全局正定径向基函数在图像分割中的应用

将全局正定径向基函数和图像分割中基于偏微分方程水平集方法的发展方程相结合,提出了一种基于全局正定径向基函数的图像分割算法。用全局正定径向基函数插值发展方程中的水平集函数,得到的插值函数具有较高的精度和光滑性,克服了传统水平集方法中复杂费时的重新初始化过程和水平集对初始轮廓位置敏感等缺点,非线性发展方程最终被转化成常微分方程组并用Euler法求解。实验结果表明该算法不需要重新初始化过程,并且在没有初始轮廓时也能够快速正确地分割图像。     

基于变动权值的混合水平集图像分割模型

基于局部区域的活动轮廓模型(LRAC)分割图像时对初始轮廓的严重依赖性,提出一种基于局部和全局区域结合的水平集图像分割算法。结合Chan-Vese水平集模型和LRAC模型的特点,在构造水平集函数时定义了变动的权值参数,将水平集函数的局部和全局能量泛函项结合起来,其中,权重参数由图像梯度和图像演化曲线内外局部均值定义。另外,在水平集函数演化时采用窄带法,以减小计算的时间复杂度。实验结果表明,该算法模型兼有CV模型和LRAC模型的优点,比LRAC模型对初始轮廓选取的依赖性低,收敛速度快;比窄带CV模型的对目标边缘分割效果好。     

改进的C-V水平集模型图像分割算法

复杂的计算限制了基于Chan-Vese（C-V）水平集模型的图像分割方法的应用。为提高图像分割的速度,提出一种基于C-V水平集模型的改进水平集方法。在一般情况下,只需要几次简单迭代就能分割出物体的轮廓。实验表明,该方法简单高效,能够快速有效地实现图像轮廓分割。     

基于改进DRLSE水平集模型的图像分割

针对 DRLSE 水平集模型对噪声敏感、依赖初始轮廓位置以及演化速度缓慢等不 足,利用小波变换和小波阈值去噪的方法,构造对噪声不敏感的边缘信息刻画矩阵,定义基于 图像信息的边缘停止函数和自适应权重系数,获得了改进的 DRLSE 水平集图像分割模型。利 用有限差分法对模型求解,并采用 Jaccard 相似度作为评价模型的定量分析方法,数值结果显示 改进的模型及算法对图像分割的有效性,克服了 DRLSE 水平集模型分割含噪图像以及定义初 始轮廓位置的局限性,提高了 DRLSE 水平集模型的计算效率和图像分割精度。     

超声乳腺肿瘤的全自动SVM检测与水平集分割算法

超声图像检测是当前乳腺癌诊断的主要辅助手段之一.为实现超声乳腺肿瘤的计算机自动辅助诊断,提出一种基于支持向量机(SVM)目标检测与水平集图像分割相结合的全自动肿瘤提取算法.首先提取超声图像训练集的分块特征来训练SVM分类器,对测试集图像进行检测得到可疑病灶区域;然后提取可疑区域边缘作为水平集的初始轮廓,使用加入Bhattacharyya距离项的Chan-Vese主动轮廓改进模型进行可疑病灶区域的轮廓演化,得到准确的轮廓;最后综合面积、位置、灰度、纹理等因素设计区域评价筛选准则,去除可疑病灶中的干扰区域,得到最终的肿瘤分割结果.在真实病例数据集上的测试结果表明,利用该算法在良恶性肿瘤检测分割中均有较好表现.     

基于改进Chan-Vese模型的电力设备红外图像分割

电力设备红外图像分割是电力设备模式识别和红外故障诊断的基础。Chan-Vese模型能够有效分割含强噪声和边缘模糊的图像,但其分割速度缓慢,并且在分割电力设备红外图像时不能有效消除无关背景。提出一种改进的Chan-Vese模型,采用多个初始轮廓,并采用二值函数代替距离函数初始化水平集函数;同时对Chan-Vese模型的梯度下降流提出改进,简化其图像数据项,并用一个高斯核函数取代长度正则项。改进的模型不仅方便计算,而且可以在迭代过程中采用更大时间步长,加快曲线演化速度。在对电力设备红外图像的分割实验中,证明了相比Chan-Vese模型,新模型分割速度明显提高,并且具备较好的消除无关背景的性能。     

基于改进活动轮廓模型和视觉特性的图像分割方法

提出一种基于改进活动轮廓模型和视觉显著性分析的图像分割方法。与传统的水平集模型不同,改进的活动轮廓模型不需要进行初始化和计算符号距离函数,从而有效地提高曲线演化效率。在此基础上,提出了基于标记的多相水平集分割方法,有效地解决了复杂图像存在的灰度不均性问题。另外,为避免初始轮廓位置对分割结果的影响,采用视觉显著图获取水平集初始轮廓位置,通过对该显著图进行OSTU分割提取初始轮廓。通过实验分析,提出的方法在分割结果、速度和复杂度上较之传统的CV模型都有明显的改进。     

基于Chan-Vese模型与形态学的医学图像分割算法

针对传统的多相Chan-Vese模型在进行多区域分割时容易产生空相位的问题,提出了一种改进的新的医学图像分割算法;该算法结合Chan-Vese模型、数学形态学、复合多相水平集分割算法,通过迭代腐蚀操作提取医学图像的轮廓,利用添加了复合多相水平集算法的Chan-Vese模型对医学图像进行分割,通过迭代膨胀操作复原图像;实验结果和分析表明,采用该算法很好地解决了医学图像分割过程中容易出现的多区域分割问题,减少了空相位的产生,而且对图像边缘有很好的分割效果。     

基于局部特性的分割校正模型改进

基于局部特性的分割校正模型能够在图像分割的同时实现对非均匀场的校正,从而对灰度不均匀图像有较好的分割效果,然而,该模型具有局部特性,且采用多相分割,使得活动轮廓曲线对初始位置较为敏感,且分割速度较慢。针对该不足,通过引入自适应距离保持水平集算法,采用分割校正模型与自适应距离保持水平集相结合的方法,提出一种新的快速分割算法。实验结果表明,该算法可摆脱初始轮廓的限制,避免在分割灰度不均匀图像时边缘泄漏和分割不足现象,并且具有分割快速的特点。     

基于简化Mumford-Shah模型的水平集图像分割算法

为解决传统图像分割方法受噪声和边界轮廓影响而使分割效果不佳问题,基于简化的Mumford Shah模型的水平集图像分割算法通过将曲线嵌入水平集函数,利用函数的求解以达到曲线演化和图像分割的目的。试验表明此分割算法与初始轮廓线位置无关、不受边界轮廓线连续性限制、对图像噪声具有很强的鲁棒性,对均质灰度目标分割效果良好。     

结合梯度和区域信息的多尺度水平集图像分割

提出了一种结合梯度和区域信息的多尺度水平集图像分割算法。该算法结合梯度和区域信息构造能量函数,在梯度约束项中,构建了一个基于小波高频分量的边缘检测函数,在区域约束项中,运用经典C-V模型的区域项,得到混合C-V模型,采用变分法求解,并消除了水平集的重初始化。利用小波变换首先在逼近图像中运用混合C-V模型得到粗分辨图像的一个粗尺度分割,再对当前粗尺度下的最终轮廓线作内插操作,将得到的近似轮廓曲线作为初始水平集函数在原图像中运用消除重初始化的C-V模型演化得到最终的分割。实验结果表明,在同样的模型参数条件下,该方法具有比传统方法更高的演化效率和分割质量。     

Image segmentation method based on improved fuzzy Chan-Vese model

Medical image segmentation is a hot topic in the field medical image processing. The segmentation methods based on level set and the ones based on fuzzy set are currently very popular in the field of medical image segmentation. But these methods do not balance between global and local features of the image. This paper combines the advantages of these two methods, proposes a fuzzy Chan-Vese model, which introduces fuzzy clustering into Chan-Vese model. This model extends the regional energy part of Chan-Vese model to regional energy based on fuzzy clustering, meanwhile adds fuzzy cluster objects as the constraint of the model, so it can take account of global and local features of the image. In the medical image segmentation experiments, this paper uses OTSU method to execute initial segmentation for getting the initial segmentation curve, and then uses fuzzy Chan-Vese model to realize image segmentation. Experimental results show that, with the help of prior knowledge of segmentation prototypes of medical images, the proposed method has achieved very good segmentation results.

     

基于Chan-Vese分段平滑的分裂新模型

基于 CV 模型, 提出了新的活动轮廓线分裂模型. 其基本思想相似于细胞分裂, 即在每次迭代中一分为二. 该模型能检测出图像中所有的目标和细节; 能处理处理图像中特定区域, 甚至是不连通区域; 并且, 由于图像分割可以被限制在感兴趣区域而不是整个区域, 从而提升了计算性能; 此外, 由于其具有区域约束, 因此不同于 CV 模型的对初始化敏感. 论文不仅详细分析了模型的基本原理, 而且用水平集方法实现了, 并成功应用于合成图像和真实图像, 其分割结果与 CV 模型以及多项 CV 模型进行了比较.     

Automatic mass segmentation on mammograms combining random walks and active contour

Accurate mass segmentation on mammograms is a critical step in computer-aided diagnosis (CAD) systems. It is also a challenging task since some of the mass lesions are embedded in normal tissues and possess poor contrast or ambiguous margins. Besides, the shapes and densities of masses in mammograms are various. In this paper, a hybrid method combining a random walks algorithm and Chan-Vese (CV) active contour is proposed for automatic mass segmentation on mammograms. The data set used in this study consists of 1095 mass regions of interest (ROIs). First, the original ROI is preprocessed to suppress noise and surrounding tissues. Based on the preprocessed ROI, a set of seed points is generated for initial random walks segmentation. Afterward, an initial contour of mass and two probability matrices are produced by the initial random walks segmentation. These two probability matrices are used to modify the energy function of the CV model for prevention of contour leaking. Lastly, the final segmentation result is derived by the modified CV model, during which the probability matrices are updated by inserting several rounds of random walks. The proposed method is tested and compared with other four methods. The segmentation results are evaluated based on four evaluation metrics. Experimental results indicate that the proposed method produces more accurate mass segmentation results than the other four methods.     

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。     

An efficient local Chan-Vese model for image segmentation

In this paper, a new local Chan-Vese (LCV) model is proposed for image segmentation, which is built based on the techniques of curve evolution, local statistical function and level set method. The energy functional for the proposed model consists of three terms, i.e., global term, local term and regularization term. By incorporating the local image information into the proposed model, the images with intensity inhomogeneity can be efficiently segmented. In addition, the time-consuming re-initialization step widely adopted in traditional level set methods can be avoided by introducing a new penalizing energy. To avoid the long iteration process for level set evolution, an efficient termination criterion is presented which is based on the length change of evolving curve. Particularly, we proposed constructing an extended structure tensor (EST) by adding the intensity information into the classical structure tensor for texture image segmentation. It can be found that by combining the EST with our LCV model, the texture image can be efficiently segmented no matter whether it presents intensity inhomogeneity or not. Finally, experiments on some synthetic and real images have demonstrated the efficiency and robustness of our model. Moreover, comparisons with the well-known Chan-Vese (CV) model and recent popular local binary fitting (LBF) model also show that our LCV model can segment images with few iteration times and be less sensitive to the location of initial contour and the selection of governing parameters.     

模糊C 均值聚类与多相水平集图割优化相结合的图像分割

针对在分割多个目标时多相水平集模型对初始轮廓曲线敏感且计算量大的问题, 提出采用模糊C 均值聚类算法将图像进行粗分割,初始化多相水平集函数,使用图割算法分割 出多相结果的方法。该方法能有效减小多相水平集算法对初始轮廓曲线的敏感性,使图割算法 在分割图像时更容易分割出理想的目标轮廓;同时,采用图割算法可使水平集函数很快收敛到 能量最小值,有效减少计算量,提高计算效率。实验表明该方法具有较好地分割效果和较高地 分割效率。     

改进CV模型的医学图像分割

基于水平集的图像分割方法能有效处理拓扑结构较复杂、有分支的目标,分割结果对目标初始轮廓的位置不敏感,对图像中对比度低的边界的识别效果不佳。广义模糊算子能有效提高图像边界区域与非边界区域的对比度,图像细节分明、失真度小。运用广义模糊算子来改进水平集分割方法中的Chan-Vese模型（简称CV模型）的速度函数;并扩大传统CV模型的边界检测范围以减少迭代次数,加快收敛速度;最后消除误分割区域以进一步提高分割的准确性。对模拟和真实医学图像分割的实验结果表明：改进后的模型能较大提高分割的准确性及效率。