基于多尺度水平集的MR图像海马区分割方法

针对MR图像中海马区存在灰度不均匀性,基于区域动态轮廓的C-V模型只利用区域信息无法获得准确的海马区分割问题,结合多尺度边缘约束的演化思想和图像区域的全局信息,提出了一种结合边缘和区域信息的多尺度水平集MR(magnetic resonance)图像海马区分割方法.首先,在C-V模型的基础上采用内部约束能量项,消除水平集的重初始化,提高分割速度;其次,改进水平集函数中外部能量项的图像区域全局信息,解决由于灰度不均匀所引起的分割不准确问题;最后,在水平集函数的外部能量项中加入基于多尺度图像边缘的梯度信息,作为边缘约束停止项,使分割效果达到优化.实验结果表明,该算法对存在灰度不均匀性的图像海马区分割速度快、准确率高.     

基于改进窄带法的快速医学图像分割方法

基于曲线演化的水平集算法近来已被广泛应用于医学图像分割中,根据分割医学图像的鲁棒性实时性的要求,提出一种新的基于改进窄带法的图像分割方法INBM(Improved narrow band method).INBM首先将均匀采样的图像映射到对数极坐标系中,由视网膜空间分辨率机制可知,注视点都在图像兴趣区,由此形成初始轮廓,然后用改进的窄带水平集(Level Set)方法演化曲线得到最终分割结果.改进窄带法是通过降低窄带区域内的水平集函数求解个数,来减少计算时间.实验结果表明,该方法能够快速、准确地得到医学图像的结果.     

一种基于改进水平集与边缘检测结合的轮廓提取与检验方法

目前图像分割方法主要研究图像分割精度、质量等,但对分割的结果研究甚少,通常是依靠人工检测结果的收敛性。通过分析图像边界的特点,给出了强边界、弱边界的定义和收敛准则,提出一种将改进的水平集与边缘检测相结合的图像分割方法,用来检验图像分割结果的收敛性,提高分割结果可信度。首先利用自适应区域生长分割出图像初始区域;然后利用预分割的结果构造初始水平集函数和进行边缘演化;最后,用边缘检测算子对分割结果进行检验,将检验得到的结果再进行水平集演化,如此往复,直到收敛。实验结果表明,该方法对弱边界图像有很好的分割效果,可较为理想地提取海马图像中的目标。     

基于水平集方法的划痕形状表面视觉测量

设计了一种基于水平集与各项异性扩散的划痕形状尺寸自动测量方法,对光学显微镜下的划痕测试图像进行了分割与尺寸测量。在轮廓分割上利用基于距离正则化的水平集方法(DRLSE)来分割划痕轮廓,使用各项异性扩散代替高斯滤波作为边缘指示函数的去噪方法。通过人工设置初始水平集,演化得到完整的划痕轮廓,再经过亚像素调整得到轮廓坐标。在划痕形貌尺寸测量上,根据划痕轮廓坐标测量划痕宽度分布与划痕长度,并计算出划痕平均宽度与划痕面积。根据实验讨论了演化参数对测量值的影响,在最佳演化参数下,划痕平均宽度与划痕面积的相对测量误差小于0.06%和0.1%。对不同划痕图像进行测量,并与人工分割及传统DRLSE模型相比较。实验结果表明,在轮廓分割上,该方法相比传统DRLSE模型具有更好的分割效果。在划痕平均宽度与划痕面积的测量上,该方法也具有更高的精度与准确度。     

一种新的用于MR脑图像分割的主动轮廓模型

主动轮廓模型是一种有效的基于边缘的分割方法,然而,在MR脑图像的应用中,它却遇到了许多问题,例如背景复杂,同一解剖结构的灰度分布不一致以及边界不连续等.这里提出了一种新的用于MR脑图像分割的主动轮廓模型.该模型不仅利用关于目标轮廓的先验知识对切片的边缘吸引力场进行边缘约束,减少相邻结构对曲线收敛的影响,还对进行边缘约束之后得到的边缘吸引力场进行正则化处理,增强模型对凹边缘的搜索能力和对断裂边缘正确提取的能力.实验证明,该模型可以克服传统主动轮廓模型在MR脑图像遇到的难题,从而快速有效地在MR脑图像中提取目标轮廓.     

面向遥感图像水域分割的图像熵主动轮廓模型

为提高遥感图像水域分割的准确度,结合高分率遥感图像中水域与背景纹理复杂度差异较大的特点,将图像熵引入到CV模型中,提出两种图像熵主动轮廓模型用于高分辨率遥感图像的水域分割。其中,针对水域纹理相对简单的遥感图像,在CV模型中引入零水平集内的图像熵而构成局部图像熵主动轮廓模型,可以有效降低背景中灰度值与水域近似的区域发生误分,从而提高水域分割的准确度;针对水域纹理相对复杂的遥感图像,在CV模型中同时引入零水平集内外图像熵而构成全局图像熵主动轮廓模型,改进了水平集函数进化过程中对灰度信息的依赖,并能使零水平集进化到全局最优,进一步提高了遥感图像中水域分割的准确度。针对高分辨率遥感图像中的湖泊、河流和海域分割对比实验结果表明:局部图像熵主动轮廓模型的分割精确率分别为90.1%、81.5%和93.6%,F值分别为0.94、0.885和0.96;全局图像熵主动轮廓模型的分割精确率分别为94.5%、85.3%、94.9%,F值分别为0.956、0.895、0.967。本文提出的两种图像熵主动轮廓模型均能有效减小背景误分,提高了遥感图像水域分割的准确度。     

基于几何形变模型的三维肺血管图像分割方法

肺血管分割一直是重要而困难的工作,因此,提出了一种新的基于几何形变模型的三维肺血管图像分割方法。现有几何形变模型方法仅仅包含了图像区域与边缘属性中的一种,而新方法能够同时包含上述两种图像属性。首先,定位血管内外同质区域;然后,通过目标边缘能量的计算使曲面沿着图像梯度方向的二阶导数进行演化,以使其精确收敛到目标边缘;最后,根据上述步骤,建立三维血管分割形变模型。通过多组CT图像的实验表明,该方法快速、准确,对背景噪声具有较好的适应性。     

医学超声图像交互型目标检测

医学图像中要分割的对象常比较复杂,通常的图像自动检测方法很难得到理想的结果.在曲线演化图像分割方法的基础上,提出了一种基于水平集方法的人机交互模型.该模型不仅继承了水平集方法的拓扑变化的自适应性,而且还有良好的人机交互性能.在分割过程中,医生只要在图像的适当位置上加入少许几个标记点,就可以在医生的指导下对复杂的对象进行准确的检测.实验表明,交互模型具有良好的实用性.     

一种新的水平集进化模型

针对目前图像分割领域许多水平集进化模型需要不断重新初始化水平集函数,或需要图像的梯度信息来约束进化的问题,提出了一种带距离约束项的基于亮度信息的水平集进化模型IMDC(intensity-based model with distance constraint).该模型引入一个距离约束项作为内部能量来保证水平集函数始终不偏离符号距离函数(SDF),避免了进化过程中对水平集函数的不断初始化.同时,借鉴C-v模型的基本思想,采用图像的亮度信息而非梯度来构造模型的外部能量项,确保了零水平集曲线稳定地收敛于期望的图像特征点(如目标轮廓点).实验结果表明,本文提出的模型不仅有效地克服了传统模型需重新初始化或无法应对弱边缘特征这两大问题,而且具备全局最优分割的能力和较强的抗噪性能.     

一种基于水平集的多尺度乳腺肿块分割方法

作为乳腺肿块检测的重要环节,肿块分割在乳腺癌的计算机辅助诊断系统中扮演着重要的角色。提出一种基于水平集的多尺度乳腺肿块分割方法。首先对乳腺图像进行高斯金字塔分解,在粗尺度图像上使用C-V模型对肿块进行粗分割,得到的粗轮廓作为细尺度图像上的初始轮廓;考虑到C-V模型在分割灰度不均匀图像时所存在的局限性,在细尺度上提出一种局部活动轮廓模型,对粗分割的结果进行局部精细化处理。另外,为了提高分割方法的自适应能力,从粗分割结果中抽取灰度、面积特征作为局部活动轮廓模型参数设定的依据。将本文方法、C-V模型以及RSF模型应用于89例肿块病灶图像时,分别获得0.236 1、0.300 4和0.373 8的平均误分率。结果表明,所提出的多尺度方法具有更高的分割精度和鲁棒性。     

基于阈值分割和形态学相结合的金属废料 X 射线图像轮廓提取方法

针对金属废料 X 射线透射图像中废料之间距离较近时图像可能相互粘连,导致不能有效提取单个物料轮廓的问题,提出了一种基于阈值分割和形态学相结合的金属废料 X 射线图像轮廓提取方法。首先分析图像噪声信息分布,利用约束灰度值范围的 Otsu 阈值分割算法获得全局最优阈值对图像进行滤波;然后采用动态阈值分割方法得到二值化图像,在此基础上采取一种改进的形态学处理策略实现对各单物料区域的连通区标记;最后对各连通区进行轮廓提取以获得单个物料区域的轮廓。经实验表明,该方法有效地提高了在物料粘结情况下图像轮廓提取的准确率和成功率。     

基于活动轮廓模型和Contourlet多分辨率分析分割血管内超声图像

血管内超声斑块图像的分割对动脉粥样硬化疾病的诊断有重要价值。针对传统分割方法初始化和鲁棒性两个问题,提出一种基于活动轮廓模型和Contourlet多分辨率分析分割血管内超声斑块图像的新方法。该方法运用Contourlet变换将原图像分解为多分辨率低通分量和多分辨率带通分量方向性子带。对低通分量进行模板匹配,确定血管内腔边界和中外膜边界的初始轮廓;对带通分量方向性子带进行扩散滤波,抑制噪声的同时尽可能保留有用边缘,并结合边界矢量场使轮廓演化得到最终分割结果,从而提高了分割算法的鲁棒性。对100幅仿真图像和120幅实际图像的分割结果表明,该方法能自动、精确地提取血管的两条边界。相对于传统活动轮廓模型法,该方法分割实际图像的平均距离误差提高了3.04像素,面积差异百分比提高了6.30%。     

基于锥束CT切片图像的复杂零件三维表面重构

根据锥束CT切片图像的特点，提出了一种面向复杂零件的三维表面重构新方法：首先采用3D亚体素边缘检测算法提取序列切片图像的高精度封闭轮廓，并重构出切片轮廓的拓扑信息，然后采用一种改进的基于截面属性的轮廓分割算法得到若干组局部结构轮廓集，最后对这些轮廓集进行叠加与拼合，形成零件的整个三维表面。实验结果表明，该方法分割轮廓准确，稳定性好，对具有复杂内外结构的零件，可确保其重构结果的拓扑正确性。     

基于相位和GGVF的水平集乳腺超声图像分割

提出一种基于相位和广义梯度矢量流(generalized gradient vector flow,GGVF)的水平集分割方法,并用于乳腺超声图像的肿瘤分割。首先,在频域空间,用Cauchy核替代Log-Gabor作为正交滤波器对图像进行滤波,提取来自于单演信号的多尺度图像特征,引入相位一致的思想将多尺度特征结合起来进行边界检测;然后,在此基础上,利用相位一致梯度图定义了一个基于相位的速度停止项函数,同时改进了GGVF;最后,将得到的速度停止项和梯度矢量流融入到水平集演化方程中来控制曲线的演化,获得乳腺肿瘤的边界。实验结果表明,使用该分割方法可获得比现有方法更好的乳腺肿瘤分割结果。     

基于主动轮廓模型的序列图像分割与重建

基于断层测量的表面重建是逆向工程中的重要研究方向,而图像分割是其中的关键性技术。针对这一问题,提出了一种基于Greedy算法的B样条主动轮廓模型,可快速稳定地实现目标图像的分割,适用于基于断层图像的分割与表面重建处理。通过对磁共振序列断层图像的分割与表面重建验证了该方法的有效性。     

多相水平集协同空间模糊聚类图像多目标分割

图像多目标分割的研究对于机器视觉发展具有重要意义。多相水平集模型(Multiphase level set, MLS)对零水平集函数初始位置和噪声敏感,当初始位置不适宜、噪声较大时无法准确分割多目标。针对上述问题,提出一种多相水平集模型协同空间模糊C-均值聚类(Spatial fuzzy C-means, SFCM)的图像多目标分割算法,即SFCM-MLS算法。首先用空间模糊聚类获取图像多目标粗分割结果,然后用粗分割结果定义多相水平集模型的初始水平集函数对图像做精分割。针对人脑磁共振成像(Magnetic resonance imaging, MRI)图像和患有肿瘤的肝脏计算机扫描断层图像多目标分割试验结果表明,与经典多相水平集模型相比,SFCM-MLS算法对初始位置不敏感,提高了图像多目标分割的准确性。     

CT序列医学图像交互式分割系统的设计与实现

交互式分割对于医学图像中正常组织以及病变组织的提取与分析起着重要的作用。文中将基于小波模极大值的边缘检测方法与交互式轮廓逼近思想相结合,根据CT序列图像中相邻图像的相似性与连续性设计开发了医学图像的交互式分割系统,增强了医学图像分割的自动化程度并取得了较好的分割效果。     

An algorithm of image segmentation for overlapping grain image

1Introduction Imagesegmentationisprimaryissueinim ageprocessing,atthesametimeitisprincipal probleminlowlevelvisionincomputervision field.Itisthekeytechnologytoprocessimage analysis,imagecomprehensionandimagedepic tionsuccessfully.Imagesegmentationmeans thatpendingprocessingimageisdividedinto severaldifferentareaswhichhavespecialmean ingandhavenotintersectantmutual.Theimage segmentationisinwideuse,butuptonow,thereisnotuniversalmethod,andthereisnot objectivecriterionwhichjudgethatifitissuc cessf…     

Combining intensity, edge and shape information for 2D and 3D segmentation of cell nuclei in tissue sections

We present a region‐based segmentation method in which seeds representing both object and background pixels are created by combining morphological filtering of both the original image and the gradient magnitude of the image. The seeds are then used as starting points for watershed segmentation of the gradient magnitude image. The fully automatic seeding is done in a generous fashion, so that at least one seed will be set in each foreground object. If more than one seed is placed in a single object, the watershed segmentation will lead to an initial over‐segmentation, i.e. a boundary is created where there is no strong edge. Thus, the result of the initial segmentation is further refined by merging based on the gradient magnitude along the boundary separating neighbouring objects. This step also makes it easy to remove objects with poor contrast. As a final step, clusters of nuclei are separated, based on the shape of the cluster. The number of input parameters to the full segmentation procedure is only five. These parameters can be set manually using a test image and thereafter be used on a large number of images created under similar imaging conditions. This automated system was verified by comparison with manual counts from the same image fields. About 90% correct segmentation was achieved for two‐ as well as three‐dimensional images.     

自适应天牛须优化与K均值聚类的图像分割算法研究

在机器识别中,图像分割是重要的一个步骤,传统分割手段存在一定缺陷。针对传统K均值聚类分割的初始聚类中心敏感的缺陷进行了优化,利用自适应天牛须优化算法,避免了这一问题。通过实验结果表明,该算法(ABASK)对图像进行分割,既可以保证图像轮廓的分割,同时还可以更多地保留图像细节。