局部GAC模型在医学图像分割中的应用

针对基于区域测地线活动轮廓(GAC)模型很难准确分割灰度不均匀图像的问题,提出基于局部信息的GAC模型。该方法首先将图像区域进行局部化,来克服灰度不均匀对分割结果的影响,然后构造局部符号压力函数(ISPF)指导轮廓线在目标外部(或内部)收缩(或扩张)来完成分割。为了提高算法效率和稳定性,用二值水平集方法实现整个分割过程,避免了传统水平集数值不稳定性。实验结果表明,本文方法可以快速有效地分割灰度不均匀的医学图像。     

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.     

改进符号压力函数的区域活动轮廓模型

利用具有图像增强能力的局部区域信息,定义一种新的符号压力函数(SPF)。用该SPF函数取代GAC模型中的边界停止函数,对GAC模型进行改进,提出一种新的区域活动轮廓模型,从而解决了非同质或弱边界图像的分割问题。继续采用Selective Binary and Gaussian Filtering水平集方法,避免水平集函数的重新初始化,简化新模型。真实图像和合成图像的实验结果表明,新模型与LBF模型具有相同的分割效果,但在计算效率上远优于LBF模型。新模型不仅能够分割非同质或弱边界图像,且具有亚像素分割精确性、抗噪性、局部全局选择分割性等性质。     

基于改进测地线模型的医学图像分割

提出了一种由测地线活动轮廓模型GAC（Geodesic Active Contour）和局部区域信息相结合的图像分割新方法LGAC（Local Geodesic Active Contour）。构造了基于图像局部信息的演化曲线符号压力函数和演化模型,用水平集方法演化实现,零水平集能准确地在目标边缘收敛,对目标背景对比度较低的图像的分割达到理想效果。利用高斯核函数对水平集函数平滑处理以维持演化稳定,节省了计算时间。实验结果证明了该方法的可行性。     

基于改进符号压力函数的变分水平集图像分割算法

为了更好地解决含有弱边界、灰度不均匀的图像在分割时出现的轮廓线错误移动而导致分割结果错误的问题,结合图像的统计信息,构造出一种新的符号压力(SPF)函数,提出了一种基于改进的压力符号函数的变分水平集图像分割算法。首先,利用新的压力符号函数代替边缘函数,构造了新的活动轮廓模型;其次,该算法保持了测地线活动轮廓(GAC)模型和chan-vese(C-V) 模型的优点,使水平集函数演化到目标的边界上;最后,对一些弱边界、灰度不均匀的图像进行仿真实验,结果表明提出的算法能够精准地分割目标,并且具有一定的抗噪性。     

改进的双水平集医学图像分割方法

由于基于简化M_S模型的多相水平集图像分割模型仅仅利用了图像的区域信息,对图像的另一个重要信息(边缘信息)没有有效的利用,同时在分割的过程中需要对水平集函数不断进行重新初始化.为了解决上述模型的不足,本文提出改进的双水平集医学图像分割方法.该方法主要是在基于简化M_S模型的多相水平集图像分割模型的基础上将图像的边界信息项和为避免重新初始化水平集函数的惩罚项加入模型中.实验结果表明,添加了边界信息后的模型能够在边界位置定位更容易,同时改进后的双水平集模型在实现多目标分割时,无需重新初始化水平集函数,减少了计算量,简化了算法实现的复杂度.     

一种新的基于区域竞争模型的水平集医学图像分割方法

传统的基于梯度模型的水平集分割方法在水平集曲线演化过程中存在着边界泄漏问题。针对这个问题,提出了一种基于改进区域竞争模型的水平集分割方法。本方法首先通过概率分布公式计算出水平集曲线属于目标区域和背景区域的概率;其次,将概率差值连同权重因子添加到水平集函数方程中,使曲线在演化过程中能量函数达到最小;最终,利用图像的区域信息提高水平集曲线识别边界的能力。实验结果表明该方法能够很好地实现医学图像的分割。     

基于贝叶斯分类模型的双水平集算法的大脑图像分割

针对大脑图像中灰质和白质边界结构的复杂性以及拓扑细长部分目标和弱边界目标分割存在的问题,提出了基于贝叶斯分类模型的双水平集分割算法.鉴于传统的水平集有分割过度、泄漏边界的缺点,可通过贝叶斯分类模型计算出水平集曲线位于边界的概率,并将此概率相关联的区域决策因子添加在水平集函数方程中,从而实现利用图像的区域信息提高水平集曲线识别边界能力的目的.将基于贝叶斯分类模型的双水平集算法应用到大脑图像的分割,通过内外两条水平集共同演化作用,得到了比贝叶斯分类模型的单水平集方法更完整的分割效果,并明显提高了分割效率.     

基于双水平集的图像分割模型

针对水平集模型对于具有细长拓扑部分的目标和弱边界目标进行分割时存在的问题，提出了双水平集方法．在新的方法中通过两条水平集之间的相互吸引来加速解的收敛，同时提出了一种快速有符号距离函数生成方法，提高了计算效率．传统的水平集通常利用图像边界信息来构造速度函数进行求解，但在待分割目标具有很强噪音或具有弱边界时往往得不到真实解，对此，提出了一种新的基于区域信息的速度构造方法．将双水平集模型应用到合成图像与左心室MR图像的分割实验，结果表明该方法具有较好的分割效果和较高的分割效率．     

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。     

基于贝塞尔滤波改进的测地活动轮廓图像分割模型

活动轮廓模型广泛应用于图像分割和目标轮廓提取,基于边缘的测地活动轮廓（GAC）模型在提取边缘明显的物体时得到广泛的应用,但GAC演化过程中,迭代次数较多,耗时较长。针对这一问题,结合贝塞尔滤波理论,对GAC模型改进。首先,利用贝塞尔滤波对图像进行平滑处理,降低噪声;其次,基于贝塞尔滤波的边缘检测函数,构建新的边缘停止项,且并入到GAC模型中;最后,在构造的模型中同时加入反应扩散（RD）项以避免水平集重新初始化。实验结果表明,与多个基于边缘的模型相比,所提模型在保证分割结果精确度的同时,提高了时间效率,更适用于实际应用。     

Active contours with selective local or global segmentation: A new formulation and level set method

A novel region-based active contour model (ACM) is proposed in this paper. It is implemented with a special processing named Selective Binary and Gaussian Filtering RegularizedLevel Set(SBGFRLS) method, which first selectively penalizes the level set function to be binary, and then uses a Gaussian smoothing kernel to regularize it. The advantages of our method are as follows. First, a new region-based signed pressure force (SPF) function is proposed, which can efficiently stop the contours at weak or blurred edges. Second, the exterior and interior boundaries can be automatically detected with the initial contour being anywhere in the image. Third, the proposed ACM with SBGFRLS has the property of selective local or global segmentation. It can segment not only the desired object but also the other objects. Fourth, the level set function can be easily initialized with a binary function, which is more efficient to construct than the widely used signed distance function (SDF). The computational cost for traditional re-initialization can also be reduced. Finally, the proposed algorithm can be efficiently implemented by the simple finite difference scheme. Experiments on synthetic and real images demonstrate the advantages of the proposed method over geodesic active contours (GAC) and Chan–Vese (C–V) active contours in terms of both efficiency and accuracy.     

ORACM: Online region-based active contour model

A new online region-based active contour model (ORACM) is proposed in this paper. The classical geodesic active contour (GAC) model has only local segmentation property, although the Chan–Vese (C–V) model possesses global. An up-to-date active contour model (ACM with SBGFRLS) proposed in Zhang, Zhang, Song, and Zhou (2010) both has the properties of global/local segmentation and incorporates the GAC and the C–V models to raise active contours’ performance on image segmentation. However it has two major disadvantages. First, it deforms the active contour model just using the gradient of current level set iteratively and so works too slowly. Second, it needs a parameter α which plays major impact on the results and to be tuned according to input images. The proposed model ORACM eliminates these two disadvantages by using a new binary level set formula and a new regularization operation such as morphological opening and closing. Without changing segmentation accuracy, ORACM requires no parameter and less time over the traditional ACMs. Experiments on synthetic and real images demonstrate that the computational cost of ORACM with the morphological operations is 3.75 times less than the traditional ACMs on average.     

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。     

结合局部熵的无需重新初始化水平集演化

无需重新初始化模型是一个著名的变分水平集模型,在演化过程中无需周期性地重新初始化水平集函数。然而,由于其边缘停止函数是基于梯度的,因此仍然存在一些缺点：对噪声较敏感,弱边缘处易出现边缘泄漏,不能提取不连续边缘等。采用局部熵和灰度变换构造该模型的边缘停止函数。实验结果表明,使用新的边缘停止函数,能够克服上述不足。     

一种全局优化的水平集图像分割方法

该文对Chan—Vese提出的水平集图像分割算法进行了改进，提出了分段光滑的Mumford—Shah全局优化的水平集图像分割模型，并对偏微分方程进行了修正，以提高模型的图像分割能力。实验表明，该方法不但解决了C—V方法对于灰度值渐进图像无法正确分割的问题，同时可更精确地描述原图像，是一种高效、稳定的图像分割模型。另外，针对水平集方法中符号距离函数构造计算量大的问题，还提出一种全邻域源点扫描法，以便通过对图像平面网格点的扫描来实现距离函数的快速计算，这种方法不仅计算性能稳定，而且速度快、精度高。     

灰度不均的弱边缘血管影像的水平集分割方法

针对血管影像中灰度不均和弱边缘情况下已有水平集模型不能正确分割血管问题,提出一种耦合了血管影像的几何信息、边缘信息和区域信息的水平集分割方法.首先,采用Hessian矩阵的各向异性性对血管状目标进行识别,对原始影像数据进行多尺度滤波;然后采用拉普拉斯算子零交叉点的快速边缘积分方法将边缘信息嵌入能量泛函中,构建一种基于结构、边缘和区域信息的水平集分割方法.相比于单一依靠影像边缘信息或区域信息模型及其改进模型,该方法在分割严重灰度不均匀的血管造影影像上能够准确提取血管,并精确定位血管边缘.