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。     

融入形状先验的马尔科夫图像分割

在马尔科夫(MRF)图像分割框架中融合形状先验约束,把图像分割问题作为最大后验(MAP)估计的一个马尔科夫随机场,在本质上,相当于最小化吉布斯能量函数.然后通过通量最大约束将形状先验信息合并到吉布斯能量函数,最后用图割技术最小化使吉布斯能量函数达到最优解,促使分割轮廓接近给定的形状模板.实验结果表明,算法效率得到了提高,分割效果得到了很大的改善.     

集成非线性统计形状先验的M-S图像分割模型

为克服噪声污染、血管遮挡、光照不均匀、对比度小、个体间差异大等视网膜和视神经细微组织结构医学图像分割中固有的困难,提出了一种集成非线性形状先验的医学图像分割新方法.该方法首先采用非线性的核函数将目标先验形状窄带水平集映射到其核空间,然后在核空间进行主成分分析(PCA),以获取目标形状窄带水平集核空间的基底向量,并据此将目标形状先验知识集成到Mumford-Shah向量值图像分割模型,实现医学图像的分割.不同青光眼病人的视乳头图像分割实验结果表明,该方法能够有效地分割噪声大、对比度小且部分被血管遮挡的各阶段的青光眼病人视乳头图像.     

基于纹理结构相似性和边缘信息的水平集纹理图像分割

通过提取纹理特征对纹理图像进行分割是一类重要的纹理分割方法.传统的纹理特征提取通常根据像素邻域的灰度统计来获取,因为纹理具有方向性和尺度差异性,所以用传统方法提取纹理特征分割纹理图像是不准确、不稳定的.文章提出使用结构相似度(structural similarity index,SSIM)分析加噪图像和原始图像的相似...     

一种基于犹豫中智集和水平集的图像分割方法

皮肤镜图像分析技术的第一步为图像分割,分割的结果会直接影响到后续的处理过程,针对具有背景噪声、模糊边缘和灰度不均的皮肤镜图像,提出了一种新的结合水平集的犹豫中智集图像分割方法;首先利用犹豫中智集理论将图像转换为犹豫中智集图像,其中犹豫中智图像由三类子集组成(T、I、F),利用犹豫中智集图像突出表达图像的目标信息和边缘信息;然后针对传统 DRLSE 水平集的不足进行改进,构造新的边缘停止函数,并增加灰度驱动能量项,最后通过改进的DRLSE 水平集对 ISIC(2018)皮肤镜图像进行分割测试;实验结果的交并比(Jaccard Index)值均大于 95%,且均方误差(MSE)、峰值信噪比(PSNR)和结构性相似指数(SSIM)均表现良好,表明方法能够准确、有效的分割具有模糊边缘和灰度不均的皮肤镜图像,对后续的皮肤镜图像的处理与诊断奠定了基础。     

基于ITK的水平集医学图像分割算法

根据基于水平集图像分割的原理,采用ITK中提供的医学图像分割算法,实现了对医学图像的有效分割。     

无需重新初始化水平集的多相水平集图像分割方法

笔者提出了一种无需重新初始化水平集函数的多相变分水平集图像分割方法.根据Vese -Chan提出的多相模型的区域竞争思想,结合图像区域全局信息的能量函数作为模型的外部能量项,引入内部变形能量约束水平集函数来逼近符号距离函数,避免了重新初始化水平集函数的过程,提高了计算速度和分割效果.实验结果表明,笔者提出的模型有效地克服了传统模型需重新初始化和构造符号距离函数计算量大的缺点,而且具有全局最优分割能力和较强的抗噪性能.     

基于水平集分割方法的医学图像三维重建

为了提高医学图像处理对疾病辅助诊断和治疗的效果,提出一种新的基于先验形状的水平集方法,对多张脊柱CT切片进行分割,并将其分割结果进行三维重建。首先使用核主成分分析算法对训练样本进行降维,并用水平集来表达主成分作为先验形状;然后对水平集形状样本均值进行形态学处理,从而获得分割的初始轮廓;最后将初始轮廓引入RSF模型来构造新的总能量泛函,并依此对形态学预处理之后的每一张CT图像进行分割,进而根据分割结果进行三维重建。实验结果表明,新方法对多张CT切片的分割比传统分割方法具有更优的分割效果和更高的分割效率,能够精准地进行椎骨重建,指导脊椎的矫正手术。     

基于深度学习和水平集的彩色图像分割方法

图像分割作为图像的分析与理解的基础环节,受到了诸多学者的广泛关注。本文结合了基于全卷积神经网络的语义分割技术与基于水平集方法的图像分割技术,使用DeepLab V2与 Distance Regularized Level Set Evolution(DRLSE)模型对一般的彩色图像进行分割。此外,本文还在 DRLSE 模型中加入了一个新的形状能量项,提高了零水平集的演化速度。数值实验结果验证了本文方法的有效性。     

C-V方法及其在体表损伤图像分割中的应用

法医体表损伤种类的多样性及损伤图像灰度图多峰值、边界模糊等特点决定了精确判定损伤部位的边界十分困难。C-V方法是一种变分水平集分割方法,它结合区域信息使得分割结果全局最优,同时采用水平集函数的表达方式,可以非常自然地处理轮廓线拓扑结构的变化。本文改进了C-V方法中符号距离函数的快速生成算法,并把它用于体表损伤图像分割,实验证明,C-V方法在体表损伤图像的分割中取得了较理想的效果,它可以较清晰地把损伤部位的边缘分割出来。特别是对边缘比较复杂的图像,C-V方法相比传统的分割方法,优势更加明显。     

基于图像分割和融合的图像去雾算法研究

为了解决传统的暗通道先验去雾方法产生的细节丢失和亮度偏低等问题,本研究提出了一种基于图像分割和融合的去雾算法。首先对输入图像使用亮度反转的MSRCR预处理来进行色彩保真;其次用阈值分割法提取图像的特征信息并获得掩膜,根据特征信息设计自适应的Gamma校正方法,提升对比度和亮度,并使用暗通道先验方法保持去雾后的细节;最后将处理后的图像进行掩膜融合。在真实世界的数据集上仿真结果表明,本研究所提算法在去雾后能保留更多的细节且提高亮度。与几种经典的算法相比,本研究所提算法在去雾后的图像有较好的色彩保真度,保留了更多的细节,去雾效果好且亮度更自然。     

彩色目标识别中的单通道目标分割方法

本文提出了一种用于彩色目标识别的使用综合色距函数进行彩色图像色彩分割的方法。通过引入反映目标色彩向量与参照物的特征色彩向量之判别的综合色距函数，可将彩色图像处理中的常规多通道处理过程简化在单通道内进行，实验结果表明不但大大降低运算量，而且还可省去多通道处理所必需的综合判别过程，使识别速度大大提高。     

基于贪婪Snake模型与多尺度分析的图像分割

为了准确分离目标区域,提出了一种基于贪婪Snake与多尺度图像增强相结合的新的轮廓分离模型.首先对输入的图像给定一个初始轮廓,然后应用多尺度分析进行图像增强,之后在不同的尺度中运用贪婪Snake模型进行轮廓的分离,最终分离出理想的目标轮廓.实验证明该方法提高了分割的精度.     

基于分形集的多层子块匹配图像压缩算法

提出一种基于分形集和迭代函数系统的多层子块匹配图像压缩算法．通过高层次的子块匹配结果限定低层次子块的搜索范围,多层子块匹配能减少搜索复杂度,实验结果表明该算法能够在保证图像质量的情况下取得较好的压缩效果．     

基于小波变换和动态聚类的图象分割方法

本文讨论了一种结合小波变换和非监督动态聚类的图象分割算法。在图象分割过程中,首先用小波变换提取图象中的边缘信息,再利用所得的边缘信息和原图象的灰度信息进行聚类。实验证明了这种方法是行之有效的。     

基于形状轮廓的多源遥感图像数据库检索探索

为了对海量的多源遥感数据进行有效的管理,对多源遥感数据库快速准确地进行查询检索便成为急待解决的问题.为此采用了矩特征表示形状轮廓特征,对多源遥感图像数据库检索进行了初步的探索.经过大量实验表明:使用矩特征表示形状轮廓特征进行多源遥感数据库检索,当待检索图像具有明显形状轮廓特征时,检索结果比较理想.     

基于区域分割和均方误差改进的图像修复算法

基于样本块的Criminisi图像修复算法在搜索匹配块时,使用全局搜索并用均方误差（sumofsquareddifferences）来衡量样本块差异。该方法存在搜索范围过大,效率较低,仅考虑颜色的差异,容易导致修复结果边界错位等不足,本文提出了一种基于区域分割和均方误差改进的图像修复算法。为了提高样本块匹配速度,先采用区域分割法分割整个图像区域,使待修复样本块只在对应区域内搜索。在比较样本块差异时,本文算法对颜色差异、纹理差异、曲线特征差异进行了加权综合,从而保证了修复后图像在颜色和纹理上均与已知区域保持一致,解决了Criminisi算法效率低且容易出错等问题。实验结果表明本文算法修复结果在执行效率、视觉效果上要比Criminisi算法好。     

基于小波与神经网络的图像分割

图像分割是图像处理的一个经典难题,分割方法也有很多种,但没有一种是万能的方法,都很难在分割效率和分割精度上达到平衡.随着小波分析理论和人工神经丹络在图像处理中的广泛应用,基于小波与人工神经网络相结合的图像分割方法可以更快、更好的分割图像.     

基于双流混合变换CNN特征的图像分类与识别

具有表达能力及可辨别性更强的特征是图像分类与识别技术的关键。深度CNN特征经过多次中间非线性变换,特征鲁棒性更强,在图像分类与识别领域已取得重大进展。但传统的CNN模型只增加变换层次,下层变换依赖于上层输出结果,因此其中间特征冗余度较低,最终得到的特征向量信息丰富程度不够。本文提出一种基于双流混合变换的CNN模型——DTM-CNN。该模型首先使用不同大小的感受野卷积核提取图像不同的中间特征,然后在多次深度变换时,对中间特征进行混合流动,经过多次混合变换,最终得到1024维的特征向量,并使用Softmax回归函数对其分类。实验结果表明,该模型经过多次卷积、池化及激活变换,提取的特征更加抽象、语义及结构信息更加丰富,对图像具有更强的表达能力及辨别性,因此图像分类及识别性能优越。