融合显著性特征的自适应主动轮廓模型

主动轮廓模型存在演化速度慢、对初始轮廓和噪声敏感、弱边缘泄漏及目标过分割等问题。对以上问题进行了研究,提出了融合显著性特征的自适应主动轮廓模型。提出基于去雾算法的显著性映射作为正则项提升模型对初始轮廓位置的鲁棒性,防止轮廓演化过程过早陷入局部最优解,同时缩短轮廓演化时间。为了防止模型在演化过程中出现弱边界泄漏,模型中引入边缘检测函数作为能量泛函的权重。该模型利用最大面积稀疏约束,提出自适应目标提取方法来消除目标过分割影响。与多种主动轮廓模型在数据集MRSA500(500张)上进行实验对比,表明了提出的模型对初始轮廓和噪声的鲁棒性,而且提出模型的平均分割效率提升约5.6倍,平均Jaccard相似度系数提升约22%。     

图像分割的结构张量几何活动轮廓模型

基于水平集方法和结构张量,提出几何活动轮廓模型应用于图像分割,解决水平集方法轮廓初始化和弱边缘处易于边缘泄露问题.该方法利用张量图像的散度算子构造新的外力,引导水平集函数的自适应运动,使得其可以初始为常值函数,消失其演化对初始轮廓的需要;在偏微分方程中引入张量迹信息,减少噪声对其演化的影响,避免轮廓在弱边缘处泄露.实验结果表明,该方法对噪声图像鲁棒,能提取深度凹陷目标轮廓和红外图像中的弱目标.     

梯度向量场通量能量驱动的主动轮廓模型

提出了一种基于梯度向量场通量能量的水平集图像分割算法.通过加入约束符号距离函数的能量项,并极小化该能量函数得到的变分表达式主要具有4条优于传统主动轮廓模型的优点.一是可以克服分割弱边界目标的困难;二是水平集函数不但可以灵活初始化,而且可避免在演化过程中重新初始化为符号距离甬数;三是水平集函数数值化可采用简单的有限差分方法,计算效率得到了极大的提高;四是仅用一个初始轮廓就可以自动检测带孑L目标的内轮廓.对合成和真实图像的分割结果表明:对弱边界目标和灰度分布不均目标的分割效果分别优于测地线模型(GAC)和C-V主动轮廓模型.     

基于变分水平集的目标轮廓分割方法

针对风洞试验摄影测量技术中标识点图像边缘模糊,难以快速、准确分割的难题,设计了一种基于变分水平集的目标轮廓自动分割方法.分割模型根据图像域内零交叉曲线两侧二阶微分值符号相反的特性,构造了新的曲线演化引导函数,位于标识点内部、外部,甚至与标志点轮廓相交叉的初始曲线,在该引导项的指引下均可自动收敛到标识点边界处.同时,模型中引入新的边界函数,解决了标识点弱边缘分割过程中演化曲线边界泄露的问题.在合成图像和实际风洞模型图像上的仿真实验结果表明了该方法的准确性与优越性.     

针对弱边缘信息的左心室图像分割算法

基于距离正则水平集模型（DRLSE）的左心室MR图像分割算法对梯度信息有很强的依赖性,在图像弱边缘区域容易陷入局部最优,且对初始轮廓的选取敏感。为降低算法对初始轮廓的敏感程度,提高其在左心室图像弱边缘的分割能力,提出一种适用于弱边缘信息的左心室分割算法。在DRLSE的基础上,该分割算法提出运用拟合方法计算基于变异系数分割模型（PSM）的新局部项,算法依靠梯度与图像局部信息驱动曲线演化,降低了DRLSE对初始轮廓的敏感度;引入形状约束力,克服DRLSE算法在左心室外膜弱边界处出现边界泄露的情况。为验证所提算法分割的准确性,基于多伦多市患病儿童医院影像科提供的数据库,利用DRLSE、保持凸性水平集模型（CPLSE）模型、U-Net网络以及提出的内膜算法对心内膜进行分割;利用DRLSE、引入外膜形状约束力的DRLSE模型（DRLSE-shape）、U-Net网络以及提出的外膜算法对心外膜进行分割。实验结果表明,针对左心室内、外膜,所提算法优于上述算法,能降低DRLSE对初始轮廓的敏感程度,提升对左心室弱边界MR图像分割的精确度。     

基于改进符号距离函数的变分水平集图像分割算法

为保证水平集图像分割算法的稳定性,传统水平集方法常采用重新初始化的方法或引入符号距离函数,但这两种方法存在计算量大或计算不稳定的问题.因此,提出一种基于改进符号距离函数的变分水平集图像分割算法.首先,改进已有的Double-Well型符号距离函数约束项,改进后的约束项可避免重新初始化、提高计算效率,同时也能更好地保证水平集函数演化过程的稳定.然后,利用基于全局灰度信息和局部灰度信息的活动轮廓模型构造能量泛函,该能量函数继承了全局模型和局部模型的优点,可驱动水平集函数准确演化至目标边界,且可动态调整组合权重.最后,引入高斯卷积运算,加快演化速度同时也对水平集函数起到平滑的作用.对人工合成和自然图像的数值实验及与同类模型的对比实验证明,提出的模型具有较高的分割准确度及对噪声和初始轮廓的鲁棒性.     

面积项能量加强的距离规则水平集演化模型

针对距离规则水平集演化(DRLSE)模型存在易陷入虚假边界、对噪声敏感、收敛 速度慢以及容易从弱边缘处泄露等不稳定问题,提出了面积项能量加强的水平集演化函数对水 平集方法进行改进。首先提出了一个自适应边缘指示函数,其根据图像信息来调整函数参数, 从而控制演化速度以及对噪声敏感度,使水平集演化更加快速稳定。同时结合区域生长方法, 将图像处理成一个二值矩阵,并据此矩阵增加一加强项,使得面积项能量得到加强,令水平集 函数随着距离目标远近而自动调整能量大小,降低计算成本,有效解决对噪声敏感、易陷入虚 假边界等问题。为验证模型的有效性,采用多张实图进行分割实验并与DRLSE 等模型进行对 比,实验结果表明,提出的模型能有效解决存在问题,有更高的计算效率和准确率。     

自适应主动轮廓模型下的骨关节MRI快速分割

提出一种无须重新初始化的变分水平集自适应主动轮廓模型。该模型利用图像的局部特性自适应决定曲线的演化,同时加入局部C-V能量项,改进边界停止函数,提高对灰度分布重叠、分布不均匀及弱边界处理的鲁棒性,并加快了曲线演化的收敛速度。结合医学序列图像特点,利用Heaviside函数对当前截面分割结果进行分段常量化后投射至相邻界面作为初始化曲线,实现对序列图像的自动分割。最后,以骨关节磁共振图像中正常结构和病灶组织的分割实验对算法进行了验证。     

引入分数阶微分的局部高斯分布拟合能量模型

局部高斯分布拟合能量(LGDF)模型缺乏全局信息,对初始轮廓曲线选取较敏感,特别在分割弱边缘和弱纹理区域图像时,容易陷入局部极值,对噪声的鲁棒性不好.针对上述问题,文中提出引入分数阶微分的LGDF模型.在LGDF模型中引入全局的Grümwald-Letnikov(G-L)分数阶梯度拟合项,增强弱边缘和弱纹理区域的梯度信息,提高对初始轮廓曲线和噪声的鲁棒性.采用自适应权重函数确定全局项和局部项的系数,提高对灰度不均匀图像的分割效率和分割精度.根据图像的梯度模值、信息熵和对比度构建自适应分数阶阶次的函数,提高分割效率.理论分析和实验均表明,文中模型可以用于灰度不均匀、弱纹理、弱边缘图像的分割.合成图像和真实图像的实验表明文中模型可以提高图像的分割精度和效率.     

基于区域能量最小和主动轮廓模型的医学目标提取

针对传统主动轮廓模型在目标强边缘处容易产生振荡和弱边缘处容易泄露的缺点,提出了一种基于区域能量最小和主动轮廓模型的医学目标提取模型。这一基于目标灰度统计概率和水平集的主动轮廓分割模型,把能量函数表示为在目标区域内对像素点属于目标概率的积分,并在水平集框架下对能量函数最小化,得到分割的迭代方程;同时,通过附加的速度约束项,使得主动轮廓在越过目标边缘时降低速度,大大提高了分割的收敛性和准确度。通过大量冠状动脉和二尖瓣的分割实验以及与几种传统主动轮廓模型和手工提取的比较,表明该模型在医学图像分割方面的健壮性、准确性和有效性。     

双重轮廓演化曲线的图像分割水平集模型

目的几何活动轮廓模型的标志性模型C-V模型及其改进LBF模型受到关注,然而这两个模型对初始轮廓曲线较强的依赖性使得模型在实际图像目标分割中表现出不稳定性或具有较高的时间复杂性。本文在对C-V模型及LBF模型的原理及对初始轮廓曲线的依赖特性进行分析的基础上,提出一种基于双重轮廓演化曲线的图像分割水平集模型。方法所提出模型的主要过程如下:1)通过设置内、外两条轮廓线,使模型在演化过程中分别从目标的内部和外部向目标边界逼近,两条轮廓线的设计原则简单,其分别位于目标的外部和与目标有重叠;2)两条轮廓线的演化走向是通过在模型中设置相关项自动控制的,即演化过程中通过最小化内、外轮廓之间的差异来自动控制两条轮廓曲线的演化趋向,使之同时从目标的内部和外部向目标边界逼近,并逐渐稳定于目标的边界。结果所提出的模型通过设置内部能量泛函项,避免了对符号距离函数的重新初始化;通过采用全局化的正则函数,增加了模型对复杂异质区域边界的捕捉能力;通过采用内、外轮廓线同时演化机制,避免了模型对初始轮廓线的过依赖性。结论所提出的模型很好地解决了传统基于区域的分割模型对轮廓曲线初始化的过依赖问题,对初始轮廓线的设置较为简单且具有较强的鲁棒性,对图像目标的分割较为准确和稳定。     

基于改进符号压力函数的变分水平集图像分割算法

为了更好地解决含有弱边界、灰度不均匀的图像在分割时出现的轮廓线错误移动而导致分割结果错误的问题,结合图像的统计信息,构造出一种新的符号压力(SPF)函数,提出了一种基于改进的压力符号函数的变分水平集图像分割算法。首先,利用新的压力符号函数代替边缘函数,构造了新的活动轮廓模型;其次,该算法保持了测地线活动轮廓(GAC)模型和chan-vese(C-V) 模型的优点,使水平集函数演化到目标的边界上;最后,对一些弱边界、灰度不均匀的图像进行仿真实验,结果表明提出的算法能够精准地分割目标,并且具有一定的抗噪性。     

结合显著性和边缘信息的水平集图像分割方法

针对 LBF 模型对初始轮廓的依赖性和对边缘的弱控制能力,研究了一种结合显著性和边缘信息 的水平集图像分割方法。首先,结合小波分析理论,基于视觉注意机制构造图像显著图;然后,利用小波分解 所描述的图像边缘信息,构造边缘检测函数,同自适应初始轮廓一起引入到 LBF 水平集模型中,并用有限差 分法进行数值求解。实验结果表明,提出的图像分割方法能有效降低初始轮廓位置对活动轮廓模型的影响,对 合成图像、自然图像均有较好的分割结果,相较于其他传统方法具有更高的演化效率和分割质量。     

先验形状力场参数活动轮廓模型及其医学图像分割

先验形状参数活动轮廓模型是一种抗噪声干扰稳定的图像分割方法．它具有对弱边缘、凹区域进行分割的能力，同时有较大的边缘捕捉范围．通过引入一种非距离性的先验形状力场，构建一种新的能反映先验形状的参数活动轮廓模型．新的先验形状活动轮廓模型避免了曲线之间距离的计算，减少了模型的复杂性．新的方法可以较好地解决传统型参数活动轮廓模型的一些本质缺陷.实验对带噪声且为弱边缘的医学CT图像和超声图像进行分割能得到理想的边缘轮廓.     

Active contours with selective local or global segmentation: A new formulation and level set method

A novel region-based active contour model (ACM) is proposed in this paper. It is implemented with a special processing named Selective Binary and Gaussian Filtering RegularizedLevel Set(SBGFRLS) method, which first selectively penalizes the level set function to be binary, and then uses a Gaussian smoothing kernel to regularize it. The advantages of our method are as follows. First, a new region-based signed pressure force (SPF) function is proposed, which can efficiently stop the contours at weak or blurred edges. Second, the exterior and interior boundaries can be automatically detected with the initial contour being anywhere in the image. Third, the proposed ACM with SBGFRLS has the property of selective local or global segmentation. It can segment not only the desired object but also the other objects. Fourth, the level set function can be easily initialized with a binary function, which is more efficient to construct than the widely used signed distance function (SDF). The computational cost for traditional re-initialization can also be reduced. Finally, the proposed algorithm can be efficiently implemented by the simple finite difference scheme. Experiments on synthetic and real images demonstrate the advantages of the proposed method over geodesic active contours (GAC) and Chan–Vese (C–V) active contours in terms of both efficiency and accuracy.     

结合分数阶微分和图像局部信息的CV模型

目的 由于CV模型仅利用了图像的全局信息,其对灰度不均匀图像的分割效果不理想,同时在分割弱边缘和弱纹理图像时,优化易陷入局部最优从而导致分割效率低下,且对初始位置的选择较为敏感。针对这些问题,提出一种结合分数阶微分和图像局部信息的CV模型。方法 首先将分数阶梯度信息融入图像的局部信息中,用来替代CV模型的整数阶全局信息,并建立自适应计算分数阶最佳阶次的数学模型,然后在模型中加入符号距离的约束项。结果 一方面,用局部信息代替全局信息,可以在一定程度上解决CV模型对灰度不均匀图像分割效果不理想的问题。另一方面,将Grünwald-Letnikov分数阶梯度信息融合到局部信息中,当分数阶阶次0 < α < 1时,增加了图像灰度不均匀、弱边缘、弱纹理区域的梯度信息,从而增加了演化驱动力避免演化曲线陷入局部最优,有效地解决了图像因灰度变化不大导致演化曲线驱动力小的问题,在一定程度上解决了模型对初始轮廓位置选择和对噪声敏感的问题。同时为了解决人工选取最佳分数阶阶次费时费力的问题,根据图像的梯度模值和信息熵建立计算分数阶最佳阶次的数学模型,将此自适应分数阶模型应用到算法之中,以自适应确定最佳分数阶阶次。此外,为了避免模型的重新初始化,在模型中加入符号距离的约束项,从而提高了曲线的演化效率。结论 理论分析和实验结果均表明,该算法能够较好地分割灰度不均匀、弱边缘和弱纹理区域的图像,并能根据图像特征自适应确定最佳分数阶阶次,提高了分割精度和分割效率,且对初始轮廓位置选择及噪声均具有一定的鲁棒性。     

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.     

一种改进的活动区域轮廓模型 ——无需水平集重新初始化

基于区域的活动区域模型已经成功应用在图像分割、目标跟踪等领域,较之基于梯度的活动轮廓模型具有很多优点。但是,这些水平集模型在演化过程中,为了保持为符号距离函数,必须对其重新初始化,降低了曲线演化速度,增加了实现复杂度。为了解决重新初始化问题,在测地活动区域模型的能量函数中,加入惩罚项来约束水平集保持为符号距离函数,无需再重新初始化,极大地提高了演化速度。将其运用在纹理图像、脑MR图像分割以及视频跟踪中,实验证明该模型是有效的。     

融合边缘和区域信息的水平集矢量图像分割

在充分利用矢量图像各通道区域和边缘信息的基础上,变分IAC（集成活动轮廓）模型引入了非线性热方程的符号距离函数约束项,使水平集不用耗时的重新初始化而始终保持符号距离函数的特性。对非线性热方程传导率的均衡化,使水平集的演化分割过程快速稳定。另外,算法改进了曲线2维梯度和散度算子传统离散化方式,使梯度和散度算子保持空间旋转不变性。实验结果表明,该方法是有效的,提高了分割的准确性和鲁棒性。