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.     

基于帧间相关性的乳腺MRI三维分割

针对乳腺磁共振图像序列的肿瘤分割问题,提出一种基于超像素和改进C-V模型的三维全自动分割方法.该方法利用磁共振图像序列的帧间相关性,约束相邻帧图像的分割轮廓.采用超像素算法提取肿瘤的大致轮廓,再用改进的C-V水平集算法对可疑区域边缘进行优化,使其更接近肿瘤的实际边缘.将该方法及3种对比方法应用于89例乳腺MRI序列图像.以手动分割的轮廓为基准,该方法得到的平均重叠率为87.84%,,相比于C-V模型的58.90%,、超像素和水平集结合的76.36%,、K均值+C-V的83.62%,,有明显提升.实验结果表明,该方法的全自动分割结果对于肿瘤起始和终止帧图像具有较高的分割精度.     

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.     

基于Zernike矩和水平集的超声图像分割

为了提高超声图像的分割精确率,提出了一种基于Zernike矩和水平集的超声图像分割方法.首先,利用9个具有不同阶数和重复度的Zernike矩提取超声图像的纹理特征,保留矩的幅值和相位,获得18个特征图,同时在每一特征图目标区域内外采样,利用采样值计算出特征图的权值.然后,将特征图与高斯算子进行卷积,计算其边缘检测函数,将所有特征图的边缘检测函数与对应的特征图权值相乘,所得结果之和即为该超声图像的边缘检测函数.最后,利用基于变分函数的水平集方法对超声图像进行分割.基于前列腺超声图像的实验结果显示,相比基于梯度的水平集方法和基于Zernike矩幅值的水平集方法,所提方法具有更高的分割精度,dice相似系数达到95%以上.     

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.     

基于图像分割的钢板表面缺陷识别

钢板的表面缺陷是影响钢板质量的主要因素,通过改进轧制工艺可以减少缺陷发生外,及时检测出钢板的表面缺陷也非常重要.对于钢板表面缺陷的检测,需要获取图像,然后对图像进行初步处理,重要的步骤就是对缺陷进行分割.基于图像灰度信息的不同,本文采用了两种图像分割模型(C-V模型和H-T-B模型),当图像的灰度信息均匀时,采用C-V模型对图像进行分割;当图像的灰度信息不均匀时,则采用H-T-B模型对图像进行分割.通过两种模型的组合应用可以对钢板的各类表面缺陷进行识别,获取缺陷区域,有利于提高钢板生产质量.     

适应复杂背景的C-V模型

当图像中只有目标和背景两类分片光滑区域时,C-V模型可以取得很好的分割效果,然而需要从复杂背景中提取目标边缘时,该模型往往无法得到正确的结果.针对这一问题,在C-V模型和均值平移技术的基础上提出了适应复杂背景的C-V模型.该模型能够根据图像特征空间分段地确定轮廓曲线的内部区域和外部区域.实验结果表明,所提出的适应复杂背景的C-V模型对复杂背景有更强的适应能力,能够从复杂背景中成功地提取到连续光滑的目标边缘.     

基于深度学习的三维乳腺超声影像自适应分割

针对传统乳腺超声影像分割算法存在准确率低、精度低且耗时长等问题,提出基于深度学习的三维乳腺超声影像自适应分割算法。首先预处理图像,采用深度多示例学习方法检测病变图像块,删除正常图像块。然后对乳腺超声影像数据集扩增处理,用于神经网络训练。其次构建残差卷积神经网络模型,设计残差学习单元,结合扩增数据集形成特征映射,采用softmax函数训练网络并进行特征块判断,并结合阈值设置实现三维乳腺超声影像自适应分割。实验结果表明,该算法能更细致地完成图像分割,算法平均运行耗时为52.3 s,图像分割精度为95.5%,且F1分数值高,整体性能佳,为卷积神经网络分割应用提供参考。     

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.     

基于羽毛球的水平集分割方法应用

该文主要论述了利用双水平集C-V模型对羽毛球图像进行了分割,并且与单水平集C-V模型进行了比较,提出了图像中感兴趣的部分,实质就是采用多个水平集函数将图像划分多种类区域的分割模型。仿真结果表明了该分割方法的可行性。     

融合C-V和GVF的测地线活动轮廓模型

对于有凹陷边界或弱边界的待分割目标,采用传统的测地线活动轮廓(GAC)模型无法进行准确的图像分割.为了解决这一问题,提出了一种融合C-V模型、GVF模型和GAC模型的图像分割算法.在该算法中,GAC模型的单位内法向量与GVF模型的梯度矢量流共同作用,促使轮廓曲线向目标的边界方向运动;而GAC模型单位内法向量与C-V模型的区域信息的力场共同作用,不仅促使轮廓曲线向目标的边界方向运动,而且使轮廓曲线稳定在目标的边界上.仿真实验证明了上述方法的有效性,同时还证明了该方法对轮廓曲线的初始位置具有较好的适应性.     

弱边缘医学超声图像目标区域的自动定位与分割

医学超声图像分割是图像处理中的一项关键技术.以胆结石超声图像为例,介绍一种新的弱边缘超声图像分割算法.首先采用基于直方图凹度分析的阈值分割方法确定Snake模型的初始蛇,再基于Snake模型结合贪婪算法对图像进行目标分割.实验结果表明该算法对弱边缘现象较为严重的医学超声图像进行目标分割时,定位准确,且分割效果良好.     

融合双边滤波算子的多相水平集图像分割算法

由于乳腺肿瘤超声图像的边界模糊,且灰度异质现象较严重,准确分割出肿瘤区域是一项具有挑战性的工作.针对传统的Chan-Vese模型和局部二值拟合模型(local binary fitting)的分割缺陷,在乳腺肿瘤超声图像的全局和局部能量信息的基础上,结合双边滤波算子,提出一种全局和局部二值拟合模型的多相水平集分割算法.首先,将双边滤波算子作为乳腺肿瘤超声图像的核函数;然后,根据变分法求解表征超声图像结构信息的能量泛函,得到对应的梯度矢量方程;随后,引入多相水平集函数实现病灶区域的多区域细化分割;最后,对乳腺超声图像数据集的分割实验.结果 发现:经过与医生手动标记的肿瘤区域进行对比,分割准确度为94.51％.可见,该模型的准确度较高、误判率较低、鲁棒性较强.     

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.     

基于曲线波的超声图像分割

为了提高前列腺超声图像分割的准确率,提出一种基于曲线波的半监督超声图像自动分割方法.首先,采用对微小波动敏感度高的Riemann-Liouville (RL)分数阶微分算子,突出模糊边界并增强超声图像的纹理;其次,运用曲线波变换对超声图像进行频域中的分解,获得不同子带分量以表达超声图像特征;然后,基于Adaboost的分类算法识别出超声图像中的病灶区和非病灶区;最后,采用中值滤波和腐蚀的方法使病灶区域边缘完整、平滑.实验表明,与运用共生矩阵及二进小波作纹理分析的分割结果比较,所提出的方法在准确率上有了很大的改进,分割超声图像效果更佳.     

心脏超声虚拟内窥镜图像预处理技术

虚拟内窥镜是近年来兴起的一项崭新医学影像技术,将虚拟现实与科学计算可视化技术相结合,模拟传统的内窥检查过程而生成具有仿真效果的可视化图像.研发的三维心脏超声虚拟内窥镜系统(3DEIESS)可重建三维虚拟环境,使观察者"进入"被检查患者的心脏内部进行检查观察.采用基于同质掩模区域的滤波算法对超声图像斑点噪声进行抑制,应用brFCM算法对降噪后的超声图像进行初始分割,并使用多尺度分析与纹理对比度相结合的分割技术完成最终的图像分割.实验结果表明,在消除斑点噪声的同时,实现对超声图像边缘细节的有效保持,有助于提高三维心脏超声虚拟内窥镜显示效果.     

基于全卷积神经网络迁移学习的乳腺肿块图像分割

针对乳腺X线摄片中肿块通常会被周围致密组织所掩盖,对比度低,且其形状不规则,肿块图像分割困难的问题,设计了一种基于全卷积神经网络迁移学习的乳腺肿块图像分割方法.该方法首先对乳腺肿块图像进行数据增强,然后利用迁移学习,对设计的全卷积神经网络模型载入参数并训练分割模型,最后在训练好的模型上对待分割图像进行处理.分割结果采用区域面积重叠率、Dice相似系数、Hausdorff距离等指标进行评价分析,在公开数据集的483幅图像上的实验结果表明:提出的方法的分割效果明显优于传统分割算法.     

一种基于DTSVM的遥感图像分割方法

文章针对城市遥感图像的目标分布特点,提出一种基于改进DTSVM的遥感图像分割方法.实验引人样本的聚类特性改善DTSVM模型分类精度,对城市遥感图像中的区域进行语义标注并提取特征,通过训练改进分类模型得到分割结果.实验结果表明,该方法能比较准确地分割出关注语义的目标区域,并有效避免了遥感图像的过分割问题.