一种新的基于局部区域的活动轮廓模型

提出了一种新的基于曲线演化的活动轮廓图像分割模型.该模型利用局部图像统计信息来代替C-V模型中的全局灰度均值,以此可以分割灰度不均匀的图像.此外,在模型定义的能量泛函中增加了水平集正则项,以此来保证数值计算的准确性和避免对水平集函数的重新初始化.将本文提出的活动轮廓模型用于分割人工和自然图像,比较结果显示:C-V模型不能很好处理灰度不均匀图像,而本文提出的模型对灰度不均匀图像能得到满意的分割效果.     

结合局部与全局信息的主动轮廓模型

针对基于主动轮廓模型的图像分割,现有算法不能满足其实际应用多样性的问题,结合LBF模型和C-V模型的优点,提出一个新的结合局部与全局信息的LGIF主动轮廓模型,解决了LBF模型容易陷入局部极小值而导致错误分割的问题,也解决了C-V模型演化速度慢的问题。实验证明,新模型能分割C-V模型、CVI模型不能分割的灰度不均匀的图像,也能分割LBF模型不能分割的灰度不均匀的图像,对初始轮廓的大小和位置不敏感,具有较强的抗噪性。新模型演化速度快,耗时短,效率高,稳定性好。     

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.     

基于区域划分和改进C-V法的医学图像分割方法

提出了基于图像区域划分和改进C-V法的活动轮廓图像分割方法.通过区域划分的方法将整幅图像的分割问题转化为在不同的子区域上分别进行的图像分割问题,并在各子区域中采用改进C-V法进行图像分割.改进的C-V方法在简化Mum ford-Shah泛函的能量函数中增加距离函数惩罚项,从而将距离函数重新初始化的过程并入整个水平集框架模型中;并在分片常数优化逼近中,添加了图像梯度信息,改变了C-V法中均值取值定义,提高了对灰度层次丰富的图像分割能力.实验表明,该方法对灰度值接近、边界模糊的医学图像有很好的分割效果.     

基于图像分割的钢板表面缺陷识别

钢板的表面缺陷是影响钢板质量的主要因素,通过改进轧制工艺可以减少缺陷发生外,及时检测出钢板的表面缺陷也非常重要.对于钢板表面缺陷的检测,需要获取图像,然后对图像进行初步处理,重要的步骤就是对缺陷进行分割.基于图像灰度信息的不同,本文采用了两种图像分割模型(C-V模型和H-T-B模型),当图像的灰度信息均匀时,采用C-V模型对图像进行分割;当图像的灰度信息不均匀时,则采用H-T-B模型对图像进行分割.通过两种模型的组合应用可以对钢板的各类表面缺陷进行识别,获取缺陷区域,有利于提高钢板生产质量.     

基于改进C-V模型乳腺癌MR图像分割

在乳腺癌MR图像分割中,传统C-V模型没有充分利用图像边界曲率信息,需要重新初始化水平集函数使其保持为一个符号距离函数(SDF),导致图像分割比较慢,同时目标区域易产生过度分割.为此,通过在传统的C-V模型中引入惩罚能量项和全局边界曲率能量项,提出一种改进的C-V模型图像分割方法,克服了水平集函数需要重新初始化和目标区域易产生过度分割等问题.实验表明,改进的C-V模型对乳腺癌MR图像具有较好的分割效果,分割收敛速度较快.     

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.     

快速有效的全局和局部能量驱动的活动轮廓模型

由全局和局部拟合能量驱动的活动轮廓模型(LGIF模型)对活动轮廓的初始化和噪声不敏感,且能够分割灰度不均匀图像;但是该模型的演化方程在每次迭代中需要进行多次高斯卷积,使得分割速度非常慢;基于这一缺点提出了一个新的模型;实验表明:该模型不仅能够分割灰度不均匀图像,而且分割效率优于LGIF模型。     

基于改进LBF模型的高原鼠兔图像分割

针对鼠兔图像背景复杂、对比度低、灰度不均匀且含有大量噪声等特点,在局部二值拟合(LBF)模型基础上,提出一种融合图像梯度信息的改进LBF分割模型.针对LBF模型在演化过程中极易陷入局部极小值的问题,引入全局图像梯度信息,构造含有梯度信息的能量函数,使水平集函数在演化过程中避免陷入局部最优,同时全局梯度能量项能引导活动轮廓曲线向目标边界附近快速移动,从而减少算法运行迭代次数,提高了分割精度.实验结果表明:所提出的用于鼠兔图像分割的模型不仅能提高鼠兔图像分割精度,减少迭代次数,而且背景抑制、目标区域轮廓定位效果好.     

基于局部中值拟合C-V模型的SAR图像分割算法

针对SAR图像特点,提出了一种基于局部中值拟合(LMF)C-V模型的新的SAR图像分割算法LMFCV-SIS.该算法核心是利用像素点及以其为中心的邻域内的像素点的局部中值拟合来构造能量函数,极小化该能量函数,得到轮廓的最终演化结果.一系列对比实验的结果表明,该算法充分利用了SAR图像的特征信息,对真实机载SAR图像进行分割具有分割边界定位准确、收敛速度较快等优势.     

一种改进的局部区域特征医学图像分割方法

水平集分割方法中的Chan-Vese模型能够处理具有模糊边界和复杂拓扑结构的图像,但没有充分利用图像局部灰度的变化信息,致使其不能准确分割强度不均匀物体。针对这一问题对模型做了改进,引入局部灰度均值替换全局均值,以边界指示函数作权进行加权长度积分,加入使用双阱势的距离正则项来避免水平集重新初始化。试验结果表明:改进后的模型能够有效提高分割精度与效率,可以有效应用在医学图像的分割领域。     

改进的先验形状模型构造及其人脸图像分割

在处理分割被遮挡、背景与目标灰度相似或数据丢失的目标时,需在CV(Chan and Vese)模型的基础上引入先验形状信息。传统的先验形状项只具有旋转、缩放和平移不变性,针对表情丰富、易产生遮挡的人脸图像,分割结果很不理想。结合形状统计的水平集图像分割做了如下两点工作:(1)在CV模型基础上加入局部剪切和X、Y方向拉伸不变两种特性上,建立了新的数学分割模型;(2)构造新的先验形状能量项,对全局变化和局部变化的人脸图像都能进行平滑快速的演化。实验结果表明本文方法对复杂背景下姿态变化较大的人脸图像,具有较好的分割效果。     

改进的快速C-V模型指静脉图像分割算法

为快速准确地进行指静脉图像的分割, 在经典C-V模型的基础上, 增加了距离惩罚项和边缘检测函数, 并使图像演化不基于内部区面积。改进后的算法保留了C-V模型全局优化的特性, 同时有效避免了重新初始化过程, 并对图像边缘更加敏感, 使改进后的算法适合对指静脉图像的分割。仿真实验结果表明, 改进后的C-V模型能较好地处理指静脉图像边界模糊和灰度分割不均的问题, 同时还可提升分割效率。     

基于局部和全局灰度拟合的图像分割算法

针对灰度分布非均匀图像的分割,提出一种改进的基于区域的活动轮廓模型,融合了LIF（local image fitting）模型的变尺度局部拟合特点与C-V（Chan-Vese）模型的全局优化特性,不仅提高了图像的分割效率,而且增强了模型对尺度参数和初始轮廓位置的鲁棒性。在数值计算中,使用高斯滤波规则水平集函数,使其保持光滑,并避免了复杂的重新初始化过程。对大脑MR图像的实验分割显示了该模型的优点。     

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CV模型与改进ME模型的肺癌检测算法

针对CT影像中恶性肺结节病灶难以自动检测的问题,提出了一种基于CV模型与改进ME模型分割区域之间的面积差异的肺部CT影像癌症检测算法.该方法利用在肺部CT影像中结节边界的模糊程度是判断恶性肺结节的最重要指标这一特性,首先通过CV模型和改进ME模型两种交互式目标分割算法分别对肺部CT影像分割,因这两种分割方法收缩效果不同,故得到两种不同的结节区域,再计算这两种区域之间的面积差异得到该区域的模糊程度,最后计算得到模糊程度比较阈值,以此判断是否存在癌症.实验结果表明,该算法对于肺部CT影像中的癌症检测具有较高的准确率.     

参数化水平集活动轮廓模型的快速图像分割算法

为了提高图像分割的速度,提出一种参数化水平集活动轮廓模型的快速图像分割算法.该算法中的水平集函数由参数向量确定,而非带符号距离函数,降低了水平集函数的维度.将参数化的水平集函数嵌入到经典的LGDF(local Gaussian distribution fitting)模型中进行图像分割,不需要重新初始化和额外的正则项,同时可选择较大迭代步长.实验结果表明:所提方法能够有效地分割超声、CT和核磁等医学图像,与带有正则项的分割算法LGDF和最近提出的快速分割算法MSLCV相比,在保证分割精度的同时,计算速度得到了明显提高.