基于C-V模型无关曲率方向的快速分割算法

为提高图像分割的精度获取边缘更佳的分割图,提出结合无关曲率方向的边缘函数与无需重新初始化符号距离函数的基于C-V(Chan-Vese)模型的快速分割算法。针对在图像的同质区域中基于水平集的C-V模型不能正确分割出目标轮廓的缺陷提出优化方法。改进算法不依赖于水平集梯度信息进行活动轮廓曲线的演变,引入无关曲率的边缘函数并结合平均曲率运动方程以最小化长度能量项;并且在能量函数中增加了内能泛函项,以简化模型在局部需要重新初始化符号函数的步骤,提高运算速度。实验表明新算法能够演化出目标边缘曲线,准确分割图像,且运行耗时显著减少,收敛速度近似为几何活动轮廓C-V模型的1.2倍。     

基于AOS格式的水平集快速分割模型

针对C-V图像分割模型提出了一种快速分割模型。首先引入一种新的内部能量函数,即以水平集函数与距离函数的偏差作为能量函数,无需重初始化水平集函数,且初始水平集函数可以用一般的分段函数来定义,节省了初始化和重初始化过程所消耗的时间。其次计算格式采用AOS格式,该差分格式无条件稳定。实验结果表明了该分割模型的有效性。     

Chan-Vese图像分割模型的快速实现算法的研究

重初始化是水平集方法耗时的一个主要原因,通过将水平集函数与符号距离函数的偏差作为能量项引入C-V模型,以此来约束水平集函数成为符号距离函数,从而去掉了重初始化步骤。在检测多目标时,采用了曲线族代替单曲线作为初始曲线。在数值算法上,利用加性可操作分裂算子(AOS)消除了对时间步长的限制,可以选择大步长,从而加速了演化过程而且绝对稳定。实验结果表明,分割速度相对于经典的C-V模型有了很大的提高,而精度损失可以忽略。     

基于C-V模型的医学图像血管钙化分割算法

为了准确分割出医学图像中血管的钙化点,设计并实现了一种基于C-V模型的水平集图像分割方法。首先进行去噪和对比度增强预处理,接下来分割出图像中感兴趣的血管和钙化点区域,然后利用C-V模型水平集分割方法分割血管壁上的钙化点目标,最后采用形态学方法消除分割结果中孤立的噪声和孔洞。针对大量的临床血管钙化图像进行了算法的测试,实验结果表明:能有效分割出血管中的钙化灶,准确检测出血管中钙化的位置、大小、形态等。将C-V模型分割方法与OTSU阈值分割、登山法分割方法进行比较,结果表明C-V模型分割方法对于钙化点的分割更准确,边缘更平滑,更清晰,方便对钙化点进行进一步的测量和诊断。     

基于偏移场修正的C-V模型水平集图像分割算法

灰度不均匀效应广泛存在于现实图像(real-world images)中,这给图像分割带来了很大的挑战,目前许多的图像分割算法都依赖于图像灰度分布均匀这一假设,这严重影响了算法分割现实图像的分割精度。因此文章结合图像的数学模型,提出了一种基于偏差修正的C-V模型,该方法在水平集函数的演化过程中,同时进行图像的分割与偏移场的估计,利用偏移场的估计值来抑制灰度不均匀效应的影响。仿真结果表明,该方法比经典的C-V模型有更高的分割精度,对初始化轮廓曲线以及噪声有较强的鲁棒性。     

两种保持符号距离函数的水平集分割方法

Chan-Vese模型在图像分割领域正被广泛应用。然而,传统的水平集方法存在两个重要的数值问题:水平集函数不能隐式地保持为符号距离函数;由于采用梯度降方法求解使水平集演化速度缓慢。针对该问题提出两种快速分割方法加快演化速度:对偶方法和分裂Bregman方法。为了让水平集保持符号距离函数特性,利用投影方法加以约束,并采用增广Lagrangian方法加快收敛速度。实验结果表明,提出的两种快速分割方法比传统的梯度降方法分割效果好、计算效率高。     

基于混合模型的多尺度水平集高分辨率SAR图像水体分割

针对高分辨率SAR图像水体分割,提出基于混合活动轮廓模型的多尺度水平集分割算法。首先利用ROEWA边缘指示函数加权的轮廓线长度能量项和区域信息项建立模型能量函数;然后引入距离正则项,避免水平集方法在演化求解时需要不断重新初始化的问题;最后采用多尺度处理策略,解决水平集分割算法收敛速度慢的缺点。实测高分辨率SAR图像实验结果表明,该算法可用于水体的精确分割。     

基于梯度信息的C-V模型图像分割算法

针对传统的C-V模型对于含有多灰度级目标的图像难以准确分割并且分割速度缓慢等问题,提出了在C-V模型中引入梯度信息的图像分割算法。该算法在C-V模型的偏微分方程中加入了基于梯度信息的加速因子和弱目标边界控制力,加速因子的引入可以显著地提高C-V模型的分割速度,弱目标边界控制力可以有效地防止弱目标边界泄漏和漏分割。实验结果表明:该算法能够有效分割出弱目标和提高图像分割速度。     

用于图像分割的边界保持局部拟合模型

针对局部二值拟合变分水平集模型(LBF模型)的分割质量很大程度上取决于核带宽的选取,容易造成冗余轮廓、边界模糊等问题,提出一种基于边界保持局部拟合的变分水平集模型.该模型引入图像相依的测地时间定义核函数,结合空间距离和图像梯度,自适应地选取邻域采样点;同时,采用基于多波段的图像梯度,并相应地调整图像点的相异性测度,将模型的应用范围扩展至彩色及多光谱图像.实验结果表明：该模型能选取较大核带宽并有效保留潜在的边界信息,从而避免了核带宽的选取问题,较好地应用于灰度异质图像的精确分割;而且,该模型对彩色及多光谱图像的分割也同样有效.     

一种基于阈值初始化的变分水平集牙菌斑图像分割方法

将变分水平集和图像阀值化两种图像分割方法相结合,在分析灰度图像直方图分布的基础上提出利用图像阈值设定C-V模型的初始化轮廓的新方法,改变了原有C-V模型的初始轮廓线设置中存在的不足.新方法应用于牙菌斑图像分割中能够较好的识别牙齿图像边缘信息,为下一步对牙菌斑进行量化分析提供了良好的数据基础.     

自适应权值调整的C-V模型及图像分割

Chan-Vese模型（简称C-V模型）是基于均质区域能量最小化的曲线演化分割框架。本文提出一种区域相关权重的C-V模型,并对模型的区域权重进行了探讨,定义了自适应权值调整函数,加速曲线收敛过程,得到精确的区域边界。实验表明该算法可行有效。     

改进的ChanVese活动轮廓模型

针对ChanVese模型计算量大和分割时间长的问题,提出了一种改进的ChanVese活动轮廓模型。该模型将水平集规则式融入ChanVese模型中,使水平集函数始终保持在符号距离函数附近,避免了重新初始化过程,减少了模型的计算量,同时改变了水平集函数的初始化函数,这更有利于新曲线的产生。实验结果表明,该改进模型具有一定的抗噪性,收敛速度快,分割时间少,且能得到全局最优的分割结果。     

一种基于马尔科夫随机场的脑MR图像分割改进算法

高斯混合模型（GMM）易受噪声影响，马尔科夫随机场（MRF）模型能够很好地刻画空间特性。两者结合适用于对含有噪声的图片进行分割，但MRF模型用于图像分割时，容易出现过分割现象。针对这个问题，提出一种自适应权值系数的图像分割改进算法，从核磁共振成像（MRI）中较好地分割出脑脊液、灰质和白质组织。首先，使用K?means算法得到初始分割结果，通过期望最大化算法（EM）估计GMM参数，进而得到图像像素灰度的联合概率能量函数。然后，利用MRF邻域系统中心像素与邻域像素的灰度值、后验概率和欧式距离得到自适应的权值系数，使用MRF模型得到先验概率能量函数。最后，借助贝叶斯准则得到最终图像分割结果。实验结果表明，该算法具有较强的自适应性，能够较好地克服噪声对图像分割的影响织。与同类算法相比，该算法对含有噪声的脑部MRI图像具有较高的分割精度，可得到较好的图像分割结果。     

自适应脑组织影像分割

提出一种支持二维及三维MR脑影像的脑组织分割方法。首先采用改进的C-V模型去除脑脊液对灰质分割准确性的干扰。其次通过采用结合C-V模型的带标记区域增长算法,去除脑壳并提取脑室。最后结合覆盖背景的方法提取灰质及白质,从而实现了脑组织的自动分割。对该算法进行了仿真与实验验证,结果表明,该算法具备良好的准确性、通用性与实用性。