基于GVF Snake和边界跟踪的主动轮廓图像分割

梯度向量流蛇(GVF Snake)模型在处理图像分割问题上取得了较好的结果,但它对初始轮廓曲线的依赖程度较大且梯度向量场计算时间较长,故此提出一种基于GVF Snake模型和边界跟踪的轮廓提取图像分割算法。该算法利用边界跟踪算法进行粗糙的分割,获取边缘位置有效信息点,经采样后生成一条初始轮廓线。同时,基于拉格朗日法求解梯度向量场的方法,提出一个距离终止条件以提高计算速度。实验结果表明,与GVF Snake、手动GVF Snake和CV活动轮廓算法相比,该算法有效提高了图像分割的自动化程度和分割精度。     

基于卷积神经网络的细胞图像分割与类型判别

组织细胞图像形态各异、大小不一、纹理变化多样等特点,导致难以精准地分割细胞区域的问题,对此提出了一种基于卷积神经网络(CNN)和边缘聚类方法的新算法.对原始切片采用染色校正预处理,提高色彩对比度,利用CNN得到初步分割结果,结合边缘聚类方法提升初步分割结果的连续性和完整性.在此基础上,结合计算机视觉技术,获得分割图像中细胞颗粒的基本属性特征,并使用Softmax分类器判别细胞类型.实验结果表明:相较于经典的卷积神经网络、阈值分割、模糊聚类等细胞图像分割算法,该算法在分割结果的完整度方面提升了6.15个百分点.     

基于5阶细胞神经网络图像浮雕算法研究

针对如何使图像中的浮雕效果更具有立体感的问题,设计了关于图像的5阶细胞神经网络(CNN)的浮雕算法研究的方案,研究了该算法对于图像的立体化处理的过程,对于同一图像分别采用5阶CNN、3阶CNN算法和拉普拉斯算法进行对图像的立体化处理,并比较了几类算法的优劣.实验表明,基于5阶CNN浮雕算法更接近现实,直观效果更好,在实现图像的实时处理中,能够有效地生成具有艺术效果的浮雕图像.同时,将其应用在遥感图像的处理工作中,取得了很好的效果.     

Snakes外力场的改进及其左心室MRI的精确分割

参数活动轮廓模型（Snakes）分割图像时有两个明显的缺陷：要求初始轮廓线位于图像特征附近，且对深度凹陷区域的分割也不理想。基于梯度向量流（GVF）Snakes较好地解决了传统Snakes的两个本质缺陷。但是，由于GVF Snakes内力的性质和GVF的光滑性，使得对曲率大的边缘点不能精确定位。该文通过采用各向异性方程对图像扩散平滑和边缘增强，改善计算势能力场和梯度向量力场指向边缘的精确度。两种力场的有机组合作为Snakes的外力场。这种新的力场Snakes具有GVF Snakes和势能力场Snakes的优点，对左心室核磁共振图像（MRI）进行分割能得到精确的边缘轮廓。     

基于扩展邻域的动态方向GVF计算方法

采用基于动态方向梯度矢量流(GVF)分割边界不清晰、灰度分布不均图像时,GVF外力场中通过拉普拉斯算子的扩散作用,利用4邻域进行掩膜运算;但未充分利用图像信息形成光滑的矢量场,同时迭代次数较高。提出一种基于扩展邻域的动态方向GVF计算方法。新方法从掩膜的角度分析了梯度矢量流模型,通过采用更大的邻域的掩膜来代替原来的基于4邻域的掩膜,得到了基于扩展邻域的梯度矢量流的计算方法。新的计算方法仅仅需要较少的迭代次数就能得到较好的效果。     

基于五阶CNN的图像边检测算法研究

边缘是图像的最基本的特征之一,边缘提取是图像分析中非常重要的步骤,而细胞神经网络是边缘检测中很有效的一种方法.作者基于细胞神经网络(cellular neural network,简称CNN),研究了5阶CNN模板对图像边缘检测的过程,阐述了算法实现过程中的关键步骤,并且证明了算法的稳定性.对图像分别采用基于5阶、3阶CNN算法和经典算子(Prewit、Canny、Sobel等)进行边缘提取,定性分析比较了几类算法在性能上的优劣,定量比较了检测结果的准确性.实验结果表明,基于5阶CNN模板算法的边缘检测结果更加显著,且在硬件实现上能够高速并行计算,实现图像实时处理.     

梯度矢量流的最优停止时间计算新方法

梯度矢量流(GVF)外力场解决了原始Snake模型捕捉范围小和对初始化敏感的缺点,其核心就是把图像边缘处的梯度矢量向周围进行扩散,从梯度矢量场生成一个光滑的矢量场。但是在扩散过程中,过多的扩散就会把图像的边界给冲垮,不能很好的保持图像的边缘等信息。因此,如何确定一个合适的扩散次数就是一个非常重要的问题,这就是被称作最优停止时间的问题。基于对GVF能量泛函的分析,提出了一种确定GVF最优停止时间的方法。实验证明,新方法得到的最优停止时间是有效的,取得了较好的效果。     

一种基于CNN的运动对象分割算法

提出一种基于细胞神经网络的运动对象分割算法。通过引进除噪模板和改进边缘检测模板,去除了图像采集和处理过程中的噪声影响,得到比较满意的图像边缘信息。实验结果验证了算法的有效性,而且处理速度与图像大小无关,能够实现图像实时处理。     

图像差异比较与CNN基因联络模板设计

通过设计细胞神经网络(CNN)基因联络模板,讨论对两幅图像的差异比较。提出利用细胞神经网络(CNN)可以高速、有效、直观地实现两幅图像的差异比较。同时,给出一个实例,说明所设计的这类细胞神经网络(CNN)基因在图像差异比较处理上的一个应用。     

基于全卷积神经网络的绝缘设备紫外图像评估算法研究

针对绝缘子表面沉积污秽容易导致闪络的问题,文中分析了全卷积神经网络(fully convolutional networks,FCN)的典型结构和训练方法,提出了基于全卷积神经网络的绝缘子紫外图像污秽度评估方法.该方法首先采用全卷积神经网络进行绝缘子放电紫外图像光斑分割提取,然后将分割的紫外光斑图像作为卷积神经网络(convolutional neural networks,CNN)的输入,实现绝缘子污秽度的评估.仿真算例的计算结果表明,FCN-16s模型融合浅层细节特征适中,应用于绝缘子放电紫外图像光斑分割的效果更优;验证了文中所提FCN-CNN算法能够实现绝缘子污秽度的评估,具有更高的准确度,为输变电系统的智能化运维提供了参考.     

An eSnake model for medical image segmentation

Deformable model is a curve or a surface drivenpartial differential equations (PDE) method for imagesegmentation and pattern recognition. Two types ofdeformable models have been developed previously.One is the parametric deformable model proposed byKass et al.[1], which formulates the curve explicitlyin the parametric form. The other is the geometricdeformable model, which implicitly characterizes thecurve by a level set function developed by Osher,Sethian and implement…     

An eSnake model for medical image segmentation

A novel scheme of external force for detecting the object boundary of medical image based on Snakes (active contours) is introduced in the paper. In our new method, an electrostatic field on a template plane above the original image plane is designed to form the map of the external force. Compared with the method of Gradient Vector Flow (GVF), our approach has clear physical meanings. It has stronger ability to conform to boundary concavities, is simple to implement, and reliable for shape segmenting. Additionally, our method has larger capture range for the external force and is useful for medical image preprocessing in various applications. Finally, by adding the balloon force to the electrostatic field model, our Snake is able to represent long tube-like shapes or shapes with significant protrusions or bifurcations, and it has the specialty to prevent Snake leaking from large gaps on image edge by using a two-stage segmentation technique introduced in this paper. The test of our models proves that our methods are robust, precise in medical image segmentation.     

基于主动轮廓技术的植物叶图像提取方法

叶是植物的重要特征信息，叶片图像提取是植物器官建模和生鲜植物识别的关键步骤。在植物自动识别和叶建模领域具有重要价值。笔者提出了一种基于主动轮廓技术和细胞神经网络的叶图像提取方法，实践表明基于细胞神经网络的可变模板技术实现了对植物叶片轮廓的灵活控制，同时结合了隐含模型和参数模型的特征，提高了提取的精度和鲁棒性。提取结果表明，采用该算法可以有效提取叶脉络。     

基于高斯矢量场的多尺度水平集图像分割算法

针对主动轮廓模型的弱边界和运算复杂度高等缺点,提出一种有效的解决算法,该算法引入高斯矢量场(GVF),扩大边界力的作用范围,同时综合区域信息,有效解决弱边界问题;并运用多尺度LevelSet方法提高算法的运算速度.实验表明,所提出算法不仅分割效果好,而且具有抗噪性能强和运算速度快的特点.     

基于边带限制的梯度矢量流主动轮廓线模型的超声图像分割

主动轮廓线模型是广泛应用于数字图像分析和计算机视觉等领域的一种目标轮廓跟踪算法，非常适合于医学图像（如CT和MRI）的处理。但将这一模型应用于超声图像的分割和目标轮廓的跟踪时，由于超声图像不可避免地存在着斑点噪声、弱边界和与组织有关的纹理，往往使传统主动轮廓模型难以获得满意的轮廓跟踪效果。为此，在梯度矢量流主动轮廓线模型的基础上，引入边带限制概念，并将该模型应用于超声图像的分割。实验表明，该方法较好地限制了非目标边缘和噪声干扰的影响，而且对超声及其序列图像具有较好的分割效果。     

基于K-means和GVF Snake模型的纤维图像分割

在纤维图像自动识别系统中,分割出完整连续的纤维是纤维特征分析的必要前提.针对纤维图像的背景和前景灰度区别不大、光照不均对图像的影响等特征,提出融合K-means和GVF(Gradient Vector Flow)Snake模型的纤维图像分割算法.该算法以提取完整连续的纤维轮廓为标准,利用K-means聚类分割结果为GVF Snake模型的初始轮廓线,并对得到的存在毛刺的轮廓结果采用轮廓跟踪去除毛刺,从而得到完整连续的单根纤维图像.该算法不仅能有效解决传统图像分割方法对纤维图像分割的不连续问题,而且能有效抑制纤维图像中噪声的影响.     

基于GVF-Snake的运动目标跟踪

为了使GVF-Snake具备快速跟踪运动目标的能力,提出采用帧差运动补偿和GVF-Snake结合的跟踪算法.采用二次帧差法对视频图像进行处理,自动得到初始轮廓解决GVF-Snake模型初始轮廓确定的问题.对于输入视频图像在每一次迭代中重新计算整幅图像的GVF场时间消耗大的现象,采用分块计算,减少了计算量,使GVF-Snake跟踪达到接近实时的要求.在遮挡方面,采用前一帧差运动补偿的方法.实验表明,此跟踪算法具有较好的性能.