三维窄带水平集算法在内耳分割中的应用

为减少从颞骨螺旋CT（computed tomography）图像中分割内耳的手动交互量，阐述了基于区域竞争的窄带水平集算法的基本原理及其特点，构造了合适的速度函数来控制水平集函数的演化，并将该算法应用于颞骨螺旋CT图像中内耳的分割.通过建立三维模型表面上的点与3个正交截面的对应关系，可以快速确定弱边界所在的位置，然后在正交截面上手动编辑以去除多余的组织，得到完整的内耳.对3个病人的5例颞骨图像进行内耳分割实验，实现了4例内耳的完整分割、1例严重畸形内耳的不完整分割.分割1例内耳约需10 min.该方法具有分割速度快、手动交互少、结果表面均匀的优点.     

水平集方法在CT肝脏图像分割中的应用

水平集方法在医学图像分割上有着广泛的应用。作者使用水平集方法用于CT肝脏图像的分割 ,并针对CT图像的特点 ,提出了一种结合图像灰度和曲线曲率信息的速度函数 ,实验结果表明该方法是有效的。     

一种基于交互式快速水平集的阴影图像分割算法

因受光源等条件的影响,采集的原始图像常常存在着阴影,用传统的水平集方法分割图像,常把阴影误认为是目标．以带阴影的栗属（板栗）果实图像为例,提出一种交互式快速水平集方法实现图像分割．实验结果表明：该算法能够得到正确的阴影图像的分割结果,具有更佳的图像分割性能．     

基于遗传算法的超声图像水平集分割

文章提出了超声图像自动分割的新方法。其基本思想是在水平集分割方法的基础上，以能量函数作为评价函数，把图像分割问题变成一个优化问题，利用遗传算法的寻优高效性，搜索到能使分割质量到达最优的轮廓曲线。应用此方法对肝脏超声图像进行肿瘤的边缘提取，得到比较好的结果，从而完成图像的自动分割。     

基于水平集方法的医学图像分割

针对水平集方法处理曲线拓扑结构变化能力强,但分割图像时运算效率低的情况,提出将水平集方法和快速步进法相结合应用于医学图像的分割。该方法解决了水平集方法运算效率低、快速步进法易产生过分割的问题,使得图像分割的速度得以提高,分割效果也比较理想。该方法成功的用于头骨CT图像和肝脏CT图像的分割,分割效果较好。     

一种基于扩散理论的水平集方程演化算法

水平集方法已被广泛地应用于界面追踪和图像分割领域内。为了保证水平集函数演化时能够保持在符号距离函数附近,必须周期性地对水平集函数进行初始化,这一过程其实是与水平集理论本身是相悖的。为了合理解决水平集函数的初始化过程,本文引进了扩散理论,通过在水平集函数添加扩散项,并利用分段常数数值方法求解,从而实现了水平集函数无需初始化过程。引入扩散理论,依靠简单的有限差分求解方法,不仅保证实现过程的简单性,也是对实现过程稳定性的保证。这一方法对边界具有高敏感度,而且可以延伸至更高维的水平集理论。     

基于改进的水平集模型工业零件图像分割方法

随着计算机视觉技术发展,工业机器人的智能化水平越来越高.从只能完成定点定向的动作,到可以根据其搭载的摄像头来自主地识别零件并对其进行定位.利用图像处理技术可以进一步提高其识别速度与抓取精度,提高生产力水平.本文提出了一种改进的水平集模型,首先定义以图片宽度的2/3为半径,图片中心为圆心的圆作为曲线演化的初始轮廓,让曲线以向内运动为主;接着,使用图像边缘标记函数,通过优化控制函数迭代速率的参数与影响模型对噪音敏感度的参数,提高了曲线的演化速率,最后使用改进的距离正则化水平集方法将曲线演化至目标物体边界,实现对图像的分割.仿真实验表明,该方法能有效检测出图像中单个及多个物体的边界,提高了边界的定位精度,且有较快的运算速度.     

基于水平集的自适应保边平滑分割

为了提高活动轮廓模型对自然图像的分割效果,提出了一种新的分割算法。首先将水平集和全变分有机结合,建立了保边平滑分割模型;其次运用聚类算法自适应选取平衡参数,避免了水平集曲线收敛于局部最优;最后根据水平集对不同平滑分量分割区域不同,设计了基于区域置信度的分割平滑收敛函数,解决了分割曲线消失问题。实验表明,该算法对自然图像分割测评分数高于传统活动轮廓分割算法,对图像纹理和噪声不敏感。     

基于偏移场修正的C-V模型水平集图像分割算法

灰度不均匀效应广泛存在于现实图像(real-world images)中,这给图像分割带来了很大的挑战,目前许多的图像分割算法都依赖于图像灰度分布均匀这一假设,这严重影响了算法分割现实图像的分割精度。因此文章结合图像的数学模型,提出了一种基于偏差修正的C-V模型,该方法在水平集函数的演化过程中,同时进行图像的分割与偏移场的估计,利用偏移场的估计值来抑制灰度不均匀效应的影响。仿真结果表明,该方法比经典的C-V模型有更高的分割精度,对初始化轮廓曲线以及噪声有较强的鲁棒性。     

基于最小错误率和快速水平集的图像分割

提出一种基于最小错误率和快速水平集的图像分割方法,通过对速度项和停止条件的重新设计,实现了快速而有效的图像分割。算法采用模式分类思想,以统计直方图来近似目标和背景区域的概率密度,对基于最小错误率的判别函数进行平滑滤波以获得外部速度,从而实现曲线的进化;同时,分割过程在分类错误率达到最小时停止。实验结果表明,本文算法对弱边缘、低对比度灰度图像具有较好的分割效果,且具有较强的抗噪性能;在分割速度上,本文算法也明显优于几种已有算法。     

New image segmentation model based on the level set method

A novel variational model based on the level set method is proposed. In the model, we introduce a nonconvex regularizer which performs better than the convex ones on protecting edges. On the other hand, the nonconvex regularizer is designed to provide a force which can help the evolution of the level set function. The Nesterov algorithm is introduced to implement the model. Experiments demonstrate the advantages of the proposed method over the Chan-Vese model in terms of both efficiency and accuracy.     

融合图像局部能量和梯度的水平集分割方法

为了实现结构复杂的灰度不均匀图像的快速准确分割,提出一种融合局部能量和梯度敏感性的水平集方法,采用梯度敏感的能量函数改进局部能量最小化水平集方法,并利用灰度全局信息自动初始化水平集.局部能量函数由局部灰度拟合函数定义,是水平集的外部驱动能量,适用于分割灰度不均匀图像.梯度敏感项依据图像特性,自动判定对水平集的驱动方向,...     

基于Bregman散度和RSF模型的水平集图像分割方法

在自然图像中经常会出现亮度不均匀的现象,虽然基于局部信息的水平集方法在不均匀图像的分割方面取得了较好的效果,但是该类方法在主动轮廓的能量上存在局部最小值和计算复杂度高等问题.针对这些问题,本文提出了基于Bregman散度分布和区域可伸缩拟合能量模型(Region-Scalable Fitting,RSF)相结合的水平集图像分割方法.本方法利用包含特征点信息(Bregman散度)的全局信息项加快远离目标边界曲线的演化速度,提高算法对初始位置的鲁棒性;利用RSF模型的局部信息项提高对亮度不均匀图像的分割能力,吸引轮廓曲线向物体边界收敛,并停止在目标对象的边界处.通过对合成图像、医学图像和其它真实图像的对比实验,可以看出本文模型与现有模型(LCV、RSF和LGIF)相比,对亮度不均匀图像具有更强的处理能力和更高的处理效率,且对噪声具有更强的鲁棒性.     

一种改进的变分水平集车辆检测技术

针对传统运动目标检测算法存在适应性差、对噪声较敏感等缺点,提出一种基于变分水平集快速提取边缘模糊运动目标的方法。该算法利用主动轮廓模型进行边缘检测约束,并结合变分水平集方法进行二次演化获得准确的图像分割。实验证明,该方法能够快速准确的分割运动目标,对于复杂环境有较好的适应性和鲁棒性。     

用于图像分割的边界保持局部拟合模型

针对局部二值拟合变分水平集模型(LBF模型)的分割质量很大程度上取决于核带宽的选取,容易造成冗余轮廓、边界模糊等问题,提出一种基于边界保持局部拟合的变分水平集模型.该模型引入图像相依的测地时间定义核函数,结合空间距离和图像梯度,自适应地选取邻域采样点;同时,采用基于多波段的图像梯度,并相应地调整图像点的相异性测度,将模型的应用范围扩展至彩色及多光谱图像.实验结果表明：该模型能选取较大核带宽并有效保留潜在的边界信息,从而避免了核带宽的选取问题,较好地应用于灰度异质图像的精确分割;而且,该模型对彩色及多光谱图像的分割也同样有效.     

融合Ratio边缘信息的水平集SAR图像分割方法

提出了一种融合边缘和区域信息的变分水平集合成孔径雷达图像分割方法.该方法不需要去除相干斑噪声的预处理过程,利用具有恒虚警特性的Ratio算子提取合成孔径雷达图像的边缘信息,并与无边缘活动轮廓模型结合建立合成孔径雷达图像分割能量泛函模型,通过最小化能量泛函得到曲线演化偏微分方程,采用变分水平集方法求解演化方程,实现了合成孔径雷达图像的分割.分别采用模拟和真实合成孔径雷达图像对该方法进行了验证,实验结果表明,该方法实现了合成孔径雷达图像中目标与背景的正确分割,具有较好的边缘定位能力.