一种具有边缘保持的MRMRF模型图像分割方法

针对常规四叉树结构的多尺度马尔可夫随机场(MRMRF)模型非重叠区域在最优化过程中所造成的块效应以及建模和推理过程均会导致低分辨率图像边缘细节模糊、缺失的现象,本文提出了一种具有边缘保持的MRMRF模型图像分割方法(EPMRMRF)。首先,所提模型利用邻接区域之间的交互重叠约束,将局部区域的优化传递到相邻区域;其次,采用具有边缘保持作用的Cauchy分布提取图像的多尺度边缘先验知识,在不同尺度上实现图像局部区域特征和多尺度边缘特征的融合。最后,本文提出一种分层区域置信度传播算法(HRBP)对提出的EPMRMRF分割模型进行迭代优化,基于最大后验准则(MAP),求解MRF最大后验全局分布。实验结果表明,提出的模型不仅有效保持了图像分割结果的边缘,获得了更好的分割结果,而且具有较快的分割速度,PRI相似性评价指标平均提升至0.8909,GCE差异性评价指标平均降低至0.1923。     

一种具有边缘保持的MRMRF模型图像分割方法

针对常规四叉树结构的多尺度马尔可夫随机场(MRMRF)模型非重叠区域在最优化过程中所造成的块效应以及建模和推理过程均会导致低分辨率图像边缘细节模糊、缺失的现象,本文提出了一种具有边缘保持的MRMRF模型图像分割方法(EPMRMRF)。首先,所提模型利用邻接区域之间的交互重叠约束,将局部区域的优化传递到相邻区域;其次,采用具有边缘保持作用的Cauchy分布提取图像的多尺度边缘先验知识,在不同尺度上实现图像局部区域特征和多尺度边缘特征的融合。最后,本文提出一种分层区域置信度传播算法(HRBP)对提出的EPMRMRF分割模型进行迭代优化,基于最大后验准则(MAP),求解MRF最大后验全局分布。实验结果表明,提出的模型不仅有效保持了图像分割结果的边缘,获得了更好的分割结果,而且具有较快的分割速度,PRI相似性评价指标平均提升至0.8909,GCE差异性评价指标平均降低至0.1923。     

一种具有边缘保持的多尺度马尔可夫随机场模型图像分割方法

针对图像分割中常规四叉树结构的多尺度马尔可夫随机场模型非重叠区域在最优化过程中所造成的块效应,以及建模和推理过程导致低分辨率图像边缘细节模糊、缺失的现象,提出了一种具有边缘保持的多尺度马尔可夫随机场(Edge Preserving Multi-Resolution Markov Random Field, EPMRMRF)模型。该模型首先利用邻接区域之间的交互重叠约束,将局部区域的优化传递到相邻区域;其次采用具有边缘保持作用的Cauchy分布提取图像的多尺度边缘先验知识,在不同尺度上实现图像局部区域特征和多尺度边缘特征的融合。之后,为了对EPMRMRF模型进行迭代优化,提出一种分层区域置信度传播算法(Hierarchical Regional Belief Propagation Algorithm,HRBP),基于最大后验准则,求解马尔可夫随机场最大后验全局分布。实验结果表明,EPMRMRF模型和HRBP分割算法不仅有效保持了图像分割结果的边缘,获得了更好的分割结果,而且具有较快的分割速度,概率兰德指数相似性评价指标平均提升至0.890 9,全局一致性误差差异性评价指标平均降低至0.192 3。     

融合边缘特征的马尔可夫随机场模型及分割算法

针对区域马尔可夫随机场(MRF)模型的图像分割中常产生边缘模糊的问题,提出了一种融合边缘特征的区域MRF模型(IEFRMRF)及其分割算法。IEFRMRF模型基于MRF理论,首先通过边缘模板提取图像的边缘特征,建立局部区域的边缘先验约束;其次利用图像局部区域像素的空间约束关系描述图像的局部高斯统计特征,并通过期望最大化算法估计高斯特征参数;然后根据贝叶斯原理建立了具有边缘保持作用的区域MRF模型;最终采用区域置信度传播(BP)算法对IEFRMRF模型进行全局优化,把局部统计特征传递到图像的全局,并按照MAP准则估计图像分割标号。人工加噪声图像分割的实验结果表明,IEFRMRF模型的分割结果和传统高斯MRF模型、局部区域高斯MRF模型的分割结果相比,分割准确率分别提高了47.9%和21.4%,并且分割结果的边缘更清晰,自然图像的分割实验也验证了提出模型的有效性。     

自适应先验马尔可夫随机场模型的图像分割算法

针对全局同态先验马尔可夫随机场(Markov random field,MRF)模型在图像分割中不能有效利用图像局部统计特征的问题,提出了一种基于局部自适应先验MRF模型的图像分割算法.该算法基于贝叶斯理论,利用局部先验Potts模型描述图像的局部特征,建立了一种局部自适应先验MRF模型;提出了基于区域的置信度传播(Belief Propagation,BP)算法,把图像的局部区域特征传递到全局,最终基于最大后验准则(MAP)得到图像的分割结果.实验结果表明:所提模型对于图像中的噪声或者纹理特征等具有较好的分割,分割结果明显优于全局同态先验MRF模型;提出的自适应先验MRF模型对于图像的噪声或者纹理突变信号的干扰具有较强的鲁棒性;算法具有较少的迭代次数和较好的分割结果,且分割时间较短.     

多分辨超声心动图像分割模型

提出了一种新的基于水平集的多分辨空间超声心动图像分割模型，该模型在粗尺度上实现预分割，然后通过解传递方法将结果传递到细尺度上进行优化分割．在粗尺度上采用基于区域的高斯噪声模型分析图像，并和测地线模型相结合实现预分割，预分割结果表明了组合模型能自动和精确地提取边界．提出了基于数学形态学算子的尺度间快速解传递方法，该方法不需要进行插值运算，避免了常规方法效率低的问题．在细尺度上提出了一种局部活动轮廓优化模型，定义了新的基于局部亮度的目标函数．优化后的平均相似性从0．9862提高到0．9985．对左心室图像的分割实验证明了多分辨模型和常规方法相比具有更好的精确性和鲁棒性．     

一种紫色土图像的分割与提取方法

【目的】研究紫色土的图像分割与提取，为将来实现机器视觉识别紫色土打下基础。【方法】利用在RGB颜色空间的像素值分布特点，计算多变量条件概率，通过建立优化模型提取颜色特征值的边界，结合分段函数构建分割测度；然后，使用构建的分割测度建立基于密度峰值思想的优化模型，按照两次迭代差异最小化原则，优化局部分割阈值，从多个局部分割阈值中利用类内方差最小化模型获得优化的分割阈值，实现紫色土的图像分割；最后，以像素四邻域连通标记递归算法标记包含空洞的紫色土区域图像的连通区域以消除分割结果中的背景离散区域。同理，标记背景连通区域以填充紫色土区域图像空洞实现图像中紫色土区域的提取。【结果】计算综合评价指标F1、调整的兰德系数ARI和归一化互信息NMI来评价分割提取的结果。试验表明，提出的方法平均分割准确率达96.01%,97.16%和82.02%；与对比方法比较，提出的算法可以更加准确完整地分割与提取紫色土区域图像，最终实现紫色土图像土壤区域的完整分割。【结论】提出的算法是有效的。     

基于深度残差网络的医学超声图像多尺度边缘检测算法

为提高医学超声图像在临床诊断的效果, 需先对图像进行优化检测和识别, 提出一种基于深度残差网络的医学超声图像多尺度边缘检测算法. 首先, 通过对原始医学超声图像进行自动标注, 构建医学超声图像灰度分布矩阵, 利用分布矩阵完成医学超声图像的多尺度分割; 其次, 构建医学超声图像多尺度边缘的轮廓模型, 提取多尺度图像边缘特征; 再次, 构建深度残差网络结构, 采用深度残差学习算法进行超声图像的底层图像信息融合; 最后, 对融合后的边缘图像数据进行多尺度边缘检测. 实验结果表明, 该算法的图像分割精度高, 特征提取准确率达80%以上, 图像边界中间断区检测效果较好, 边缘点查全性较高, 算法检测耗时短、收敛性强.     

多相图像分割的多尺度变分水平集方法研究

由于传统的Chan-Vese模型无法分割多个同质区域的目标,多相水平集方法会产生区域重叠问题。提出了多相图像分割的多尺度变分水平集方法,使图像各相互相独立,避免分割区域的重叠和漏分。同时,利用小波变换将图像分解成多尺度的逼近子图像,在子图像上进行图像分割,采用插值法将粗尺度上演化曲线投影到细尺度上作为初始轮廓线,逐层分割直到原始尺度图像,有效抑制噪声并提高了计算速度。实验结果表明,该方法比传统的方法能更快速有效地分割图像。     

用于图像分割的局部区域能量最小化算法

针对点对马尔可夫随机场(Pairwise MRF)模型中像素成对交互的结构不能充分描述图像丰富的局部统计特征问题,在研究Pairwise MRF模型基础上,提出了一种基于局部区域能量最小化的图像分割算法.该算法先利用图像局部区域信息构造局部区域能量模型,建立了一种局部交互的区域马尔可夫随机场分割模型,然后采用无环置信传播(LBP)算法对MRF全局能量进行优化.优化过程中,对局部区域能量进行收敛并按照MAP准则估计局部区域标号,通过LBP算法把局部区域信息传递到邻域区域中去.实验结果表明,所提出的新算法较标准LBP算法具有更好的分割结果,并有效地抑制了图像噪声信号和纹理信号对分割结果的干扰和影响.     

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MARMA模型的SAR图像SVM分割

在分析SAR图像特征的基础上,提出一种新的基于多尺度自回归滑动平均(multiscale autoregressive moving average,MARMA)模型的SAR图像分割方法.首先建立多尺度序列,然后通过研究SAR纹理图像的MARMA模型,建立适合SAR图像的多尺度特征矢量,最后采用提出的广义加权支持向量机进行特征分类.实验结果表明,采用此分割方法可以获得很好的分割结果.     

一种基于局部和全局拟合的混合多相水平集分割模型及算法

提出了一种混合多相分割主动轮廓模型,用于精确地分割灰度图像。针对图像去噪和细小边缘的模糊问题,提出多尺度信息增强和各向异性张量扩散结合的方法,并利用快速预分割获得初始轮廓线。在全局项中,用多种局部特征变量重构拉普拉斯能量拟合函数处理大的目标边缘;为了更好地分割拓扑结构复杂的区域,提出了一种分割深度可控的区域分割能量,并构造了计算局部自适应最佳分割阈值的深度系数。在局部项中,采用局部高斯分布拟合处理灰度不均匀区域。模型使用指数函数作为停止速度函数,并加入鲁棒性的曲线演化停止条件,提高了分割效率。新模型适用于分割灰度图中医学核磁共振图像和背景单一的自然图像,通过与最新的多相水平集模型和深度学习模型对照,结果显示新模型能更好地处理目标的拓扑结构,对边界的定位精确,分割精度更高。     

多尺度非参数化水平集的超声心动图分割

针对超声心动图噪声很大、提取目标区域边界不够平滑完整的问题,将非参数技术与水平集相结合,提出了多尺度非参数化的水平集图像分割方法。利用非局域均值滤波建立尺度空间,保护图像特征,在粗尺度预分割,然后在细尺度优化分割。采用Parzen窗技术对超声心动图的亮度分布进行统计建模,不需要先验假设,引入到水平集框架中,设计了非参数化水平集分割模型。分割实验证明:预分割结果和真实边界的平均绝对距离为2.162,优化后为0.710。该方法可以精确地自动提取感兴趣区域,在图像分割鲁棒性和精确性方面优于常规分割方法。     

基于结构相似性的多传感器图像融合

采用SCDPT变换对图像进行多尺度、多方向分解,得到图像不同尺度、不同方向的频带系数.然后对低频子带系数采取基于结构相似性(SSIM)、区域能量和区域平均梯度的融合规则,对方向子带系数采取基于SSIM和区域方差的融合规则.最后通过SCDPT逆变换得到融合图像.采用信息熵、平均梯度、互信息、边缘强度、均值等作为客观评价指标,实验结果表明,相对于小波变换、拉普拉斯金字塔变换、梯度金字塔变换,所提出的算法能够充分提取图像特征,具有更灵活的方向性和平移不变性,并且能够准确捕获图像轮廓特征信息和纹理细节信息.融合结果优于大部分基于其他多尺度变换的图像融合算法.     

基于模糊TS-MRF模型的无监督声纳图像分割

为解决声纳图像本身特征信息较弱,而树结构化的马尔可夫随机场(TS-MRF)算法在分割中过分依赖祖先节点,且在标号分割中仅考虑区域内部一致性而忽视区域边缘的各向异性的问题,提出了一种模糊树结构化的马尔可夫随机场(TS-MRF)模型的声纳图像分割算法.在TS-MRF势函数中引入广义模糊算子,以模糊隶属度作为像素相似度度量,将邻域信息融入到分裂节点参数的确定中,使得先验概率的刻画更加精细.已知图像观测特征前提下定义分裂增益系数来反映分裂前、后标号后验概率的比值,并将对增益系数的判断作为确定二叉树节点分裂的依据,降低求解后验概率最大的计算复杂度.结合区域分裂合并方法完成对声纳图像无监督分割.实验结果从视觉效果和客观评价表明:本分割方法相比于传统MRF和TS-MRF等分割算法,具有较高的分割精度和高鲁棒性.     

基于图像多尺度分解的前景提取

为了弥补纹理对传统GrabCut提取结果的负面影响,本文分析了图像边缘和颜色分布的尺度特性,结合图像多尺度分解和GrabCut,提出了基于图像多尺度分解的前景提取模型.首先,该模型运用全变分对图像进行多尺度分解得到一系列平滑图像,该分解保护了图像边缘并平滑了纹理,压缩了图像区域颜色的分布范围;其次,将给定平滑图像前景颜色分布表示为高斯混合模型,并运用直方图形状分析方法优化了高斯混合模型的高斯函数个数,弥补了传统固定高斯函数个数的负面影响;最后,根据不同平滑图像的分割结果设计了迭代终止条件,使得从适当的分解尺度中提取前景.与传统前景提取算法相比较,该模型降低了纹理对前景提取的负面影响,其测评分数高于传统算法.     

一种高分辨率多光谱图像的多尺度分割方法

综合扩展的分水岭变换和分水线动态范围,提出了适用于高分辨率多光谱图像的多尺度分割方法。该方法首先计算多光谱图像的梯度,接着去除梯度图像上不相关的局部最小区域,然后计算分水岭的动态范围,通过设置不同的阈值,得到多层次(多尺度)分割结果。采用城市地区的高分辨率数据来评价所提出的方法,并与现有的图像分割方法进行比较。实验结果表明,该方法可生成多层次的分割结果,并较准确地分割出地物特征。分割结果反映了地物的多层次信息,为后续的面向对象分析提供了有意义的参考。     

融合随机森林的C-V模型肝脏超声图像分割

医学图像分割是临床诊断的关键环节,分割结果将直接关系到后续对病灶的识别。C-V模型(Chan-Vese)大量应用于各种医学图像分割过程。围绕肝脏超声图像,针对传统C-V模型依赖初始轮廓及运算复杂耗时的特点,融合随机森林方法,提出一种基于边缘引导能量函数和局部约束特征的分割方法,利用随机森林节点生长和分类速度快的优势,在粗分割的基础上形成无需初始化的C-V模型,而后借助分类特征得到精准的肝脏区域及病灶分割结果。实验证明,经过优化的改进方法是可行有效的,对于图像中的组织和病灶区域能有效分割和提取     

基于多尺度分析的归一化割图像分割算法

不同尺度的图像拥有不同的特性,针对单一尺度图像进行分割容易出现过分割或欠分割的问题,本文提出一种基于多尺度分析的归一化割的图像分割方法,首先利用方向能量模型得到不同尺度子图像的边缘方向能量,然后根据干涉轮廓的思想建立各个子图像像素之间的相似度,形成多个不同尺度的权值矩阵,并归一化为一个权值矩阵,最后运用归一化割算法对图像进行分割。实验表明,本文方法在融合了多个尺度图像不同特性的同时,能很好地处理含有纹理区域和弱边缘的图像,在一定程度上避免了过分割或欠分割的问题。