无需初始轮廓的分片常值图像快速分割模型

基于区域的活动轮廓模型——无边活动轮廓模型(常称CV模型),通常采用水平集方法解决分片常值灰度图像,具有计算复杂度低、分割结果对初始轮廓位置不敏感等优点。但是,存在迭代次数高、迭代时间长等缺点。基于此,笔者提出了一种基于偏微分方程的新模型。实验表明,该模型具有迭代过程稳定、迭代次数低等优点,且无需初始轮廓即可快速分割分片常值灰度图像。     

全局和局部拟合的活动轮廓模型

在现有的活动轮廓模型中,PC模型和RSF模型是两个著名的基于区域的模型。PC模型对活动轮廓的初始化和噪声不敏感,但不能分割灰度不均一图像。RSF模型能够分割灰度不均一图像,但对活动轮廓的初始化和噪声较为敏感。基于PC和RSF模型,提出一个以偏微分方程形式表达的基于区域的活动轮廓模型。实验表明该模型能够分割灰度不均一图像,对初始轮廓的大小和位置不敏感,抗噪性也较强。     

基于变异系数的分片常值图像快速分割

结合C-V模型和变异系数,提出一种水平集演化方程为常微分方程类型的模型。该模型不仅能正确分割分片常值图像,而且迭代次数不受初始轮廓大小、位置和形状的影响,且水平集函数无需重新初始化,从而能够快速分割分片常值图像,同时又能分割C-V模型、ICV模型和PSM模型不能正确分割的3-phases图像。     

无需初始轮廓的快速图像分割模型

在图像分割领域中，几何活动轮廓模型是较成功的方法之一。但现有的几何活动轮廓模型大都需要为演化曲线定义一个初始位置，这容易导致图像分割结果受初始轮廓位置的影响。为此，结合图像的局部和全局信息构造一个新的符号压力函数，提出一个以偏微分方程形式存在的快速图像分割模型。所提模型形式简单，算法过程容易实现。实验结果表明，该模型允许常值初始化，无需初始轮廓即可快速分割三相图像、灰度不均图像、渐变图像以及深度图像等多类图像。     

LBF活动轮廓模型的改进

LBF模型是一个著名的基于区域的活动轮廓模型。与PC（Piecewise Constant）模型不同,该模型引入了一个以高斯函数为核函数的局部二值拟合（Local Binary Fitting,LBF）能量。因为LBF能量能够获取图像的局部信息,所以LBF模型解决了PC模型不能处理灰度不均一图像的分割问题。提出了一个改进的LBF模型,它使用一个新的核函数代替高斯核函数。实验表明：与LBF模型比较,新模型减少分割时间约50%。     

一种引入Chebyshev距离的改进的无边活动轮廓模型

无边活动轮廓模型(C-V模型)是水平集分割方法中的一种经典模型.传统的无边活动轮廓模型将灰度同质作为区域分割准则,这使其对于仅含两个同质区域且灰度变化不大的图像能够取得很好的分割效果,但对灰度渐变图像分割时,该模型往往无法得到正确结果.本文针对这一问题,通过引入Chebyshev距离构造一种新的相似度,以此来表征演化曲线内外灰度差异,修改了传统无边活动轮廓模型中均值取值的定义,使得演化曲线在图像灰度变化缓慢区域获得较大的驱动力.新模型克服了传统无边活动轮廓模型不能正确分割灰度渐变图像的不足.实验对比及分析表明,新模型能够更准确地分割灰度渐变图像,同时对噪声有一定的鲁棒性.     

扩展无边活动轮廓模型

灰度变化对图像分割是至关重要的。然而,一个著名的基于区域的活动轮廓模型——无边活动轮廓模型（通常称CV模型）完全忽略了这种灰度变化。提出了一个扩展CV模型（ECV）,它利用了图像的灰度变化信息。实验表明：（1）ECV模型能分割CV模型不适用的某些类型的图像;（2）ECV模型也能分割CV模型适用的图像,且对噪声的鲁棒性强于CV模型。     

结合全局和局部信息的活动轮廓模型

利用全局信息的C-V模型对轮廓初始化和噪声不敏感,但不能分割灰度不均的图像;利用局部信息的RSF模型能分割灰度不均的图像,但对轮廓初始化和噪声很敏感。针对该问题,基于C-V模型和RSF模型,提出一个新的水平集正则化项,给出一个用偏微分方程表示的结合全局和局部信息的活动轮廓模型。实验结果表明,该模型能分割灰度不均的图像,且允许灵活的轮廓初始化,抗噪性较强。     

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。     

不均匀性嵌入式活动轮廓模型分割相似图像组

提出一种分割灰度不均匀单目标相似图像组的新模型。该模型结合组相似活动轮廓模型(ACGS)和不均匀性嵌入式活动轮廓模型(InH_ACM),同时考虑了图像的灰度、纹理和形状的特征,能有效分割灰度不均匀的图像组,处理图像中的误导信息。另外,采用在GB显著图上自动定位初始轮廓的方法,重新定义了平衡灰度一致性能量和纹理一致性能量的权重。实验结果表明,该方法在分割精度和收敛速度上都有优势。     

一种快速保边的图像分割方法

在分段光滑Mumford-Shah(MS)模型的基础上提出了一种快速的图像分割方法。该方法在分割过程中利用分段常数MS模型产生一种驱动力,在每个时间间隔加入这种驱动力来推动水平集函数的进化,提高曲线演化速度;另外,通过在MS模型中引入一个非线性函数■(s)代替u+和u-实现保边。最后通过实验验证,该方法不仅克服了原始方法的一些缺点,而且提高了收敛速度。     

基于对偶方法和局部统计信息的快速图像分割

CV模型和局部二值拟合模型用于图像分割时往往只能得到局部最优解,且计算量大,分割速度慢。为此,引入一个变量,将其与已知变量组成对偶变量,并利用图像的局部统计信息,建立主动轮廓模型的对偶模型,实现图像的快速分割。针对合成图像、多目标物体图像和灰度不均匀的医学图像进行实验,结果表明,该模型能自动处理拓扑结构的变化,从而快速准确地分割图像。     

改进CV模型图像分割的Split-Bregman方法

水平集方法中的Chan-Vese模型（简称CV模型）对灰度不均匀及边界对比度低的图像的分割效果不够精确,计算效率也不是很高。针对灰度不均匀引入偏差场来修正CV模型中的区域平均灰度并引入核函数来加权能量泛函。针对计算效率低下的问题,在上述基础上得出其全局凸分割模型（Global Convex Segmentation,GCS）,用Split-Bregman迭代求解该模型。实验结果表明：改进后的模型提高了分割精确度和计算效率。     

基于C-V模型和MRF的脑部MRI分割

为准确分割脑部磁共振图像(MRI)的灰质、白质和背景,提出一种基于C-V模型和马尔可夫随机场的全自动分割方法。采用C-V模型与形态学相结合的方法对脑MRI进行预处理,去除多余脑组织,获得待分割图像。引入灰度场局部熵的思想对惩罚因子进行估计,利用马尔可夫随机场模型建模实现脑灰白质的分割,并运用形态学方法获得最终分割结果。对96幅IBSR图像和46幅临床图像进行实验,结果表明,该方法能够实现脑部MRI灰白质的全自动分割,且具有较好的分割精度和较快的处理速度。     

深度学习在多时相大棚提取应用研究

蔬菜大棚对于农业生产具有重要意义。受季节和环境影响,其在遥感影像上不同时期呈现不同形态,仅通过单时相特征提取精度不能满足要求。近几年,深度学习被证明适合遥感数据的分类,为实现深度学习在农业遥感上的有效应用,提出了一种改进的多时相语义分割模型（Multi-temporal Spatial Segmentation Network,MSSN）用于蔬菜大棚提取。提出基于补丁长短时记忆网络（Patch-LSTM）,该网络充分利用图像的空间和时序信息。采用带空洞卷积的空间金字塔池化（ASSP）解决网络对尺度敏感问题。进一步添加跳连层（Skip-layer）和反卷积层提升特征图的还原能力。选择山东高密GF-2遥感影像进行实验。结果表明,该分割模型在测试集上有0.95的Precision、0.92的F1 score以及0.93的前景IoU（Intersection Over Union）,可以实现高精度的蔬菜大棚提取,为深度学习在农业遥感的应用提供新的方法。     

多模态特征融合的遥感图像语义分割网络

遥感图像语义分割是指通过对遥感图像上每个像素分配语义标签并标注,从而形成分割图的过程,在国土资源规划、智慧城市等领域有着广泛的应用。高分辨率遥感图像存在目标大小尺度不一与阴影遮挡等问题,单一模态下对相似地物和阴影遮挡地物分割较为困难。针对上述问题,提出了将IRRG（infrared、red、green）图像与DSM（digital surface model）图像融合的遥感图像语义分割网络MMFNet。网络采用编码器-解码器的结构,编码层采用双输入流的方式同时提取IRRG图像的光谱特征和DSM图像的高度特征。解码器使用残差解码块（residual decoding block,RDB）提取融合后的特征,并使用密集连接的方式加强特征的传播和复用。提出复合空洞空间金字塔（complex atrous spatial pyramid pooling,CASPP）模块提取跳跃连接的多尺度特征。在国际摄影测量与遥感学会（international society for photogrammetry and remote sensing,ISPRS）提供的Vaihingen和Potsdam数据集上进行了实验,MMFNet分别取得了90.44%和90.70%的全局精确度,相比较与DeepLabV3+、OCRNet等通用分割网络和CEVO、UFMG_4等同数据集专用分割网络具有更高的分割精确度。     

一种全自动的三维肺实质分割算法

精确的肺实质三维分割是对肺部病变进行计算机辅助检测或诊断的必要步骤,但复杂的胸部组织结构使得肺实质的精确分割变得较为困难。提出了一种结合阈值分割、区域增长、改进波阵面法等多种方法的全自动的三维肺实质分割方法。该方法使用计算机视觉及图像分析小组/国际肺癌早期行动计划（Computer Vision and Image Analysis Group/International Early Lung Cancer Action Program,VIA/I-ELCAP）和肺部图像数据库联盟（Lung Image Database Consortium,LIDC）提供的数据进行实验,结果证明这个方法能快速、精确地得到肺实质。     

基于LGDF模型的医学图像分割及有偏场校正

为实现对灰度不均匀医学图像分割的同时进行有偏场估计并校正,改进了基于局部高斯分布拟合(Local Gaussian Distribution Fitting,LGDF)能量的活动轮廓模型。通过分析图像有偏场模型的局部特性,将有偏场乘性因子引入图像局部灰度均值的表达中,从而使有偏场乘性因子成为新的能量函数的变量。能量函数的迭代最小化既实现了目标组织分割,又有效估计了有偏场。合成图像和真实医学图像实验表明该方法比现有多种方法分割性能更好,且利用估计的有偏场校正后的图像具有更好的视觉效果。     

基于t-混合模型的脑MR图像白质分割

核磁共振成像（MRI）作为临床辅助诊断和研究的重要工具,MR图像分割的准确性直接影响着后续处理的正确性和有效性。在目前的图像分割算法中,基于t-混合模型的图像分割方法因其快速和稳健性而受到重视。该方法的一般过程是先估计混合模型的参数,计算图像中每点的后验概率,然后根据贝叶斯最小错误率准则对图像进行分割。根据MR图像的特点,提出了基于t-混合模型的大脑MR图像白质分割的算法,并取得了较好的实验结果。