叶菜根系图像的变分水平集分割算法

植物根系图像分割是根系构型特征提取和分析的前提.针对传统图像分割方法在处理叶菜根系弱边缘图像中存在分割精度和稳定性较差的问题,提出了一种基于改进C-V(Chan-Vese)模型的变分水平集分割算法.该算法不仅保留了C-V模型对于处理弱边缘图像的适用性,并针对叶菜根系图像局部灰度不均的特点引入了图像梯度信息,改进了原C-V模型.通过对小白菜根系样本图像的分割处理试验,证明了变分水平集分割算法的有效性.研究结果表明,相比传统的阈值处理、边缘检测及区域生长等算法,本文算法能更加精细地解决叶菜根系图像弱边缘和局部灰度不均的问题,并在分割精度和算法稳定性上具有明显的优势.变分水平集算法应用于叶菜根系构型观测系统中,可以有效地提高观测精度.     

基于C-V模型的运动目标水平集提取方法

针对视频图像中的运动目标检测问题,提出了一种基于C-V模型的运动目标水平集提取新方法：使用改进的帧间差分法对运动区域进行初始检测,通过相邻视频帧的相减,选用自适应阈值判断出当前视频帧中的运动目标像素;经形态学处理后通过定义最小化能量函数构建运动目标轮廓提取的水平集C-V模型,实现运动目标轮廓的提取。实验结果表明,本文所提方法的边缘准确率和检出率更高,能够更有效地提取运动目标。     

基于视觉显著性和活动轮廓的图像分割

提出一种视觉显著性和传统的C-V模型相结合的图像分割方法,该方法首先提取图像的显著图,然后使用改进的自适应阈值法将显著图进行二值分割并提取边缘,并以此边缘作为C-V模型演化的初始轮廓.这样对于具有复杂背景的图像C-V模型可以从靠近目标物体的位置开始演化,从而得到较为准确的边缘,同时,也可以减少C-V模型的迭代次数.     

基于M-S模型的三种图像分割算法的比较

M-S模型的水平集图像分割方法依赖于图像同质区域的全局信息,因而分割过程时间效率较低。为了提高计算效率,该方法在图像处理领域得到很多改进。本文在简化的M-S模型即C-V模型的基础上,讨论了现有3种改进分割演化算法,即:去掉C-V模型中的正则项;用||??取代狄拉克函数,使得方法具有更好的全局优化性;加入梯度局部项,使之适合处理弱边缘和边缘断裂的图像。最后,通过3个实例进一步验证了各算法的优劣性以及适用性范围。     

基于相位的C-V模型乳腺超声图像分割方法

为了提高乳腺超声图像分割的准确率,提出了一种基于相位特征的C-V模型超声图像分割方法.首先,采用LOG-Gabor滤波器对超声图像进行6个不同方向的滤波,提取最大能量所对应的相位信息,得到超声图像的相位特征.然后,采用SRAD方法对超声图像降噪,并将降噪后的图像与相位特征点乘,增强图像目标与背景的对比度.最后,运用C-V模型的分割算法识别图像中的目标区域,并采用腐蚀方法使目标区域边缘完整、平滑.实验结果表明,与基于灰度的C-V模型、GAC模型以及基于相位特征的人工神经网络方法相比,利用该方法分割乳腺超声图像,分割的精确度明显提高,达到92.40%.     

基于C-V方法改进的红外图像自动分割

基于简化的Mumford-Shah水平集图像分割模型,Chan-Vese提出了不依赖于图像边缘的水平集图像分割算法(C-V方法).但是该方法分割参数难以确定,对于具有非均匀灰度背景的红外目标图像常常分割失败.针对这一问题给出了改进的拟合能量模型,新模型兼顾到了目标的同质性信息与其所占面积比例的关系.基于该模型的水平集图像分割方法自适应于灰度起伏的背景,可以较为理想地分割出与背景灰度差异不太明显的目标,对小目标也具有很强的适应性.实验结果表明,在固定水平集分割参数的情况下,新方法对于不同类型、不同背景的红外图像具有了良好的适应性.     

乳腺MRI图像肿瘤轮廓的提取

提出一种改进的混合水平集方法提取乳腺肿瘤图像.首先利用最大类间方差法与区域生长法将乳腺初始轮廓从乳腺MRI图像中提取出来,然后将此乳腺初始轮廓曲线作为水平集的初始轮廓曲线进行演化,进而找到肿瘤的边界.应用本方法对福建肿瘤医院提供的临床数据进行了实验验证分析.实验结果表明,该方法对于复杂的乳腺MRI序列图的肿瘤分割具有较好的效果.     

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.     

利用分区处理和水平集算法分割序列三维乳腺MRI

对比增强的磁共振成像技术是检测乳腺肿瘤的新方法,但需处理大量随时间变化的三维影像序列。为了从这种四维影像中分割出乳房组织,该文提出了自动分区域分割方法。先分割乳房与空气,并统计乳房部分的灰度;再分割乳房与胸腔,将前面统计出的乳房灰度作为先验知识设定初始轮廓和特征图像,采用基于阈值区间的三维水平集算法,并将前一时间点的结果作为后一时间点分割的初始轮廓,从而实现自动的四维分割。临床数据实验表明,该方法可有效地分割四维乳腺磁共振影像,且自动化程度和分割准确度均较高。     

利用分区处理和水平集算法分割序列三维乳腺MRI

对比增强的磁共振成像技术是检测乳腺肿瘤的新方法,但需处理大量随时间变化的三维影像序列。为了从这种四维影像中分割出乳房组织,该文提出了自动分区域分割方法。先分割乳房与空气,并统计乳房部分的灰度;再分割乳房与胸腔,将前面统计出的乳房灰度作为先验知识设定初始轮廓和特征图像,采用基于阈值区间的三维水平集算法,并将前一时间点的结果作为后一时间点分割的初始轮廓,从而实现自动的四维分割。临床数据实验表明,该方法可有效地分割四维乳腺磁共振影像,且自动化程度和分割准确度均较高。     

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.     

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.     

基于超像素运动统计的误匹配去除方法

特征匹配是实现图像配准的重要手段,然而特征匹配中往往存在大量的误匹配,对于存在非刚性形变和大位移运动的图像序列尤为严重;如何从初始匹配结果中找到准确可靠的匹配点集,是提升图像配准性能的关键.为解决上述问题,首先根据图像的空间和色彩相似性,利用改进的超像素分割算法对图像进行分割;分割后的超像素块在空间上紧密相连,严格遵循图像轮廓边缘,且在同一区域内的颜色纹理基本趋于一致,可保证内部特征点具有相同或一致的运动趋势;同时,采用ORB算子对图像进行特征提取与描述,并利用暴力匹配算法得到初始匹配点集.其次,在超像素运动一致性约束下,提出了一种基于超像素运动统计模型的误匹配去除算法.通过建立超像素网格统计模型,将初始匹配坐标分配至相应的超像素区域,利用累加器计算出每个超像素对的匹配度,将初始匹配的概率分布特性转换为统计特性.最后,根据超像素匹配度的差异,计算出正确匹配的掩膜图像,实现了误匹配点的自动识别和剔除.仿真实验结果表明,与当前的误匹配去除算法相比,本文算法不依赖于复杂的参数模型,具有较高的鲁棒性,运算速度较快,可有效去除非刚性形变图像配准过程中产生的误匹配.     

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.     

改进的几何活动轮廓演化及其在目标跟踪中的应用

为提高几何活动轮廓分割算法的分割效率和准确性,设计了新的边缘检测与跟踪算法.首先采用矢量图像计算图像的梯度值,并设计能够自适应调整阈值的边缘指示函数,进而提出改进的变分水平集演化模型;然后设计基于该改进模型的边缘检测算法,并在无迹卡尔曼滤波器框架下设计了运动目标的跟踪算法.实验结果表明,文中算法不但显著地提高了轮廓演化模型的灵活性和收敛速度,而且对阴影、遮挡、目标形变和背景干扰等具有较好的鲁棒性.     

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.     

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。     

一种层次化的乳腺肿瘤分割方法

超声图像是乳腺癌辅助诊断常用的工具之一.肿瘤分割是乳腺超声图像分析的基础.乳腺超声图像中的灰度不同质性、纹理及形状的多变性等复杂特点使得肿瘤的精确分割较为困难.提出了一种层次化的分割框架.首先将局部灰度聚类假设引入活动轮廓模型作为底层分割模型,对图像进行初始分割;然后提出基于超像素和支持向量机(Support Vector Machine,SVM)的高层分割模型,对初始结果再进行高层分割.在高层分割过程中,首先使用简单线性迭代聚类(Simple Linear Interactive Cluster,SLIC)提取超像素,然后提取超像素的灰度、纹理和局部特征,最后使用SVM进行分类.高层分割模型是基于底层模型的分割结果学习获取的,能够检测到底层模型可能分割错误的区域,与底层模型具有较好的互补性.因此,提出的层次化分割框架具有较好的鲁棒性.在自建乳腺超声数据库上的实验结果证明了提出方法的有效性和鲁棒性.     

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.     

基于超像素融合算法的显著区域检测

针对目前流行的显著性检测算法不能精确反映显著性信息的问题,提出一种基于超像素融合方法的显著性检测算法. 首先对图像进行超像素分割,在保证高质量的图像目标边缘信息前提下,建立以超像素为节点的图模型;然后计算超像素邻接矩阵,将该图模型转化为最小生成树模型. 通过OTSU算法自适应地确定最佳阈值,根据该阈值将最小生成树模型的部分节点进行融合,获得大超像素分割区域;最后利用大超像素的颜色和相互距离信息,获得高质量的显著性图. 实验结果表明,相对于其他检测方法,该算法可以更有效地检测出图像中的显著目标,并能达到接近分割的效果.