基于改进LGDF模型的超声图像自动分割方法

基于局部高斯分布拟合能量(LGDF)模型的图像分割方法,对初始轮廓选取及参数选择较敏感.如果初始轮廓手动选取不当会由于陷入局部极小值而导致分割失败,且分割速度较慢.针对以上不足,提出了一种改进的LGDF模型的超声图像自动分割方法.该方法的正则化项由具有双极值点的势函数构成,在水平集函数进化过程中,可以避免由单极值点势函数造成的水平集函数震荡和扭曲,从而加快了收敛;另外,将局部熵阈值分割的结果作为LGDF模型的初始轮廓,接近真实轮廓,可以克服手动选取初始轮廓的影响.实验结果表明,该方法能自动获取合适的超声图像初始轮廓,并得到较好的分割结果,同时大大提高了分割速度.     

融合KFCM与改进DRLSE模型的甲状腺结节图像分割

针对超声甲状腺结节图像分割问题,提出一种融合模糊核(KFCM)聚类算法与改进距离正则化水平集演化(DRLSE)模型的分割算法,解决了DRLSE模型对初始轮廓敏感、演化参数需要人工设定及分割弱边缘能力较差的问题.该算法先利用KFCM聚类算法粗分割出结节区域并二值化作为水平集初始演化轮廓,然后利用初始演化轮廓围成的区域自动计算出水平集演化参数,最后采用高斯正则化规则演化水平集分割出甲状腺结节区域.对比实验结果表明,该算法提高了甲状腺结节的分割精度,在噪声干扰下也能准确地分割出结节区域.     

一种基于偏压场的水平集图像快速分割算法

提出了一种基于偏压场的水平集图像快速分割算法.运用偏压场估计图像局部统计信息,结合图像的全局信息和图像边缘信息建立新的能量函数,然后将此能量函数嵌入到水平集框架中,得到最终改进的分割模型.最后对合成图像和真实图像进行分割,并与其他4种模型对比,实验结果表明,提出的模型分割精度提高了20%以上,而且分割速度提高了2~5倍.     

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.     

演化曲线自适应驱动的图像分割水平集模型研究

利用图像梯度和几何曲率等信息可以准确定位分割图像的边缘.基于此,本文在对图像分割典型变分模型有效性及所存在问题分析和讨论的基础上,提出了一种演化曲线自适应驱动的图像分割水平集模型.模型通过调整演化曲线长度项和面积项的权重函数,使演化曲线能够根据图像当前的状态自适应的调整演化幅度和方向,不仅提高了图像分割的准确度,还大大缩减了图像分割时间;模型在利用图像局部区域信息的同时,也利用全局化的正则函数来兼顾模型能量泛函的全局性,使模型有了对异质区域边界的捕捉能力.经试验验证文章所提出的新模型有效可靠.     

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.     

融合全局图像信息的局部灰度拟合模型

[目的]研究提高基于局部区域信息的活动轮廓模型对轮廓初始化和强噪声的鲁棒性.[方法]以区域可变灰度拟合模型为基础提出了一个新的结合图像全局信息的局部灰度拟合模型.新模型的能量泛函包括3项:基于图像全局和局部信息的数据项、融合边缘指示函数的光滑项以及水平集函数的正则化项.通过变分法和梯度下降流方法得到水平集函数的演化方程.数值实现采用有限差分法.[结果]所提模型不仅能够有效地分割灰度不均图像、深度图像等多类图像,而且对轮廓初始化和强噪声具有更强的鲁棒性.[结论]实验结果表明该方法是有效的.     

基于改进CV模型的目标多色彩图像分割

针对Chan-Vese(CV)模型无法完整分割目标包含多色彩及色彩具有突变性图像的问题,通过K-means聚类对图像演化曲线内部像素进行处理,得出聚类中心点,用聚类中心点值与均值滤波后图像的灰度信息构造CV模型内部拟合值,从而提高模型对复杂目标图像分割的适应性.此外,用矩形脉冲函数代替CV模型能量泛函中的正则化脉冲函数,可将水平集演化方程的计算限定在零水平集附近,从而避免图像背景干扰物对分割结果的影响.实验结果表明:改进模型可准确、快速地分割目标包含多色彩及色彩具有突变性的图像.     

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.     

基于模糊C均值聚类能量最小化的超声图像分割

 提出了基于模糊C均值能量最小化的活动轮廓模型.该模型首先对待分割图像进行模糊C均值聚类得到前景和背景的模糊隶属度值,然后将待分割目标的局部像素信息和它的隶属度值作为活动轮廓模型的水平集函数的初始值,改进了传统的求解Euler-Lagrange方程使活动轮廓的能量极小化的模型,利用快速算法直接计算模糊C均值能量最小化驱动传统活动轮廓模型的曲线演化.将提出算法与经典的活动轮廓模型分割算法比较,对仿真和临床的超声图像分割实验结果表明：提出算法能很好地分割像素不均匀、边界模糊、含有斑点噪声的超声图像,具有较好的分割性能和较快的分割速度.     

基于改进活动轮廓模型的超声图像分割

活动轮廓模型被广泛应用于医学图像分割之中，文中提出了一种改进的快速活动轮廓分割法。原算法在优化过程中容易缩成一点，其初始轮廓必须给定在图像边缘附近，改进的快速活动轮廓算法给出了不同于原算法的内部能量函数，并增加一自适应的约束力，扩大了算法捕捉图像特征的范围。实验结果表明：该算法快，能在更大的范围内捕捉图像特征，是一种有效的分割超声图像的算法。     

An energy conduction model for cell image segmentation

Cell image segmentation is an essential step in cytopathological analysis.Although their execution speed is fast,the results of cell image segmentation by conventional pixel-based,edge-based and continuity-based methods are often coarse.Fine structures in a cell image can be obtained with a method that quickly adjusts the threshold levels.However,the processing time of such a method is usually long and the final results may be sensitive to intensity differences and other factors.In this article,a new energy model is proposed that synthesizes a differential equation from the conventional and level set methods,and utilizes the nonuniformity property of cell images (e.g.cytoplasms are more uneven than the background).The feasibility and robustness of the proposed model was demonstrated by processing relatively complicated background images of both simulated and real cell images.     

基于正交多项式密度函数的CT图像分割方法

通过构建面向CT图像数据的非参数正交多项式密度模型, 解决了带有先验性质的参数化方法不能对复杂医学图像做出合适地描述, 从而导致实际物理模型与假设模型间存在较大差异的问题, 即模型不匹配的问题. 在形成的多峰函数基础上采用改进的粒子群优化算法, 依据启发式优化搜索策略实现多峰优化, 先寻找多个局部最优解, 再以局部最优解为聚类中心实现图像分割. 通过模拟数据和真实CT图像数据的仿真, 证明了基于正交多项式密度函数图像分割算法的有效性.     

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.     

基于改进CV模型的金相图像分割

对金相图像进行快速精确分割是金相晶粒评级的关键步骤,利用传统Chan-Vese(CV)模型很难将晶粒精确地提取出来.为了更加精确地对金相图像进行分割,提出一种基于改进CV模型的金相图像分割方法.初始化水平集函数,对曲线内外两部分分别计算其倒数坎贝拉距离,并将该距离的大小作为拟合中心的权重系数,有效抑制了噪声点对区域拟合中心准确性的影响;引入指数熵自适应调节曲线内外能量权重,减少固定能量权重对曲线演化的影响;同时加入距离规范项以避免水平集函数的重新初始化,加速该模型的收敛.实验结果表明,与传统CV模型、测地线活动轮廓模型、距离规范项的水平集模型以及偏置场修正水平集模型相比,所提方法分割出的金相图像更加精确,分割效率较高且模型收敛性较好.     

基于主动轮廓模型的合成孔径雷达图像分割方法

针对合成孔径雷达(synthetic aperture radar,SAR)图像中的乘性相干斑噪声影响分割效果的问题,提出了一种基于主动轮廓模型的分割方法。该方法将改进的细节保持各向异性扩散(IDPAD)滤波和SBGFRLS模型相融合,构造了一个边迭代演化边抑噪的改进的演化微分方程。在每一次迭代演化中,先借助改进的演化微分方程演化水平集函数,然后利用高斯滤波器正则化水平集函数,最后通过检查水平集函数的收敛性判定分割是否完成。实验结果表明,与经典的分割方法相比,本文方法在保护边缘的同时减少了乘性相干斑噪声对SAR图像分割的影响,减少了误检轮廓,且对初始轮廓不敏感。     

一种基于边缘和区域信息的变分水平集图像分割方法

分析了两种已有变分水平集图像分割模型,并由它们提出了一种新的基于图像边缘梯度信息和区域全局信息的变分水平集方法.该方法既克服了所述两种模型的缺点,又继承了各自的优点.同时,采用隐式迭代数值解法,在保证模型稳定性的基础上,加快了收敛速度.实验表明所提方法对于不同类型的图像均能够达到快速、稳定、准确、鲁棒的分割效果.