphs using the Split Bregman

Variational functionals such as Mumford-Shah and Chan-Vese methods have a major impact on various areas of image processing. After over 10 years of investigation, they are still in widespread use today. These formulations optimize contours by evolution through gradient descent, which is known for its overdependence on initialization and the tendency to produce undesirable local minima. In this paper, we propose an image segmentation model in a variational nonlocal means framework based on a weighted graph. The advantages of this model are twofold. First, the convexity global minimum (optimum) information is taken into account to achieve better segmentation results. Second, the proposed global convex energy functionals combine nonlocal regularization and local intensity fitting terms. The nonlocal total variational regularization term based on the graph is able to preserve the detailed structure of target objects. At the same time, the modified local binary fitting term introduced in the model as the local fitting term can efficiently deal with intensity inhomogeneity in images. Finally, we apply the Split Bregman method to minimize the proposed energy functional efficiently. The proposed model has been applied to segmentation of real medical and remote sensing images. Compared with other methods, the proposed model is superior in terms of both accuracy and efficient.     

An efficient local Chan-Vese model for image segmentation

In this paper, a new local Chan-Vese (LCV) model is proposed for image segmentation, which is built based on the techniques of curve evolution, local statistical function and level set method. The energy functional for the proposed model consists of three terms, i.e., global term, local term and regularization term. By incorporating the local image information into the proposed model, the images with intensity inhomogeneity can be efficiently segmented. In addition, the time-consuming re-initialization step widely adopted in traditional level set methods can be avoided by introducing a new penalizing energy. To avoid the long iteration process for level set evolution, an efficient termination criterion is presented which is based on the length change of evolving curve. Particularly, we proposed constructing an extended structure tensor (EST) by adding the intensity information into the classical structure tensor for texture image segmentation. It can be found that by combining the EST with our LCV model, the texture image can be efficiently segmented no matter whether it presents intensity inhomogeneity or not. Finally, experiments on some synthetic and real images have demonstrated the efficiency and robustness of our model. Moreover, comparisons with the well-known Chan-Vese (CV) model and recent popular local binary fitting (LBF) model also show that our LCV model can segment images with few iteration times and be less sensitive to the location of initial contour and the selection of governing parameters.     

基于核特征距离的局部活动轮廓模型

提出了一种基于核特征距离局部活动轮廓分割模型。在模型中使用核特征距离来构造局部拟合能量,从而可以获取精确的局部图像特征,可以分割存在灰度不均匀的图像。并通过引入水平集规范项以避免水平集演化的重新初始化,提高了分割的效率。实验结果表明,本模型可以很好地克服灰度不均匀性,同时在分割精度上有了较大的提升,特别是分割速度比LBF模型快1.3～1.5倍。     

Robust global and local fuzzy energy based active contour for image segmentation

Though various image segmentation techniques have been developed, it is still a very challenging task to design a robust and efficient algorithm to segment (noisy, blurred or even discontinuous edged) images having high intensity inhomogeneity or non-homogeneity. In this article, a robust fuzzy energy based active contour, using both global and local information, is proposed to detect objects in a given image based on curve evolution. The local energy is generated by considering both local spatial and gray level/color information. The proposed model can better deal with images having high intensity inhomogeneity or non-homogeneity, noise and blurred boundary or discontinuous edges by incorporating local energy term in the proposed active contour energy function. The global energy term is used to avoid unsatisfactory results due to bad initialization. In this article, instead of solving the Euler–Lagrange equation, a level set based optimization is used for the convergence. We show a realization of the proposed method and demonstrate its performance (both qualitatively and quantitatively) with respect to state-of-the-art techniques on several images having such kind of artifacts. Analysis of results concludes that the proposed method can detect objects from given images in a better way than the existing ones.     

采用分裂Bregman的遥感影像亮度不均变分校正方法

目的：遥感影像成像过程由于受到传感器自身以及其他一些外部环境因素的影响,往往会呈现出整体的亮度不均,导致遥感影像解译和制图精度的降低。因此,需要对遥感影像进行亮度不均匀校正,提高影像的质量。方法：感知驱动的亮度不均变分校正方法,是一种新型的单幅遥感影像亮度不均校正方法,它受人眼视觉系统特性的启发,能够在有效校正影像整体亮度的同时增强局部对比度。本文用分裂Bregman迭代实现了对感知驱动亮度不均变分校正模型的最优化求解,在实现对影像整体亮度不均校正的同时,大幅提高了计算效率。结果：模拟实验和真实实验结果均表明采用分裂Bregman的亮度不均变分校正模型需要较少的计算时间,从效率上比采用最速下降法的校正模型提高了约6到7倍。结论：分裂Bregman方法能够有效求解感知驱动亮度不均变分模型,在保证校正结果整体亮度均匀,局部对比度增强的前提下,大大提高运算效率。     

采用分裂Bregman的遥感影像亮度不均变分校正

目的 遥感影像成像过程由于受到传感器自身以及其他一些外部环境因素的影响,往往会呈现出整体的亮度不均,导致遥感影像解译和制图精度的降低。因此,需要对遥感影像进行亮度不均匀校正,提高影像的质量。方法 感知驱动的亮度不均变分校正方法,是一种新型的单幅遥感影像亮度不均校正方法,它受人眼视觉系统特性的启发,能够在有效校正影像整体亮度的同时增强局部对比度。本文用分裂Bregman迭代实现了对感知驱动亮度不均变分校正模型的最优化求解,在实现对影像整体亮度不均校正的同时,大幅提高了计算效率。结果 模拟实验和真实实验结果均表明,采用分裂Bregman的亮度不均变分校正模型需要较少的计算时间,从效率上比采用最速下降法的校正模型提高了约67倍。结论 分裂Bregman方法能够有效求解感知驱动亮度不均变分模型,在保证校正结果整体亮度均匀,局部对比度增强的前提下,大大提高运算效率。     

局部区域拟合的快速水平集图像分割方法

目的 由于灰度不均匀图像在不同目标区域的灰度分布存在严重的重叠,对其进行分割仍然是一个难题;同时,图像中的噪声严重降低了图像分割的准确性。因此,传统水平集方法无法鲁棒、精确、快速地对具有灰度不均匀性和噪声的图像进行分割。针对这一问题,提出一种基于局部区域信息的快速水平集图像分割方法。方法 灰度不均匀图像通常被描述为一个分段常数图像乘以一个缓慢变化的偏移场。首先,通过一个经过微调的多尺度均值滤波器来估计图像的偏移场,并对图像进行预处理以减轻图像的不均匀性;然后,利用基于偏移场校正的方法和基于局部区域信息拟合的方法分别构建能量项,并利用演化曲线轮廓内外图像灰度分布的重叠程度,构建权重函数自适应调整两个能量项之间的权重;最后,引入全方差规则项对水平集进行约束,增强了数值计算的稳定性和对噪声的鲁棒性,并通过加性算子分裂策略实现水平集快速演化。结果 在具有不同灰度不均匀性和噪声图像上的分割结果表明,所提方法不但对初始轮廓的位置、灰度不均匀性和各种噪声具有较强的鲁棒性,而且具有高达94.5%的分割精度和较高的分割效率,与传统水平集方法相比分割精度至少提高了20.6%,分割效率是LIC（local intensity clustering）模型的9倍;结论 本文提出一种基于局部区域信息的快速水平集图像分割方法。实验结果表明,与传统水平集方法相比具有较高的分割精度和分割效率,可以很好地应用于具有灰度不均匀和噪声的医学、红外和自然图像等的分割。