结合改进分水岭和GVF的三维肝脏分割方法

三维肝脏分割是当前医学图像处理的热点问题,如何准确快速地从腹部CT序列中分割出肝脏是肝部病变诊断的基础。针对传统活动轮廓模型对轮廓线敏感、运算量大的问题,改进了传统轮廓线设置方法,并把算法扩展到三维。首先,在一幅腹部CT图片中采用改进的分水岭算法,按照灰度和纹理的相似性原则从一个种子块开始生长出整个肝脏,再用其边缘作为相邻CT序列的起始轮廓,用GVF算法从序列图片中分割出肝脏,重复该过程,直至分割出整个腹部序列图像的切片,进行三维重建。     

基于曲线演化的CT颅骨外轮廓提取

准确有效地提取颅骨区域的单层外轮廓线是基于轮廓线颅骨三维模型重建的关键问题之一。针对颅骨复杂外形单层外轮廓提取困难,提出了一种基于曲线演化的方法。首先对图像进行阈值分割获得颅骨区域,然后初始化一条包括该区域的单层闭合曲线,对该曲线应用一种新的微分方程进行演化,最终获得颅骨区域的外轮廓线。实验结果表明,该方法可自动处理颅骨CT图像,准确获得颅骨的单层外轮廓,有效解决了颅骨单层外轮廓提取问题。     

基于改进窄带水平集的三维肝脏肿瘤分割

三维肝脏肿瘤识别是当前研究的热点问题,如何准确快速地从腹部CT序列中分割出肝脏肿瘤是肝部病变诊断的基础。针对水平集方法在进行分割时收敛速度较慢,设置窄带宽度固定不灵活的缺点,先利用分水岭算法,对肝脏图像进行“过分割”,搜索初始轮廓所在的分水岭块作为窄带区域进行标记,在窄带区域内用水平集算法使初始轮廓线收敛至准确轮廓。再以其边缘作为相邻CT序列的肿瘤初始轮廓,找出初始轮廓线所在的分水岭块,构成新的窄带,用水平集算法对轮廓线进行迭代分割出肿瘤。重复该过程,直至完成整个肝脏序列图像的肿瘤图像分割,进行三维重建。     

基于改进的GAC模型的医学图像序列分割算法

为了快速有效地提取出图像序列的边缘,提出了一种基于改进的测地线活动轮廓（GAC）模型的图像分割算法。在该方法中,只需在第一幅图像中感兴趣区域的内部给出大致的初始轮廓。在后续图像中,首先采用运动估计与区域统计特征结合的方法得到轮廓模型的初始轮廓,然后利用结合先验信息的测地线活动轮廓模型进行分割。此外,为了有效地减少算法运算时间,采用手工办法在第一张图像上选定模型演化的区域,该区域在后续图像上将依据分割结果自动调整大小和位置。实验结果表明：方法能够快速有效地提取目标物体的边缘。     

基于一种新的Snake模型的序列图像边缘提取算法

对医学图像数据中感兴趣区域（ROI）进行准确的边缘提取和分割,是对图像进行分析、理解和处理的重要前提。为克服现有Snake算法人工初始化轮廓不精确,迭代过程中曲线易被复杂背景吸引等缺点,提出基于一种改进Snake模型的序列图像边缘提取算法。该算法先利用序列图像相似性原理提取出近似边缘,然后将其平均分为4个子边缘,在每个子边缘上取数目均衡的Snake输入点,最后离散Snake的内力和外力,经过迭代得到最终边缘。实验结果表明：该方法能精确地提取出医学图像中复杂区域或畸形区域的边缘,且计算量较小。     

一种改进的快速轮廓线提取算法

文章针对传统主动轮廓模型对噪声敏感,初始位置敏感和收敛速度慢等不足,提出了一种基于PSO和GVF的快速轮廓线提取算法。首先利用PSO对轮廓控制点进行寻优,使之快速地收敛到图像的边缘附近;然后利用插值算法,得到目标图像的较粗糙轮廓,以此目标轮廓作为下一步GVF收敛的初始位置,最后得到准确的轮廓线。实验结果表明该算法不仅能对图像轮廓线进行准确的提取,而且具有一定的抗噪性能,易于实现,速度快等特点。     

根系CT序列图像区域生长分割的新方法

在对传统区域生长算法改进的基础上,针对原位根系CT序列图像的特点,提出了一种基于区域生长的植物根系CT序列图像分割算法。通过对208幅JPEG格式的植物根系CT序列图像进行直方图分析,确定植物根系区域的分割阈值范围,结合阈值分割实现改进区域生长法对单层根系图像进行分割得到目标区域。在此基础上,利用植物根系在介质环境中的空间连续性,进一步实现仅在选择单幅图像种子点的情况下一次性完成整套CT序列图像的分割。借助MITK（Medical Imaging Toolkit）工具箱对分割好的原位根系CT序列图像进行三维重建,对三维模型进行不同角度观测来判断分割的正确性。实验结果表明,该算法分割速度快、精度高,能够有效地去除CT图像背景中杂质像素,准确提取出植物根系目标区域。     

多通道图像轮廓线提取的变分算法

针对多通道的图像分割提出一种新的活动轮廓线提取算法。对轮廓线长度采用Munford-Shah最小化泛函加上图像每个通道上的拟合误差之和。与传统C-V方法类似,该算法不需要图像的梯度信息就可以检测物体的边缘,解决了传统C-V方法不管从哪个尺度空间都无法完全分割彩色图像中物体的问题。并通过改进初始化函数提高了分割的速度。     

医学图像中组织轮廓提取方法的改进

在医学图像分割技术的研究中,针对提取图像的清晰度和快速性问题,常用轮廓跟踪算法来提取组织轮廓线,花费的时间较长且分割效果不好.为了提高组织轮廓线的提取速度和分割效果,利用医学图像中组织对称性和灰度特征,提出了双向轮廓跟踪算法.根据分割目标确定相应的检测阈值,采用边缘检测,确定边缘起始点,对组织边缘进行双向跟踪.在检测过程中,设置相应的检测矩阵,减少检测次数.算法能同时沿两个不同的方向进行边缘检测,节省了时间.仿真结果表明,改进的轮廓提取方法对有较好的连续性和对称性的组织轮廓线能进行快速准确地提取,可得到清晰的分割结果,缩短轮廓线的生成时间.     

基于双视角的可见外壳三维重建研究

针对双目视觉重建方法在三维重建过程中步骤繁琐与重建效果不理想的问题,文中提出了一种基于双视角下可见外壳的三维重建方法。该方法主要借助平面镜成像原理,在不同视角拍摄包含物体与其成像的两幅图像,并根据成像原理确定物体之间的位置关系。通过相机与周围物体的运动关系求得相机参数,实现相机自标定。然后根据阈值分割及区域生长算法处理边缘信息得到目标轮廓,通过可见外壳方法计算侧影轮廓线,连接轮廓线形成重建模型。该方法通过自适应可见外壳种子体素生长在不了解物体先验知识的情况下完成重建。文中对比文献"基于图像轮廓的三维重建方法"中的单视角重建物体方法,提出了双视角重建物体模型方法。实验结果表明,双视角重建方法简单实用,生成的三维模型准确真实。     

Coastline extraction from SAR images using spatial fuzzy clustering and the active contour method

Coastline extraction from synthetic aperture radar (SAR) data is difficult because of the presence of speckle noise and strong signal returns from the wind-roughened and wave-modulated sea surface. High resolution and weather change independent of SAR data lead to better monitoring of coastal sea. Therefore, SAR coastline extraction has taken up much interest. The active contour method is an efficient algorithm for the edge detection task; however, applying this method to high-resolution images is time-consuming. The current article presents an efficient approach to extracting coastlines from high-resolution SAR images. First, fuzzy clustering with spatial constraints is applied to the input SAR image. This clustering method is robust for noise and shows good performance with noisy images. Next, binarization is carried out using Otsu’s method on the fuzzification results. Third, morphological filters are used on the binary image to eliminate spurious segments after binarization. To extract the coastline, an active contour level set method is used on the initial contours and is applied to the input SAR image to refine the segmentation. Because the proposed approach is based on an active contour model, it does not require preprocessing for SAR speckle reduction. Another advantage of the proposed method is the ability to extract the coastline at full resolution of the input SAR image without degrading the resolution. The proposed approach does not require manual initialization for the level set method and the proposed initialization speeds up the level set evolution. Experimental results on low- and high-resolution SAR images showed good performance for coastline extraction. A criterion based on neighbourhood pixels for the coastline is proposed for the quantitative expression of the accuracy of the method.     

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。     

融合局部和全局图像信息的活动轮廓模型

为了克服局部图像拟合模型对轮廓初始化敏感的不足,结合改进C-V模型,提出一种融合局部和全局图像信息的活动轮廓模型.首先由改进C-V模型的全局灰度拟合力和局部图像拟合模型的局部灰度拟合力的一个线性组合来构造水平集演化力,然后通过调整这2个拟合力的权重以提升该模型对轮廓初始化的灵活性,最后利用高斯滤波正则水平集函数法实现水平集函数的正则化.实验结果表明,对于一些真实和人造图像,文中模型显示了对轮廓初始化的鲁棒性,以及较好地处理灰度不均图像的能力.     

基于遗传算法的肝CT图像边界自动提取方法的设计与实现

对肝CT序列图像进行自动分割、提取肝脏边界,有利于提高临床诊断的速度和准确性。本文在分析肝脏CT序列图像特点的基础上,设计并实现了基于遗传算法的分割方法,成功地实现了肝脏边界的自动提取。实验结果表明,这种算法非常有效,其提取结果和实际肝脏边界完全吻合。     

Virtual reality of recognition technologies of the improved contour coding image based on level set and neural network models

Image contour-based feature extraction method has been applied to some fields of image recognition and virtual reality. However, image contour features are easily susceptible to factors like noise, rotation and thresholds during extraction and processing. To solve the above problem, this paper proposes a contour coding image recognition algorithm based on level set and BP neural network models. Firstly, level set model is employed to extract the contours of images. Secondly, image coding method proposed herein is used to code images horizontally, vertically and obliquely. At last, BP neural network model is trained to recognize the image codes. Validity of the proposed algorithm is verified by using a set of actual engineering part images as well as MPEG and PLANE databases. The results show that the proposed method achieves high recognition rate and requires small samples, which also exhibits good robustness to external disturbances such as noise and image scaling and rotation.

     

基于边缘竞争模糊水平集的脑部磁共振图像自动分割

针对脑部磁共振(MR)图像分割时容易出现的受噪声影响大和边缘定位模糊问题,提出一种以基于核函数的增强模糊C均值(RFCMK)算法结果为先验知识的边缘竞争水平集自动分割方法。首先采用RFCMK算法对图像进行预分割;然后对预分割后的各子类图像进行阈值化处理,并将其边缘作为水平集演化的初始轮廓;最后采用引入竞争机制的边缘指示器对各部分边缘进行演化。该方法对模拟图像不同层切面的分割实验表明,基于面积和基于边缘的评估统计值范围分别为[0.91,0.95]和[0.05,0.22]。对噪声图像的实验结果表明该方法能够有效地抑制噪声对分割结果的影响。     

一种基于局部符号差能量的非局部分割模型

针对灰度非均匀的图像,提出一种基于局部符号差能量的非局部图像分割模型。该模型包含基于局部符号差能量的数据驱动项和非局部全变分正则项,具有局部可分离性和全局一致性的特点。由于本文模型是凸的,因此在数值实现上可以采用split-Bregman迭代算法,具有较快的运算速度。同经典的基于局部区域的主动轮廓分割模型相比,该方法具有以下优点:(1)该模型受初始化的影响很小;(2)采用split-Bregman迭代算法,运算速度更快;(3)能够对具有细密纹理和具有弱边缘目标的图像进行正确分割。实验结果表明,该模型对灰度非均匀图像能够进行较准确的分割,相比其他模型具有更好的鲁棒性。     

一种基于变形模板的椭圆提取算法

针对普通的动态轮廓算法对曲线仅提供有限的连续与正则性约束,虽然带来了局部的灵活性,却丧失了全局的完整性,从而导致轮廓提取结果强烈敏感于图像噪声及邻近边缘点,针对这一问题,给出了一种基于椭圆变形模板的椭圆提取新算法。该算法使用一种基于椭圆形状约束的变形模板,由于其能量最小化过程直接在椭圆的参数空间中进行,从而可保证提取的结果一定是椭圆。此外,算法还容许同时提取多个椭圆,并可充分利用各个椭圆参数及其相关性(例如同心椭圆)等先验知识来实现快速、准确、鲁棒的椭圆提取。仿真结果与实际图像应用表明,该新算法是有效的。