高斯混合模型改进的活动轮廓模型MRI分割

引入高斯混合模型逼近图像的直方图概率,利用遗传算法的全局优化特性求解高斯混合模型的参数,以提高参数精度;由此构造新的活动轮廓模型约束项.在新的约束项作用下,活动轮廓模型可以有效地减少噪声的影响,防止从弱边界泄漏.对左心室核磁共振图像的分割实验表明,该模型具有较好的分割效果.     

多元高斯混合模型脑MR图像去壳模型

将脑部组织从MR图像中提取出来已经成为脑部图像处理中的一个重要环节,它可以提高后继的脑组织定位、容积测量等处理的精确度。但由于脑MR图像往往具有偏移场、弱边界和强噪音,使得基于图像梯度信息的水平集模型很难得到真实解。高斯混合模型使用了图像全局信息,能较好地处理弱边界问题。但传统的高斯混合模型仅使用了灰度值分布信息,未对像素的位置进行考虑,这使得其在处理噪音图像时效果并不是很理想。利用图像多种信息构造新的信息场,使得由信息场构造的高斯混合模型更能降低偏移场、噪音等影响,同时防止曲线从弱边界泄漏。传统的高斯混合模型求解参数时,往往仅使用EM算法,易陷入局部最优。针对这个缺点,引入粒子群算法,并对其进行改进,使得改进的算法可以较快地得到精确解。对脑MR图像分割实验表明该模型可得到较好的分割效果。     

基于高斯混合模型的人脑MR图像分割新算法研究

有限高斯混合模型是广泛应用于聚类分析与分布估计的概率模型之一,同样在脑部MR图像分割领域获得了广泛应用.利用高斯混合模型可以描述大脑图像,通过期望最大算法求解随机变量的特征值,并用其对图像上的点进行分类,可以在一定程度上解决脑图像分割问题.针对含脉冲噪声的大脑图像,首先利用改进的滤波方法对图像进行滤波,再利用粒子群改进算法的全局优化特性求解高斯混合模型的参数,这样避免了EM算法易陷入局部极值的现象,以提高参数精度,从而进一步提高分割质量.     

基于多元信息的高斯混合模型左心室MR图像分割

水平集模型在核磁共振图像(MRI)分割中具有十分重要的地位。但由于MR图像往往具有弱边界和强噪音,传统的水平集模型用于图像分割时一般依据图像梯度信息,因而很难得到真实解。高斯混合模型使用了图像全局信息,能较好地处理弱边界问题。但传统的高斯混合模型仅使用了灰度值分布信息,未对像素的位置进行考虑,这使得其在处理噪音图像时效果并不是很理想。该文利用图像多种信息构造新的信息场,使得由信息场构造的高斯混合模型更能处理噪音等影响,同时防止从弱边界泄漏。在取得心脏内壁后构造能量方程,运用形状约束和图像信息以得到心脏外壁。对左心室MR图像分割实验表明该模型具有较好的分割效果。     

基于EM算法的混合模型医学图像分割

医学图像分割中的期望最大化(EM)算法在求解混合模型参数时存在局限性。为此,提出一种模糊约束的混合模型图像分割算法。该算法以像素的独立性假设为前提,在采用EM算法对模型参数进行求解的过程中,通过模糊集合论方法,引入像素空间信息。实验结果表明,该算法没有引入新的模型参数,能够保持独立混合模型的简单性,且具有自动模型选择能力,可以获得较理想的分割结果。     

引入模糊因子的EM图像分割

基于有限高斯混合模型,在采用EM算法对混合模型参数求解的过程中,引入模糊因子,改善图像分割方法.该方法可以降低其对初选值的依赖和像素点值对混合模型分量间参数的干扰.结果表明,对含有高斯噪声影响的图像有较好的分割结果,目标图像的区域形状保持好、相对位置明确.     

基于自适应空间邻域信息高斯混合模型的图像分割

针对高斯混合模型用于图像分割时仅利用了像素的灰度信息,而忽视空间位置信息,导致在噪声区域和边界处有误分割现象,提出一种自适应空间邻域信息高斯混合模型的图像分割法.该方法定义了一个能够有力抑制噪声点、很好保留边界特性的自适应空间邻域信息函数.在此基础上,设计了每个像素由某个类生成的邻域信息加权概率,并证明了该加权概率满足归一性和空间连续性2个准则;最后,利用EM优化算法给出模型参数E步和M步迭代求解公式.通过人工合成图像与真实图像的实验表明,该方法具有满意的分割效果.     

一种基于高斯混合模型的MR图像分割

由于MR图像往往具有弱边界和强噪音,传统的水平集模型用于图像分割时一般依据图像梯度信息,因而很难得到真实解.高斯混合模型使用了图像全局信息,比较好地处理弱边界问题.但传统的高斯混合模型仅使用了灰度值分布信息,这就使得图像中的弱边界容易导致水平集泄漏.本文提出通过一致连通增强扩散将中断部分和其周围区域连接起来,以及结构张量估计图像的方向信息,用图像修复的方法将弱边界区域重新复原回来.最后对左心室MR图像分割,实验表明该模型具有较好的分割效果.     

一种基于高斯混合模型的距离图像分割算法

提出了一种基于表面法向的高斯混合模型的距离图像分割算法.它充分利用了表面法向高斯混合模型的物理含义,使数据聚类的次数减少,并利用Expectation-Maximization(EM)算法估计出的模型参数计算模型的后验概率实现了自动模型选择.算法针对两种距离相机的60幅真实距离图像进行了实验.将实验结果与几个流行的分割算法进行了客观比较.     

融合高斯混合模型的测地线脑肿瘤分割方法

脑肿瘤分割是计算机辅助脑病诊断的基础。为提高脑肿瘤分割精度,提出一种融合高斯混合模型的测地线脑肿瘤分割方法。根据相邻2个像素点间互相到达时间构造离散且带有权重的网格图,通过高斯混合模型估计每个像素点属于目标物体的罚度,并融合高斯混合模型的概率密度差异表示区域属性与边缘属性构成能量函数,利用快速最短路径算法求解前景与背景间的测地线距离,并根据该距离最小化能量函数,得到脑肿瘤的分割结果。利用10组脑部核磁共振图像数据对算法进行评估,结果表明,该算法分割结果与金标准的重叠率在0.60~0.85之间,可有效避免局部最优解的情况,对非匀质区域具有较好的分割效果。     

基于改进的Snake模型的脑部MR图像分割方法*

为实现对脑部磁共振图像的分割,提出了一种改进Snake模型的图像分割方法。通过引入轮廓中心的概念,在贪婪Snake模型的能量函数中增加距离势能作为外部约束能量,增大了外能的吸引范围,使分割结果不依赖于初始轮廓;对各能量项进行归一化操作,并以归一化扩散方程各分量的梯度矢量流代替MR图像的梯度,提高了模型处理弱边界和深度凹陷区域的能力;对各能量函数的离散化和参数的选择进行了阐述。实验结果表明,该算法是一种有效的分割脑部MR图像的方法。     

结合MRF能量和模糊速度的乳腺癌图像分割方法

乳腺癌灶的精确分割是乳腺癌计算机辅助诊断的重要前提. 在动态对比增强核磁共振成像(Dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI)的图像中, 乳腺癌灶具有对比度低、边界模糊及亮度不均匀等特点, 传统的活动轮廓模型方法很难取得准确的分割结果. 本文提出一种结合马尔科夫随机场(Markov random field, MRF)能量和模糊速度函数的活动轮廓模型的半自动分割方法来完成乳腺癌灶的分割, 相对于专业医生的手动分割, 本文方法具有速度快、可重复性高和分割结果相对客观等优点. 首先, 计算乳腺DCE-MRI图像的MRF能量, 以增强目标区域与周围背景的差异. 其次, 在能量图中计算每个像素点的后验概率, 建立基于后验概率驱动的活动轮廓模型区域项. 最后, 结合Gabor纹理特征、DCE-MRI时域特征和灰度特征构建模糊速度函数, 将其引入到活动轮廓模型中作为边缘检测项. 在乳腺癌灶边界处, 该速度函数趋向于零, 活动轮廓曲线停止演变, 完成对乳腺癌灶的分割. 实验结果表明, 所提出的方法有助于乳腺癌灶在DCE-MRI图像中的准确分割.     

基于高斯混合模型的脑部MR图像自动分割

将脑部组织从MR图像中提取出来是脑部图像处理的一个重要环节,如何精确地将脑组织从非脑组织中分离出来成为研究的难点。传统的水平集方法仅依赖梯度信息,由于脑部图像含有噪音、过度区域等因素的影响,使得分割效果不是很理想。文章提出了一种脑部MR图像的自动分割方法,它利用模糊各向异性扩散方法对图像进行平滑,结合直方图分析得到了图像的全局信息自动构造初始曲线,并利用高斯混合模型构造水平集演化的速度函数,得到较好的分割结果。对脑部MR图像分割的实验表明该方法准确度高、抗噪性能良好。     

模糊各向异性扩散人脑MR图像自动分割

目前对人脑磁共振图像的处理由于噪声等因素的影响,往往准确度不高。论文提出一种新的基于模糊各向异性扩散的人脑磁共振图像自动分割方法,该方法首先结合非线性扩散滤波构造混合信息场,在平滑目标内部同时处理强噪声区域,降低强噪声的影响且保留边界信息。然后利用FCM方法、形态学方法和标记法对混合场进行分析与处理,最终得到分割结果。对脑部MR图像分割的实验表明该方法的分割准确性较高,错误率约为1.3%。     

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。     

基于双水平集的图像分割模型

针对水平集模型对于具有细长拓扑部分的目标和弱边界目标进行分割时存在的问题，提出了双水平集方法．在新的方法中通过两条水平集之间的相互吸引来加速解的收敛，同时提出了一种快速有符号距离函数生成方法，提高了计算效率．传统的水平集通常利用图像边界信息来构造速度函数进行求解，但在待分割目标具有很强噪音或具有弱边界时往往得不到真实解，对此，提出了一种新的基于区域信息的速度构造方法．将双水平集模型应用到合成图像与左心室MR图像的分割实验，结果表明该方法具有较好的分割效果和较高的分割效率．     

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。     

Active contour model for simultaneous MR image segmentation and denoising

In this paper, a new region-based active contour model is proposed for magnetic resonance image segmentation and denoising based on the global minimization framework and level set evolution. A new region fitting energy based on Nadaraya–Watson estimator and local image information is defined to enforce the curve evolution. By this improved region fitting term, the images with noise and intensity un-uniformity can be segmented and denoised. Inspired by the Perona–Malik diffusion equation, an edge-preserving regularization term is defined through the duality formulation to penalize the length of region boundaries. By this new regularization term, the edge information is utilized to improve the contour?s ability of capturing the edge and remaining smooth during the evolution. The energy functional of the proposed model is minimized by an efficient dual algorithm avoiding the inefficiency of the gradient descent method. Experiments on medical images demonstrate the proposed model provides a hybrid way to perform image segmentation and image denoising simultaneously.