结合改进FCM算法的多相位CV模型

Chan-Vese模型以其能较好地处理图像的模糊边界和复杂拓扑结构而广泛运用于图像分割中。但对于灰度不均匀性和多目标的分割效果较差。模糊聚类（FCM）算法作为一种无监督聚类算法已成功应用到目标识别和图像分割等领域。然而FCM算法没有考虑像素的空间信息对噪声敏感。针对这些问题,提出一种结合改进FCM算法的多相位CV模型。首先,基于直方图统计灰度种类、并利用邻域内计算的空间信息修正隶属度函数,这样克服了灰度不均匀性和噪声的影响。再将改进后的FCM算法应用到CV模型的区域检测项,可较准确地使像素点归类,以此作为曲线的演化依据。在演化时采用一种各项异性的模板来控制轮廓线的及时分裂,在较短时间内分割出更多目标。     

融入空间信息的医学图像优质分割

传统的FCM分割算法只考虑到图像的灰度信息,而忽略了灰度的空间信息,对于迭加了噪声的图像,难以得到准确的结果。从马尔可夫随机场（MRF）中得到启示,考虑到图像灰度信息及其空间分布出发,提出了一种新的基于邻域（Neighbor）信息FCM分割算法,即NFCM算法。实验结果表明该算法所得到的目标图像的边界特征保持完好,图像边界细腻、连续且定位性能好。     

基于单水平集的多目标轮廓提取

多目标轮廓提取是图像分割的重要研究内容.文章在Chan和Vese的无边界主动轮廓模型(简称CV模型)的基础上,提出基于单水平集的多目标轮廓提取算法.CV模型只能实现单目标的轮廓提取,主要原因是不能使水平集函数驱动的轮廓线在某些目标区域正确分裂,没有有效利用轮廓线的拓扑分裂信息.通过修正CV模型,引入标记模板,用于追踪零水平集的分裂情况,对不同的准目标区域区别处理;引入图像区域均值模板,用于估计可能淹没在背景区域中的目标区域,促使水平集函数在上述目标区域充分变形,使对应零水平集充分分裂,实现多目标轮廓提取.并且文章提供了一系列不同条件下的实验结果,并与其它类似的研究成果进行比较,结果表明,该文的工作是有意义的.     

改进CV模型的医学图像分割

基于水平集的图像分割方法能有效处理拓扑结构较复杂、有分支的目标,分割结果对目标初始轮廓的位置不敏感,对图像中对比度低的边界的识别效果不佳。广义模糊算子能有效提高图像边界区域与非边界区域的对比度,图像细节分明、失真度小。运用广义模糊算子来改进水平集分割方法中的Chan-Vese模型（简称CV模型）的速度函数;并扩大传统CV模型的边界检测范围以减少迭代次数,加快收敛速度;最后消除误分割区域以进一步提高分割的准确性。对模拟和真实医学图像分割的实验结果表明：改进后的模型能较大提高分割的准确性及效率。     

基于模糊C均值聚类的医学图像分割研究

模糊C均值聚类算法（FCM）在硬C均值聚类的基础上有效地解决了医学图像分割中存在的模糊情况,通过建立表示图像中像素点与聚类中心加权相似度的目标函数,采用迭代优化的方法求解目标函数的极小值来确定最佳聚类。针对FCM算法中存在的对大样本数据分割速度慢、结果易受初始值影响、对噪声敏感、难以适应多种数据分布等缺陷,涌现出了大量的改进算法。对其中的部分改进算法进行综述,主要介绍快速FCM算法、基于初始值选取的FCM算法、基于空间邻域信息的FCM算法以及基于核函数的FCM算法等,并对其优缺点进行概要的总结和介绍。指出该算法进一步的研究方向。     

基于隐马尔科夫随机场邻域选择的细节保护图像分割

由于马尔科夫随机场（Markov Random Fields,MRF）区域标识模型的滤波效应,在合成孔径雷达（SAR）图像处理过程中,细节结构会被部分保留或者完全丢失。本文提出一种基于散射描述子的自适应邻域系统隐MRF（Hidden MRF,HMRF）图像分割方法,以实现更好地保留图像细节特征和边缘区域,从而改善图像的分割效果。为了提高可靠性和自适应性,将模糊c均值（Fuzzy c-means,FCM）聚类算法与散射变换相结合,实现邻域形状的自适应选择。从不同的邻域形状中,选择具有最高模糊隶属度的邻域形状进行HMRF区域标识过程。实验结果表明,相比较于一般HMRF使用固定形状的邻域系统,本文所提出的算法改善了分割效果,特别是图像细节结构信息得到了很好的保护。     

基于整体变分模型的岩心图像修复

针对岩心扫描图像信息缺失的修复问题,提出了基于整体变分模型的修复算法。利用图像待修复区域邻域的参考像素信息,从待修复区域边缘逐步向待修复区域内部扩散,同时采用了邻域相关系数来衡量待修复区域邻域边界对目标像素点的影响程度,对算法进行了改进。通过仿真实验表明,改进后的算法与原方法相比,修复效果得到了改善,可以有效完成对于岩心图像的修复。     

快速自适应分片常数CV模型

Chan-Vese模型以其能较好地处理图像的模糊边界和复杂拓扑结构而广泛运用于图像分割中。但针对含灰度不均匀性和复杂背景的图像分割效果较差。提出一种基于图割方法的自适应分片常数式的CV模型。首先通过计算距离函数和邻域相似度修正CV模型的拟合项及长度项;然后根据像素点和拟合中心的相似度控制划分拟合中心所在的区域,以备准确估计拟合中心;最后利用图割算法最小化能量函数并得到新的拟合中心以进行下一轮最小化,从而得到更准确且高效的分割结果。     

基于各向异性滤波和空间FCM的MRI图像分割方法

针对具复杂目标和边界模糊的MRI图像中多感兴趣区域的分割中分割MRI图像软组织难的问题, 提出了一种基于各向异性滤波和空间模糊C-均值聚类(SFCM)的MRI图像分割方法; 用新型各向异性滤波对图像进行预处理, 解决去噪平滑的同时弱化图像细节的问题; 用邻域空间信息设计空间函数, 改进传统FCM的目标函数; 用图像的空间信息实现图像各目标准确分类、有效解决孤立区域的正确归类问题, 进而使分割区域完整; 用直方图拟合曲线初始化分类数和初始聚类中心, 加快算法迭代到最优解, 进而减少运行时间。通过实验证实了各向异性滤波和空间FCM的MRI图像分割方法的综合应用显著提高了分割灰度重叠、目标不连续和目标边界模糊的MRI图像的分割效果。     

利用邻域差异性信息的FCM改进算法

为了克服模糊C均值（FCM）无法处理图像噪声的缺点以及常用改进算法分割不足,提出了一种利用邻域差异性信息的FCM改进算法。利用高斯函数来合理刻画邻域间像素的空间位置和灰度差异特性,实现对中心像素隶属度的调整,达到分割噪声图像的目的。实验证明,该算法可以有效地处理高斯和椒盐噪声,在去除噪声的同时较完整地保留了图像的细节,其分割效果优于几种常用FCM改进算法。     

基于全局最小化活动轮廓的多目标检测跟踪

为了在噪声干扰以及目标和背景颜色相近情况下实现多目标跟踪,提出一种基于快速全局最小化的活动轮廓模型的目标检测跟踪算法。该算法结合了基于边缘的活动轮廓模型和基于区域的活动轮廓模型,对能量泛函进行全局最小化来检测目标活动轮廓,用卡尔曼滤波预测目标下一帧的特征信息,然后用改进的最近邻法进行多目标跟踪。对图像序列的实验结果表明该算法能有效地对运动背景下多目标进行跟踪。     

A hidden-line algorithm for graphical reconstruction of serially sectioned objects

An algorithm for hidden-line removal in graphical reconstructions of serially sectioned biological objects is developed for PC-like computer configurations. The aim is to handle complicated structures defined by vast numbers of coordinate pairs and intersections between contours, without requiring excessive computing time. The procedure depends upon a fast searching routine for the localization of intersections and visibility.     

基于局部统计信息的快速CV模型MR图像分割

ChanVese（CV）模型以其能较好地处理图像的模糊边界和复杂的拓扑结构而广泛运用于图像分割中。但由于核磁共振（MR）图像广泛存在强度不均匀性,因此CV模型不仅不能进行准确的分割,而且迭代过程需要对所有图像数据进行反复计算,分割效率很低。针对以上缺点,提出了一种基于局部统计信息的用于快速进行图像分割的CV模型,即首先在局部区域内,通过计算统计量来得到像素点归类的贝叶斯后验概率,并以此作为曲线演化的依据,这样,就能对强度不均匀的MR图像进行准确的分割;然后设置两个表分别存储曲线内外部邻点,并通过更新这两个表内的点来实现曲线演化,从而不但大幅提高了计算速度,并保持了水平集方法能自动处理拓扑结构变化的优点。     

A heuristic triangulation algorithm for multiple planar contours using an extended double branching procedure

This paper presents a heuristic triangulation algorithm for reconstructing surfaces over a set of cross-sectional contours. The multiple branching problem, an important problem of conventional triangulation methods, is reated as a set of double branchings, and an algorithm based on countour merging is developed. Several imaginary contours are generated to handle the multiple branching problem with many branch contours. A double branching algorithm based on the partitioning of the root contour is also proposed. The results show that our method works well even for objects with many complicated branches.     

Tracking deforming objects using particle filtering for geometric active contours

Tracking deforming objects involves estimating the global motion of the object and its local deformations as a function of time. Tracking algorithms using Kalman filters or particle filters have been proposed for finite dimensional representations of shape, but these are dependent on the chosen parametrization and cannot handle changes in curve topology. Geometric active contours provide a framework which is parametrization independent and allow for changes in topology, in the present work, we formulate a particle filtering algorithm in the geometric active contour framework that can be used for tracking moving and deforming objects. To the best of our knowledge, this is the first attempt to implement an approximate particle filtering algorithm for tracking on a (theoretically) infinite dimensional state space.     

结合全局与局部信息活动轮廓的非同质图像分割

目的 通过对现有基于区域的活动轮廓模型能量泛函的Euler-Lagrange方程进行变形,建立其与K-means方法的等价关系,提出一种新的基于K-means活动轮廓模型,该模型能有效分割灰度非同质图像。方法 结合图像全局和局部信息,根据交互熵的特性,提出新的局部自适应权重,它根据像素点所在邻域的局部统计信息自适应地确定各个像素点的分割阈值,排除灰度非同质分割目标的影响。结果 采用Jaccard相似系数-JS(Jaccard similarity)和Dice相似系数-DSC(Dice similarity coefficient)两个指标对自然以及合成图像的分割结果进行定量分析,与传统及最新经典的活动轮廓模型相比,新模型JS和DSC的值最接近1,且迭代次数不多于50次。提出的模型具有较高的计算效率和准确率。结论 通过大量实验发现,新模型结合图像全局和局部信息,利用交互熵特性得到自适应权重,对初始曲线位置具有稳定性,且对灰度非同质图像具有较好地分割效果。本文算法主要适用于分割含有噪声及灰度非同质的医学图像,而且分割结果对初始轮廓具有鲁棒性。     

一种快速模板匹配目标识别算法

该文拟将计算机视觉中传统模板匹配方法与对场景物体的中心矩描述方法相结合,提出了一种效率较高的匹配算法。算法在匹配识别上不仅不受物体方位旋转及尺寸缩放变化影响,而且能较精确地求出物体相对于模板的缩放比例和偏转角度。文中给出了与传统模板匹配算法对照的实验结果。     

Silhouette-based isolated object recognition through curvaturescale space

A complete, fast and practical isolated object recognition system has been developed which is very robust with respect to scale, position and orientation changes of the objects as well as noise and local deformations of shape (due to perspective projection, segmentation errors and non-rigid material used in some objects). The system has been tested on a wide variety of three-dimensional objects with different shapes and material and surface properties. A light-box setup is used to obtain silhouette images which are segmented to obtain the physical boundaries of the objects which are classified as either convex or concave. Convex curves are recognized using their four high-scale curvature extrema points. Curvature scale space (CSS) representations are computed for concave curves. The CSS representation is a multi-scale organization of the natural, invariant features of a curve (curvature zero-crossings or extrema) and useful for very reliable recognition of the correct model since it places no constraints on the shape of objects. A three-stage, coarse-to-fine matching algorithm prunes the search space in stage one by applying the CSS aspect ratio test. The maxima of contours in CSS representations of the surviving models are used for fast CSS matching in stage two. Finally, stage three verifies the best match and resolves any ambiguities by determining the distance between the image and model curves. Transformation parameter optimization is then used to find the best fit of the input object to the correct model