改进的局部扩展拟合图像分割方法

局部扩展拟合(RSF)模型可以有效解决灰度不均匀的图像分割问题,但传统的局部拓展拟合模型只考虑了图像上一点在其局部拓展区域内与零水平集相交的情况,易导致过分割现象.为此, 提出了一种改进的局部拓展拟合方法,即在RSF模型的基础上考虑图像上每一点在其扩展邻域内与零水平集不相交的情况,并重新定义了此情况下灰度能量的取值,使该点的内部灰度能量与外部灰度能量严格相等.实验结果表明所提方法有效解决了由初始化问题导致的过分割现象.     

基于三阶样条曲线拟合的改进Snake模型在医学超声图像分割中的应用

鉴于医学超声图像所具有的复杂性,采用基于样条曲线拟合的改进Snake模型来实现对心脏超声图像的分割.为了克服传统Snake模型对初始轮廓的依赖性,采用扇形法获得靠近目标边界的初始轮廓点,并且得到的轮廓点是有序点集.能量最小化过程运用贪婪算法来获得图像的特征边缘点,最后采用三阶样条拟合的方法来获得连续的图像边缘.实验结果表明,采用本方法可以获得连续、封闭的边缘曲线,能够较好地将目标从图像中提取出来.     

基于C-V方法改进的红外图像自动分割

基于简化的Mumford-Shah水平集图像分割模型,Chan-Vese提出了不依赖于图像边缘的水平集图像分割算法(C-V方法).但是该方法分割参数难以确定,对于具有非均匀灰度背景的红外目标图像常常分割失败.针对这一问题给出了改进的拟合能量模型,新模型兼顾到了目标的同质性信息与其所占面积比例的关系.基于该模型的水平集图像分割方法自适应于灰度起伏的背景,可以较为理想地分割出与背景灰度差异不太明显的目标,对小目标也具有很强的适应性.实验结果表明,在固定水平集分割参数的情况下,新方法对于不同类型、不同背景的红外图像具有了良好的适应性.     

叶菜根系图像的变分水平集分割算法

植物根系图像分割是根系构型特征提取和分析的前提.针对传统图像分割方法在处理叶菜根系弱边缘图像中存在分割精度和稳定性较差的问题,提出了一种基于改进C-V(Chan-Vese)模型的变分水平集分割算法.该算法不仅保留了C-V模型对于处理弱边缘图像的适用性,并针对叶菜根系图像局部灰度不均的特点引入了图像梯度信息,改进了原C-V模型.通过对小白菜根系样本图像的分割处理试验,证明了变分水平集分割算法的有效性.研究结果表明,相比传统的阈值处理、边缘检测及区域生长等算法,本文算法能更加精细地解决叶菜根系图像弱边缘和局部灰度不均的问题,并在分割精度和算法稳定性上具有明显的优势.变分水平集算法应用于叶菜根系构型观测系统中,可以有效地提高观测精度.     

融合双边滤波算子的多相水平集图像分割算法

由于乳腺肿瘤超声图像的边界模糊,且灰度异质现象较严重,准确分割出肿瘤区域是一项具有挑战性的工作.针对传统的Chan-Vese模型和局部二值拟合模型(local binary fitting)的分割缺陷,在乳腺肿瘤超声图像的全局和局部能量信息的基础上,结合双边滤波算子,提出一种全局和局部二值拟合模型的多相水平集分割算法.首先,将双边滤波算子作为乳腺肿瘤超声图像的核函数;然后,根据变分法求解表征超声图像结构信息的能量泛函,得到对应的梯度矢量方程;随后,引入多相水平集函数实现病灶区域的多区域细化分割;最后,对乳腺超声图像数据集的分割实验.结果 发现:经过与医生手动标记的肿瘤区域进行对比,分割准确度为94.51％.可见,该模型的准确度较高、误判率较低、鲁棒性较强.     

一种基于偏压场的水平集图像快速分割算法

提出了一种基于偏压场的水平集图像快速分割算法.运用偏压场估计图像局部统计信息,结合图像的全局信息和图像边缘信息建立新的能量函数,然后将此能量函数嵌入到水平集框架中,得到最终改进的分割模型.最后对合成图像和真实图像进行分割,并与其他4种模型对比,实验结果表明,提出的模型分割精度提高了20%以上,而且分割速度提高了2~5倍.     

基于模糊C均值聚类能量最小化的超声图像分割

 提出了基于模糊C均值能量最小化的活动轮廓模型.该模型首先对待分割图像进行模糊C均值聚类得到前景和背景的模糊隶属度值,然后将待分割目标的局部像素信息和它的隶属度值作为活动轮廓模型的水平集函数的初始值,改进了传统的求解Euler-Lagrange方程使活动轮廓的能量极小化的模型,利用快速算法直接计算模糊C均值能量最小化驱动传统活动轮廓模型的曲线演化.将提出算法与经典的活动轮廓模型分割算法比较,对仿真和临床的超声图像分割实验结果表明：提出算法能很好地分割像素不均匀、边界模糊、含有斑点噪声的超声图像,具有较好的分割性能和较快的分割速度.     

水平集理论在磁共振脑图像分割中的模型研究

灰度不均匀性常出现在医学图像中,给图像分割问题带来很大困扰.为了提高鲁棒性,可在分割模型中引入各种先验知识,例如形状和灰度分布信息.而传统的引入先验知识的分割算法,如神经网络算法,仍存在许多问题,包括数据计算量大和边界不连续等.为了解决这些问题,提出了一种基于水平集理论的分割算法.利用局部区域的灰度信息定义能量函数,然后根据能量函数的最小化机制引导水平集曲线进化并最终收敛到目标边界.在仿真实验中,将局域化的水平集算法与传统的自组织映射神经网络算法进行比较.结果表明,所得到的算法在鲁棒去噪和目标边界的连续性方面效果更佳.     

结合区域间差异性的水平集演化模型

水平集方法在图像分割中得到了广泛的应用.其中基于边缘的活动轮廓模型主要通过梯度信息驱动曲线演化到目标边界,但基于梯度信息使得在分割时会产生过分割,并且对于灰度不均匀图像处理效果不理想,有可能得到不令人满意的结果.而基于区域的活动轮廓模型则是通过区域信息控制曲线移动,使得分割的结果立足于整体图像信息.基于上述原因,本文通过在水平集中提出了一种新的区域分量,在能量泛函中加入目标区域灰度和背景区域灰度的差的平方,提出了一种改进的图像分割算法.研究结果表明,与一般的活动轮廓模型相比,加入区域间差异性信息的活动轮廓模型的分割结果更加符合实际情况并且收敛速度更快,效率更高,得到的分割结果更令人满意.     

融合全局图像信息的局部灰度拟合模型

[目的]研究提高基于局部区域信息的活动轮廓模型对轮廓初始化和强噪声的鲁棒性.[方法]以区域可变灰度拟合模型为基础提出了一个新的结合图像全局信息的局部灰度拟合模型.新模型的能量泛函包括3项:基于图像全局和局部信息的数据项、融合边缘指示函数的光滑项以及水平集函数的正则化项.通过变分法和梯度下降流方法得到水平集函数的演化方程...     

基于区域生长和水平集的肝脏提取分割算法

为了克服传统的以单幅图像作为信息来源的水平集模型分割复杂背景图像的局限性,结合区域生长法和水平集方法各自的特点,提出了一种新的由多幅图像信息构建的水平集分割算法模型。在运用水平集方法分割人体腹腔图像前,首先运用本文提出的一种有效的区域生长法在腹腔图像中得到肝脏的粗略分割结果作为先验形状图像。通过先验形状图像在Chan-Vese模型下控制水平集的演化,使活动轮廓的先验形状信息融合到水平集分割算法模型中,同时,利用Li模型在人体腹腔图像中进一步获取肝脏的边缘信息。这种融合多幅图像信息的复合水平集分割算法模型能够充分利用图像信息,有效地描述水平集方法中活动轮廓与目标区域肝脏的关系。通过实验验证,提出的算法模型能够很好地从人体腹腔图像中提取出肝脏区域。     

基于局域模糊聚类和Chan-Vese模型的CT医学图像分割

针对CT医学图像灰度不均匀的特点,研究了基于改进的模糊聚类和ChanVese模型的图像分割.该分割模型综合利用基于空间信息的FCM算法、图像局部区域信息以及Chan-Vese模型,通过最小化能量函数的方式来进行曲线演化.基于空间信息的FCM算法对曲线的演化起到了一定的收敛作用,并且局部区域信息提高了分割质量.分割模型还考虑了分割效果和计算效率,降低了算法的时间复杂度,提高了算法的执行效率,从而提高了灰度不均匀图像分割的精度.     

基于序贯滤波的水平集图像分割

传统基于边缘的水平集分割模型对非均匀区域分割效果不理想,为了解决这一问题,本文分析了序贯滤波的平滑能力与滤波次数之间的关系,将序贯滤波与水平集分割相结合提出了基于序贯滤波的图像分割模型.为了实现自适应于图像内容的平滑,根据平滑分量分割区域的置信度,设计了图像分割的平滑指标,控制序贯滤波次数,使得不同平滑分量的轮廓曲线收敛于目标边界,改善了传统基于水平集方法对非均匀区域的分割效果.本文分割算法的F测度,精确率和召回率均高于传统模型,在一定程度上提高了非均匀区域的分割效果.     

基于改进CV模型的金相图像分割

对金相图像进行快速精确分割是金相晶粒评级的关键步骤,利用传统Chan-Vese(CV)模型很难将晶粒精确地提取出来.为了更加精确地对金相图像进行分割,提出一种基于改进CV模型的金相图像分割方法.初始化水平集函数,对曲线内外两部分分别计算其倒数坎贝拉距离,并将该距离的大小作为拟合中心的权重系数,有效抑制了噪声点对区域拟合中心准确性的影响;引入指数熵自适应调节曲线内外能量权重,减少固定能量权重对曲线演化的影响;同时加入距离规范项以避免水平集函数的重新初始化,加速该模型的收敛.实验结果表明,与传统CV模型、测地线活动轮廓模型、距离规范项的水平集模型以及偏置场修正水平集模型相比,所提方法分割出的金相图像更加精确,分割效率较高且模型收敛性较好.     

用于图像分割的局部区域能量最小化算法

针对点对马尔可夫随机场(Pairwise MRF)模型中像素成对交互的结构不能充分描述图像丰富的局部统计特征问题,在研究Pairwise MRF模型基础上,提出了一种基于局部区域能量最小化的图像分割算法.该算法先利用图像局部区域信息构造局部区域能量模型,建立了一种局部交互的区域马尔可夫随机场分割模型,然后采用无环置信传播(LBP)算法对MRF全局能量进行优化.优化过程中,对局部区域能量进行收敛并按照MAP准则估计局部区域标号,通过LBP算法把局部区域信息传递到邻域区域中去.实验结果表明,所提出的新算法较标准LBP算法具有更好的分割结果,并有效地抑制了图像噪声信号和纹理信号对分割结果的干扰和影响.     

基于图像熵的快速Chan-Vese模型分割算法

提出了基于图像熵的快速Chan-Vese模型分割算法.该算法利用实时图像熵自适应计算模型能量函数中的拟合参数以提高分割速度,并通过检测熵在曲线形变过程中的变化来判定曲线演化的稳定态.实验表明.针对含噪严重、目标模糊且边缘不连续的红外图像目标检测,所提出的分割算法可以取得精确、高效的分割结果.     

基于全局优化方法的SAR图像快速分割算法

为解决变分水平集分割模型能量泛函的非凸性及其易陷入局部极小值解的问题,研究变分水平集分割模型的全局优化问题.基于Aubert-Aujol (AA)去噪模型和变分水平集方法,提出一个局部统计活动轮廓模型;然后通过凸松弛技术将提出的模型转换成全局优化模型;再利用分裂Bregman技术将全局优化模型转化为两个易于计算的Shrinkage算子和Laplace算子.通过对合成图像和Envisat SAR图像的分割实验,提出的全局分割模型不仅能够快速地得到全局最小值,而且比经典模型更准确地得到图像分割边缘.      

快速非匀质图像分割方法

针对灰度非匀质图像分割困难及效率低下的问题,提出一种基于局部区域活动轮廓模型快速分割方法.该方法结合核函数和割测度定义一个新的能量函数.一方面,在中心点被核函数掩模的局部区域内,用邻近点的加权均值拟合数据项能有效处理图像的非匀质分布.另一方面,用割测度逼近的曲线长度作为全局正则性,利于轮廓快速定位于物体边界.最后,在轮廓演化过程中,使用基于栅格图的最大流算法,避免了传统模型计算代价高昂的水平集函数.合成图像和真实图像的实验结果表明,提出的方法能有效快速地分割灰度非匀质图像中的弱边缘物体及多灰阶复杂结构物体;同时,对初始轮廓线位置和噪声具有较好的鲁棒性.     

基于帧间相关性的乳腺MRI三维分割

针对乳腺磁共振图像序列的肿瘤分割问题,提出一种基于超像素和改进C-V模型的三维全自动分割方法.该方法利用磁共振图像序列的帧间相关性,约束相邻帧图像的分割轮廓.采用超像素算法提取肿瘤的大致轮廓,再用改进的C-V水平集算法对可疑区域边缘进行优化,使其更接近肿瘤的实际边缘.将该方法及3种对比方法应用于89例乳腺MRI序列图像.以手动分割的轮廓为基准,该方法得到的平均重叠率为87.84%,,相比于C-V模型的58.90%,、超像素和水平集结合的76.36%,、K均值+C-V的83.62%,,有明显提升.实验结果表明,该方法的全自动分割结果对于肿瘤起始和终止帧图像具有较高的分割精度.     

基于区域的活动轮廓图像分割模型的变步长优化算法

基于偏微分方程图像分割的活动轮廓模型,基本思想是将图像分割归结为最小化一个封闭曲线的能量泛函,图像分割问题实质上是一个无约束最优化问题.传统最小化算法的数值实现过程中采用固定时间步长的方法,时间步长选取较大,迭代过程容易出现震荡现象影响分割结果,而时间步长选取较小,又会减慢收敛速度.利用Wolfe-Powell线搜索方法,提出了一种变时间步长的优化算法,在迭代过程中根据搜索方向自动调整时间步长大小,有效克服了固定时间步长出现的震荡现象和收敛速度慢的问题.