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。     

基于简化Mumford-Shah模型的水平集红外图像分割算法

由于红外图像大多具有目标模糊,对比度低的特点,传统的分割方法容易受到噪声和边界轮廓的影响而导致分割效果不佳,提出了一种基于简化Mumford-Shah模型的水平集红外图像分割算法.该算法能够通过将初始闭合曲线嵌入水平集函数,利用函数的求解从而达到图像分割的目的.仿真实验结果表明,该分割算法与初始轮廓线位置无关,受边界轮廓线和图像噪声的影响较小,具有较强的鲁棒性,在目标与背景灰度级差别较小的红外图像的分割中取得了较好的效果.     

基于水平集的SAR图像建筑物区域检测

根据合成孔径雷达(SAR)图像建筑物成像的特点,采用基于水平集的分割方法对SAR图像建筑物区域进行检测。结合基于指数小波提取的SAR图像梯度边缘信息,以及基于变差函数提取的SAR纹理特征,建立能量函数模型,进行曲线演化分割从而提取目标。实验结果表明,与基于灰度信息的模型相比,该模型可以准确、快速地检测出大场景SAR图像中的建筑物区域。     

三维图像多相分割的变分水平集方法

变分水平集方法是图像分割等领域出现的新的建模方法,借助多个水平集函数可有效地实现图像多相分割.但在区域/相的通用表达、不同区域内图像模型的表达、通用的能量函的设计、高维图像分割中的拓展研究等方面仍是图像处理的变分方法、水平集方法、偏微分方程方法等研究的热点问题.文中以三维图像为研究对象,系统地建立了一种新的三维图像多相分割的变分水平集方法.该方法用n-1个水平集函数划分n个区域,并基于Heaviside函数设汁出区域划分的通用的特征函数;其能量泛函包括通用的区域模型、边缘检测模型和水平集函数为符号距离函数的约束项3部分;最后,针对所得到的曲面演化方程,采用半隐式差分格式进行离散,并对多种类型三维图像进行分割验证了所提出模型的通用性和有效性.     

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.     

基于小波多尺度聚类水平集的医学图像分割

针对医学图像低对比度、灰度不均匀等特点,提出了一种小波多尺度聚类水平集的图像分割方法,能够很好地解决医学图像灰度不均匀的问题。首先,利用小波多尺度分析的良好信噪分离能力提取各尺度下图像的有效边缘信息,将边缘信息添加到水平集模型的能量函数中从而提高模型的局部控制能力。然后,基于灰度不均匀的图像模型,派生出对于感兴趣区域的局部灰度聚类,在每个点的邻域内定义基于灰度的局部聚类准则函数。将局部聚类准则函数转化为全局准则函数。在水平集框架中,该准则根据水平集函数定义了代表图像域划分的能量项和引起图像强度不均匀的偏置域。最后,从小波变换的顶层低频子带图像开始逐层采用改进的聚类水平集方法分割图像,并将分割结果通过插值方式传递至下一层作为分割的初始轮廓,最终实现灰度不均匀医学图像的分割。实验结果表明,该方法能够有效地分割医学图像,具有计算更加鲁棒稳定、效率更高和更加准确的优点。     

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。     

基于变分水平集的图像模糊聚类分割

结合变分水平集方法和模糊聚类,提出了一个基于变分水平集的图像聚类分割模型.该模型引入了一个基于图像局部信息的外部模糊聚类能量和一个新的关于零水平集的正则化能量,使得该模型对噪声图像的聚类分割更具鲁棒性.通过在能量泛函中加入一个内部约束能量约束水平集函数为符号距离函数,可以使水平集演化过程无需重新初始化.进一步提出了一种变分形式的聚类中心更新方法,实现了半监督的图像聚类分割.实验中采用不同类型的图像与FCM聚类模型、CV模型、Samson模型进行了对比实验,实验结果显示,该模型能够克服图像中噪声的影响,取得较满意的聚类分割效果.     

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.     

应用区域间差异性和距离约束函数的图像分割

许多水平集图像分割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曲线进化。提出最大化区域间差异性和距离约束函数水平集图像分割模型,该模型引入距离约束函数作为内部能量保证水平集函数始终为符号距离函数（SDF）,避免了进化过程中对水平集函数的不断初始化。基于目标和背景两区域平均灰度值之差的平方构造外部能量函数（区域间差异性函数）,并使其最大化,确保零水平集曲线稳定地收敛于目标边界。实验结果表明,提出的模型不仅有效地克服了传统模型需重新初始化的缺点,并且由于外部能量函数融合了区域信息,对弱边界图像以及含噪声图像具有较好分割能力。     

基于改进能量泛函模型的噪声图像分割算法

针对噪声图像的分割难,分割不准确,以及现有模型无法适应多种噪声环境的问题,提出了一种基于改进的能量泛函模型的噪声图像分割算法,该算法结合各向异性扩散方程和灰度水平集算法,通过对能量泛函的改进实现对噪声图像的准确、快速分割。将非凸泛函引入能量泛函模型,并通过证明不存在全局最小值,利用获得的能量泛函模型得到光滑的目标图像边界。将各向异性扩散模型得到的光滑图像与水平集模型相结合,得到改进的能量泛函模型。通过求解在能量泛函的最小值,得到前景目标的水平集演化的最佳位置。该算法与同类模型的对比实验表明该模型对噪声图像具有较高的分割精度和鲁棒性。     

一种新的水平集图像分割方法

对Chan-Vese提出的基于简化Mumford-Shah区域最优划分模型和测地线主动轮廓模型在水平集框架下的物理机理进行了分析,在充分考虑其模型优点的基础上,通过构造新的能够整合局部边缘信息和全局区域信息的演化函数对上述模型所存在问题进行了针对性处理,得到了一种新的水平集图像分割模型。人工合成图像和红外光学图像的仿真结果表明,在同样的模型参数条件下,该文模型具有比传统CV模型和GAC模型更高的演化效率和分割质量。     

一种改进的快速C-V水平集红外图像分割

当红外图像中包含较强噪声时,C-V模型水平集分割方法会产生大量冗余轮廓;同时,C-V水平集采用偏微分方程(PDE)实现,存在计算量大、分割速度慢的缺点.为此,本文提出了改进的快速算法,该算法保留了C-V模型的全局优化特性,并通过窗口滤波整合图像邻域空间信息来构建曲线进化的外部速度,从而提高C-V模型的抗噪性并减少分割中产生的冗余轮廓;采用基于双链表的快速水平集算法来实现曲线的演化,去除了传统算法中的重新初始化和PDE求解的过程,减少了迭代步数,提高了分割的速度.实验结果表明,本文算法对边缘模糊、噪声较大的红外图像能实现快速而有效的分割.     

结合局部熵能量泛函与非凸正则项的图像分割

为了克服灰度不均匀对图像分割的影响，结合CV模型的全局能量项和LBF模型的局部能量项，引入图像局部熵信息和非凸正则项，构造新的能量泛函，提出了结合局部熵的局部能量泛函与非凸正则项的图像分割算法。该算法首先采用CV模型中的全局能量泛函得到图像的大致演化轮廓；通过构建具有局部熵信息的局部能量泛函，实现对图像的精确分割。然后，利用非凸正则项作为图像演化过程中零水平集逼近目标的又一驱动力驱动曲线演化和边缘保护。该算法利用变分水平集方法将这一新构建的能量泛函进行最小化，通过迭代更新水平集函数，完成曲线演化。最后，对比实验表明，所提出的算法可以高效、准确地分割灰度不均匀图像。     

基于水平集的新型彩色图像分割算法

由于考虑的泛函变分形式是非凸性质,向量值图像分割模型的计算结果经常会陷入局部最小值。基于活动轮廓的向量值图像的全局图像分割方法,以新型变分形式将向量值图像分割和图像去噪融入具有全局极小能力泛函框架中。新模型具有容易构造和较少计算量的特点,对比经典的水平集方法,可以避免繁琐的距离重复化水平集过程。通过对人工图像和真实图像进行分析,验证新方法具有更好的图像分割效果。     

基于图割优化的能量最小化模型图像分割方法

针对主动轮廓模型中利用梯度下降法求解能量函数容易陷入局部极小的不足,设计了一个离散化最小能量函数模型。该模型以Chan-Vese模型为基础,利用图割方法优化能量泛函,实现能量的全局最优解。新模型首先将图像映射为图,将基于像素的能量泛函转换为可用图表示的离散化能量函数,通过计算节点及其邻域关系权值,迭代求解最小化能量并将其作用于形变轮廓曲线,直至达到稳定状态。新模型改进了主动轮廓模型对弱边界图像初始轮廓敏感的问题,提高了分割精度和运行速度。     

Fast Global Minimization of the Active Contour/Snake Model

The active contour/snake model is one of the most successful variational models in image segmentation. It consists of evolving a contour in images toward the boundaries of objects. Its success is based on strong mathematical properties and efficient numerical schemes based on the level set method. The only drawback of this model is the existence of local minima in the active contour energy, which makes the initial guess critical to get satisfactory results. In this paper, we propose to solve this problem by determining a global minimum of the active contour model. Our approach is based on the unification of image segmentation and image denoising tasks into a global minimization framework. More precisely, we propose to unify three well-known image variational models, namely the snake model, the Rudin–Osher–Fatemi denoising model and the Mumford–Shah segmentation model. We will establish theorems with proofs to determine the existence of a global minimum of the active contour model. From a numerical point of view, we propose a new practical way to solve the active contour propagation problem toward object boundaries through a dual formulation of the minimization problem. The dual formulation, easy to implement, allows us a fast global minimization of the snake energy. It avoids the usual drawback in the level set approach that consists of initializing the active contour in a distance function and re-initializing it periodically during the evolution, which is time-consuming. We apply our segmentation algorithms on synthetic and real-world images, such as texture images and medical images, to emphasize the performances of our model compared with other segmentation models. Research supported by NIH U54RR021813, NSF DMS-0312222, NSF ACI-0321917 and NSF DMI-0327077.