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。     

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%。     

几何活动轮廓模型中停止速度函数的尺度变换

近年来,通过水平集方法实现的几何活动轮廓模型（GAC）已成为图像处理和计算机视觉领域里十分流行的图像分割方法。几乎所有的GAC模型都依赖于停止速度函数,该函数通常是基于图像梯度定义的,其作用是使活动轮廓（演化曲线）停止在所希望的目标边界上。为了加快活动轮廓的演化速度,提出对停止速度函数进行尺度变换的方法。对4幅人工和自然图像的实验结果显示,所提出的方案能够大大减少分割时间,同时,对于凹陷边界和弱边界的分割取得了更好的效果。     

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。     

活动轮廓模型基于结构张量的边缘停止函数

所有边缘活动轮廓模型都依赖边缘停止函数,该函数通常是高斯平滑图像的梯度模的单减函数。梯度能够刻画图像的局部边缘特征,但忽略了边缘的“分叉点”、“角点”等重要信息,这导致了边缘定位不准甚至产生错误的分割。基于图像结构张量的一个局部相干性度量,提出一个新边缘停止函数。实验结果表明,基于这个边缘停止函数,活动轮廓模型能够精确定位目标边缘,同时大大减少了迭代次数并具有较强抗噪性。     

结合局部熵的各向异性扩散模型

Perona-Malik (P-M)模型是一个经典的各向异性扩散模型,该模型不能保持图像的重要细节(如纹理)。针对此问题,文中提出一个结合局部熵的各向异性扩散模型,该模型的扩散系数不仅依赖于图像梯度,也依赖于局部熵描述的局部区域信息。实验表明该模型不仅能有效去除图像噪声,更好保持图像弱边缘,而且能较好地保持图像的重要细节。     

分数阶微分的边缘活动轮廓模型

边缘停止函数在边缘活动轮廓模型中是十分重要的,它通常是由图像的整数阶梯度定义的。这种整数阶边缘停止函数有两个缺点：一是对噪声敏感,不能较好地分割噪声图像;二是在分割弱边缘图像时容易产生边缘泄漏。针对这个问题,提出一个基于分数阶微分的边缘停止函数。实验表明,使用新的边缘停止函数的活动轮廓模型对噪声图像和弱边缘图像具有较好的分割效果。     

自适应融合的小波域水印方法

当前多数水印方法通过实验获取最佳融合参数或直接采用固定的融合参数,但都无法获得理想的效果.为此,提出一种自适应计算融合参数的方法,该方法可以针对不同的载体图像、水印信息及攻击类型计算出对应的融合参数.与现有方法相比,该方法可以避免重复实验,无需对嵌入水印的载体图像所受攻击类型进行预估.实验结果表明,该方法自适应能力强、...     

快速分形图像编码局部方差算法的改进

该文提出了快速分形图像编码基于图像块方差的新算法 ,推广了C .K .Lee等提出的局部方差算法 (IEEETrans .ImageProcess .,1998,7( 6) :888-891)。新算法增加了两个参数以控制编码速度和解码图像质量。计算机仿真结果显示了算法的有效性 :例如 ,对于 2 5 6× 2 5 6× 8Lena图像 ,相对于全搜索的基本分形编码算法 ,该文算法 (对某些参数值 )在编码时间加快2 3倍的同时 ,PSNR反而增加 0 .12dB