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.     

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。     

基于局部灰度聚类的高斯分布拟合模型

针对高斯分布拟合模型对初始轮廓敏感的问题,提出一个基于局部灰度聚类的高斯分布拟合模型.新模型根据图像局部像素灰度聚类特点,采用灰度偏移场和一个分片常量函数共同拟合图像的局部灰度均值,实现了图像全局信息和局部信息的有机结合,使轮廓可以从任意初始位置向目标边缘演化,最后收敛在边缘上.新模型采用一种快速有效的数值方法实现,水平集函数在整个演化过程中不必重新初始化,活动轮廓演化速度得到显著提高.实验结果表明,本文算法能够在不同的轮廓初始化情况下获得准确的分割结果.     

融入全局信息的局部拟合的活动轮廓模型

提出一种结合局部和全局灰度信息的图像分割模型.该模型通过引入新的控制参数,降低了局部拟合项在局部二值拟合的活动轮廓模型(LBF模型)中的主导作用,同时增加了全局信息在模型中的辅助作用,从而改进了局部二元拟合项.实验结果表明,改进的模型不仅能分割灰度不均的图像,而且提高了轮廓初始化的灵活性.针对一些合成和真实的图像,改进的模型减轻了对轮廓初始化位置、大小及噪声的敏感性,同时加快了曲线的演化速度,减少了CPU时间.     

边缘强化的无需重新初始化的水平集分割模型

对Chan-Vese模型和Li等提出的不需初始化的基于变分的几何活动轮廓模型在水平集框架下的物理机制进行了分析,在考虑两种模型优缺点的基础上,提出一种新的基于水平集框架的图像分割模型.该模型整合了图像边缘的局部信息和区域的全局信息,数值计算过程中水平集不需要重新初始化.为了防止边缘信息深入到分割目标的内部,新模型利用Laplacian修正算子加大边缘信息在方程中的权重.实验表明,与CV模型相比,所提出的新模型分割效果和分割时间与初始轮廓线的位置和形状选取基本无关;在处理噪声图像、灰度值渐进多目标图像和边缘复杂图像等效果也优于CV模型和Li模型.     

一种改进的C-V主动轮廓模型

针对C-V(Chan-Vese)模型不能较好分割灰度不均匀图像的缺点,对C-V模型能量方程进行改进。将图像的局部灰度拟合信息融入到面积项中,使分割兼顾了图像的全局和局部信息,同时加入惩罚能量项来约束水平集函数逼近符号距离函数,避免模型重新初始化。对灰度不均匀图像分割的实验结果表明,该模型优于C-V模型。     

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.     

无需初始轮廓的局部图像拟合模型

【目的】基于图像局部信息的区域活动轮廓模型可以较好地分割灰度不均图像，但存在对初始轮廓的位置及大小比较敏感的缺点，而且不同初始轮廓可能会产生不同的甚至是错误的分割结果。因此，需研究避免初始轮廓的选取对图像分割结果影响的方法。【方法】受局部图像拟合模型和灰度重加权局部二值拟合模型的启发，提出一个无需初始轮廓的局部图像拟合模型。首先，利用局部图像信息构造局部图像拟合函数，并在拟合函数中加入灰度权重；其次，通过极小化拟合图像与原图像之间的差值来构造图像的局部能量泛函；最后，运用变分法和最速下降法推导出所提模型的水平集函数演化方程。上述步骤采用有限差分方法进行数值实现。【结果】所提模型允许水平集函数常值初始化，即是无需初始轮廓，这有效避免了初始轮廓对分割结果的影响。此外，还可以保持分割的亚像素精度，能够有效分割多目标、背景复杂以及含伪影、孔洞等多类图像。【结论】实验结果表明，无需初始轮廓的分割模型完全避免了轮廓初始化带来的诸多问题，而且实现简单，分割快速。     

结合区域间差异性的水平集演化模型

水平集方法在图像分割中得到了广泛的应用.其中基于边缘的活动轮廓模型主要通过梯度信息驱动曲线演化到目标边界,但基于梯度信息使得在分割时会产生过分割,并且对于灰度不均匀图像处理效果不理想,有可能得到不令人满意的结果.而基于区域的活动轮廓模型则是通过区域信息控制曲线移动,使得分割的结果立足于整体图像信息.基于上述原因,本文通过在水平集中提出了一种新的区域分量,在能量泛函中加入目标区域灰度和背景区域灰度的差的平方,提出了一种改进的图像分割算法.研究结果表明,与一般的活动轮廓模型相比,加入区域间差异性信息的活动轮廓模型的分割结果更加符合实际情况并且收敛速度更快,效率更高,得到的分割结果更令人满意.     

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.     

聚类分析和活动轮廓模型相融合的图像分割算法

针对当前图像分割算法存在的分割误差大、 分割时间长及无法进行在线图像分割的不足, 提出一种基于聚类分析和活动轮廓模型相融合的图像分割算法. 首先, 对原始图像进行去噪处理, 采用聚类分析算法对原始图像进行粗分割, 将粗分割结果作为活动轮廓模型的初始轮廓线; 其次, 将活动轮廓模型根据初始轮廓线对图像不同区域轮廓进行拟合, 实现图像的精细分割； 最后与聚类分析算法、 活动轮廓模型以及当前经典图像分割算法进行对比测试实验. 实验结果表明, 本文算法克服了当前图像分割算法存在的缺陷, 提高了图像分割效率和精度, 对噪声不敏感, 并具有较强的鲁棒性, 图像整体分割效果显著优于对比算法.     

一种基于主动轮廓模型的图像分割新方法

针对迭代收敛时主动轮廓模型在图像深凹处难以完全收敛且在较高的图像分辨率下收敛速度缓慢的缺陷,提出了一种基于主动轮廓模型的图像分割新方法.本方法结合了多分辨率与梯度向量流概念,首先在原始图像的低分辨率图像上进行轮廓提取,并将提取到的轮廓作为初始轮廓再在高分辨率图像上进行轮廓提取,最终得到原始图像的轮廓.实验结果表明,本方法在图像深凹处收敛效果良好,且极大提升了收敛速度.     

基于梯度向量流的活动轮廓模型

针对当前活动轮廓模型对噪声敏感, 难实现弱边界图像的准确分割问题, 提出一种基于梯度向量流的活动轮廓模型. 首先采用Contourlet变换对图像进行去噪处理, 解决了噪声对图像分割的干扰; 然后在活动轮廓模型中引入一个指示函数, 用于描述向量场与轮廓曲线间的关系, 通过轮廓曲线演化过程实现图像分割; 最后用实验对本文模型的图像分割性能进行验证. 实验结果表明, 该方法可以快速、 准确地实现多种类型的图像分割, 分割精度和抗噪能力优于其他活动轮廓模型.     

聚类分析和活动轮廓模型相融合的图像分割算法

针对当前图像分割算法存在的分割误差大、 分割时间长及无法进行在线图像分割的不足, 提出一种基于聚类分析和活动轮廓模型相融合的图像分割算法. 首先, 对原始图像进行去噪处理, 采用聚类分析算法对原始图像进行粗分割, 将粗分割结果作为活动轮廓模型的初始轮廓线; 其次, 将活动轮廓模型根据初始轮廓线对图像不同区域轮廓进行拟合, 实现图像的精细分割; 最后与聚类分析算法、 活动轮廓模型以及当前经典图像分割算法进行对比测试实验. 实验结果表明, 本文算法克服了当前图像分割算法存在的缺陷, 提高了图像分割效率和精度, 对噪声不敏感, 并具有较强的鲁棒性, 图像整体分割效果显著优于对比算法.     

基于熵结合的活动轮廓分割模型

针对传统活动轮廓对图像分割鲁棒性较差的问题, 将基于区域的轮廓模型和基于梯度的轮廓模型通过图像熵与图像梯度和进行结合。通过图像熵与图像梯度和建立基于梯度与基于区域结合的活动轮廓模型。将水平集函数嵌入到模型中, 对模型结果进行连续分割, 并进行拓扑变化。采用窄带方法进行快速演化。实验证明, 该方法有较好的鲁棒性和较快的分割速度, 对图像分割理论的发展提供了新的研究途径。     

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。     

基于选择性注意机制的无边界主动轮廓图像分割算法

针对现有的主动轮廓算法多为人为给定初始轮廓线的问题,提出一种基于选择性注意机制的无边界主动轮廓图像分割算法。该算法首先利用数学形态学算子对图像进行平滑预处理,然后将选择性注意机制引入到基于区域的无边界主动轮廓模型中,对单目标和多目标图像分别采用基于显著图的方法以及基于选择注意与小波变换相结合的方法进行掩膜初始化,最后应用水平集方法进行图像分割。结果表明,该算法不仅可以减少迭代次数,当图像中存在多个目标时还可以得到更精确的分割结果,有效地提高了主动轮廓算法的效率。     

一种全局隶属度和小波能量相结合的活动轮廓模型

计算机化X射线体层照相(computeried tomography, CT),图像中的磨玻璃型肺结节,由于其具有模糊的轮廓,且肺结节区域与其邻域的亮度值相差很小等特性,一般的图像分割算法很难对其进行精准地分割。针对该问题,提出一种全局隶属度和小波能量相结合的活动轮廓模型。首先,利用全局隶属度函数调整初始活动轮廓曲线,使之与目标边界的距离更接近,且形状更相似;同时,基于全局隶属度的边界停止函数能快速收敛于目标边界,使得预测曲线更加贴合待分割目标;其次,基于小波能量的局部活动轮廓模型数据项增强了目标与背景之间的对比度,进而能更精准地分割在低对比度和亮度非均匀场景中的目标轮廓。将该模型应用于全实质及部分实质磨玻璃型肺结节的CT图像中,实验证明了本文算法的优越性。     

基于边缘保护扩散的梯度矢量流测地线活动轮廓模型

针对梯度矢量流测地线活动轮廓(gradientvectorflowgeodesicactivecontour,GVFGAC)模型对弱图像边缘敏感,轮廓演化难以进入目标细长的凹部,容易陷入局部极小值的问题,提出了一个基于边缘保护扩散的梯度矢量流测地线活动轮廓模型.在新模型中,采用各向异性扩散方式构建一个新的梯度矢量流场,使活动轮廓能够有效地克服弱边缘的干扰,收敛到期望的边缘位置.实验结果表明,与GVFGAC模型相比,新模型能够获得较好的分割结果,综合性能优于GVFGAC模型.