基于PS-level set嘴唇几何形状定位模型

针对面向唇读的level set模型在嘴唇分割中存在边界过收敛和过早收敛的问题,本文提出一种改进的基于先验知识的水平集模型（Prior Shape -level set,简称PS-level set）来进行嘴唇几何形状的定位。PS-level set模型利用改进的差值能量函数引入嘴唇形状的先验信息。在曲线演化过程中,反复比较曲线和先验曲线的差距,使曲线的演化形状逐渐逼近先验模型形状,更精确地收敛于目标物体实际轮廓。实验证明用PS-level set模型定位嘴唇几何形状的准确率比level set模型提高了8.38%。     

基于测地主动轮廓和水平集的目标检测方法

针对传统Snake模型在进行目标检测和分割时不能处理拓扑变化以及不能反映出演化曲线的内在几何特性,提出了一种新的目标检测方法——基于水平集的测地主动轮廓模型。该方法采用改进的测地主动轮廓模型,并结合水平集方法,即用水平集函数表示测地主动轮廓模型的曲线演化方程,来模拟初始曲线沿能量下降最快的方向演化的过程。对这种新模型进行研究,将其应用于一些灰度图像的目标检测和分割实验中,实验结果表明,所提出的新方法具有良好的检测效果,对多目标进行了有效分割,并且它能清晰地反映出演化曲线的内在几何特性以及具有良好的拓扑处理能力,这些特性是传统Snake模型所不具有的。     

基于改进几何活动轮廓模型和Kalman滤波的目标跟踪方法

针对几何活动轮廓模型在跟踪时初始化的影响和收敛不准确的问题,将帧间差分和统计量假设后得到的目标外接矩形作为曲线初始值;引入一个强制项,提出一种改进的几何活动模型方法进行目标轮廓拟合,完成检测;结合目标物轮廓曲线和Kalman滤波器实现运动跟踪。试验结果表明:以车辆目标外接矩形作为初始化曲线,可简化初始化工作,加快车辆目标的轮廓曲线收敛速度;在收敛过程中引入了一个水平集函数的强制项,可使曲线准确演化到对象边缘的凹陷部分,增强曲线的收敛能力;在运动视频对象的准确轮廓基础上,可更准确地跟踪车辆目标。     

基于边缘信息和先验形状的水平集图像分割方法及其在病原菌识别中的应用

研究从多目标图像中自动提取单个目标的图像处理方法.从分析曲线的水平集表示入手,首先探讨了水平集动态轮廓分割和配准模型构建的统计思想和变分方法,然后针对多目标粘连图像的特点,提出了含边缘信息和先验形状的水平集图像分割模型,并将其应用于病原菌的识别.由于引入边缘信息改进对分割的约束,加强了目标边缘对分割轮廓的吸引,同时消除了一些由噪声、阴影和杂质造成的影响.实验表明,改进后的先验形状水平集图像分割方法能直接从多目标粘连图像中提取单个目标,进一步完善了依据显微镜图像识别病原菌的图像处理方法.     

基于深度学习和水平集的彩色图像分割方法（英文）

本文结合基于全卷积神经网络的语义分割与基于水平集的图像分割方法,使用DeepLab V2与Distance Regularized Level Set Evolution(DRLSE)模型对一般彩色图像进行分割.通过在DRLSE模型中加入一个新形状能量项,该方法提高了零水平集的演化速度.数值模拟结果验证了方法的有效性.     

基于支持度变换的水平集人脸轮廓提取方法

提出了一种新的人脸轮廓提取方法,该方法将水平集与支持度相结合.首先将人脸图像进行支持度变换得到支持度图像,在此基础上,用支持度图像计算几何活动轮廓模型的边缘指示函数,在演化过程中先选取参数较小的边缘指示函数,使得边缘指示函数对眉毛不敏感,演化曲线过眉毛后选取参数较大的边缘指示函数,使得演化正确收敛于人脸轮廓.实验结果表明该方法的人脸轮廓提取效果较好,收敛速度快.     

基于区域生长和水平集的肝脏提取分割算法

为了克服传统的以单幅图像作为信息来源的水平集模型分割复杂背景图像的局限性,结合区域生长法和水平集方法各自的特点,提出了一种新的由多幅图像信息构建的水平集分割算法模型。在运用水平集方法分割人体腹腔图像前,首先运用本文提出的一种有效的区域生长法在腹腔图像中得到肝脏的粗略分割结果作为先验形状图像。通过先验形状图像在Chan-Vese模型下控制水平集的演化,使活动轮廓的先验形状信息融合到水平集分割算法模型中,同时,利用Li模型在人体腹腔图像中进一步获取肝脏的边缘信息。这种融合多幅图像信息的复合水平集分割算法模型能够充分利用图像信息,有效地描述水平集方法中活动轮廓与目标区域肝脏的关系。通过实验验证,提出的算法模型能够很好地从人体腹腔图像中提取出肝脏区域。     

视觉注意特征的变分水平集图像分割模型

针对传统主动轮廓模型较低的鲁棒性能和对先验知识融合能力的不足,基于视觉注意机制的先验知识和曲线演化的理论框架,首先建立图像底层视觉显著性特征的数学模型,在此基础上提出新的曲线演化能量泛函模型,然后对该能量泛函采用变分水平集方法进行推导,得到曲线演化的偏微分方程,数值实验表明该模型相对于经典主动轮廓模型具有更强的抗噪性与分割效率.该模型的提出为进一步在主动轮廓模型中引入更高层次视觉显著性特征、得到更优越的分割模型打下了基础.     

水平集理论在磁共振脑图像分割中的模型研究

灰度不均匀性常出现在医学图像中,给图像分割问题带来很大困扰.为了提高鲁棒性,可在分割模型中引入各种先验知识,例如形状和灰度分布信息.而传统的引入先验知识的分割算法,如神经网络算法,仍存在许多问题,包括数据计算量大和边界不连续等.为了解决这些问题,提出了一种基于水平集理论的分割算法.利用局部区域的灰度信息定义能量函数,然后根据能量函数的最小化机制引导水平集曲线进化并最终收敛到目标边界.在仿真实验中,将局域化的水平集算法与传统的自组织映射神经网络算法进行比较.结果表明,所得到的算法在鲁棒去噪和目标边界的连续性方面效果更佳.     

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.     

基于水平集和视觉显著性的植物病害叶片图像分割

为了提高植物病害叶片图像分割的准确性和效率,提出了一种基于水平集和视觉显著性的彩色图像分割方法.首先采用基于小波变换的显著性检测算法得到活动轮廓模型中曲线演化的初始位置,并构造一个基于显著区域的图像活动轮廓模型,再设计一个向量值图像的边界检测算子,引入到距离正则化水平集演化的改造中,以构造一个初始化轮廓更灵活,演化速度更快,目标分割更精确的新的水平集能量泛函.最后的实验对比表明,该方法具有较好的叶片病害部位分割效果.     

过控制顶点的B样条曲线

提出了一种B样条曲线构造，得到了通过控制顶点的二次和三次B样条曲线，这种曲线可通过调整控制顶点进行形状修改并始终通过控制点，又不必作反求计算，修改曲线形状很快，同时又能保证精度．     

基于水平集运动目标检测与跟踪方法

针对目前常采用的运动分析检测方法存在的缺点,提出了基于水平集理论的测地线活动轮廓模型与背景差分相结合的运动目标检测方法.该方法使水平集函数免重新初始化,大大减少了曲线演化迭代的次数和运行时间,得到准确的运动目标轮廓.通过与粒子滤波和mean shift跟踪方法的比较,最终采用效率最高、最优的Kalman滤波预测物体的运动轨迹.实验结果表明,该方法对刚性和非刚性两类目标都具有较好的检测与跟踪效果.     

砂性土中土拱形态演变试验研究

目前对于土体中的土拱形态假设众多,土拱形态的演变研究不足。本文利用室内模型装置对土拱的形态和演变规律进行了试验研究,试验模型可以形成宏观的土拱,能够直接观测土拱的形成和演变过程。对试验过程中记录的土拱照片进行处理后,通过拟合和统计分析,得出土拱的合理形态曲线方程。试验表明：砂性土中土拱不是恒定不变的,而是处于不断变化的状态;土体中会先形成一组类似的土拱后,再转变为另一组类似的土拱;土拱的形态也不是单一的形态,砂性土中的土拱形态由下而上从抛物线转变为椭圆曲线。     

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。     

基于OpenCV的口唇检测研究

唇读技术在提高噪音环境中语音识别系统的识别率和帮助有听力障碍的人更好的理解语言方面起到了一定的辅助作用。由于说话过程中口型变化较大,直接提取口型区域较困难;而在发音过程中鼻子形状不会发生较大变化,且OpenCV自带的人脸检测器可以很好的检测出人脸。提出了一种利用嘴唇与人脸和鼻子的相对位置关系进行检测嘴唇区域的方法。实验证明,该方法可以比较快速,精确地提取出嘴唇区域,从而利于精确的进行口唇分割。     

2-D shape completion with shape priors

We propose new techniques for 2-D shape/contour completion, which is one of the important research topics related to shape analysis and computer vision, e.g. the detection of incomplete objects due to occlusion and noises. The purpose of shape completion is to find the optimal curve segments that fill the missing contour parts, so as to acquire the best estimation of the original complete object shapes. Unlike the previous work using local smoothness or minimum curvature priors, we solve the problem under a Bayesian formulation taking advantage of global shape prior knowledge. With the priors, our methods are expert in recovering significant shape structures and dealing with large occlusion cases. There are two different priors adopted in this paper: (i) A generic prior model that prefers minimal global shape transformation (including non-rigid deformation and affine transformation with respect to a reference object shape) of the recovered complete shape; and (ii) a class-specific shape prior model learned from training examples of an object category, which prefers the reconstructed shape to follow the learned shape variation models of the category. Efficient contour completion algorithms are suggested corresponding to the two types of priors. Our experimental results demonstrate the advantage of the proposed shape completion approaches compared to the existing techniques, especially for objects with complex structure under severe occlusion.     

基于曲线推进的符号距离函数生成方法

目的构造水平集方法中所采用的符号距离函数,以提高曲线演化算法的速度。方法通过对水平集曲线形状的分析,给出了曲线内外点的判断方法,然后以距离等于1为步长推进边界,同时进行邻域最近点扫描,寻找任一网格点在曲线上的最近点,从而给出该点到曲线的距离。结果内外点的判断以及符号距离函数的构造均只需要经过图像的一次扫描即可给出结果,计算复杂度为O(N)。结论数值实验分析结果表明,新的方法计算稳定,比其他方法速度快。