基于水平集方法的显微细胞图像分割

利用变分法推导了图像边缘检测Snake模型对应的Euler方程, 证明了水平集方法3种离散格式(向前差分、 向后差分、 中心差分)的不稳定性, 采用迎风差分格式构造水平集算法, 对显微细胞图像进行边缘检测, 实验结果表明, 该算法是稳定的和收敛的.     

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.     

一种基于Mumford-Shah模型的脑肿瘤水平集分割算法

提出了一种新的基于Mumford—Shah模型的脑肿瘤水平集分割方法．它能提供一客观的、可重复的脑肿瘤分割,且分割结果和专家人工分割结果很接近．它可以用来探测边界不一定由梯度来定义的对象,也能自动探测内部轮廓．通过对来自2个病人的共42个（含有或不含水肿）脑肿瘤MRI切片进行分割来评价该算法的效率,结果取得了令人满意的效果．用匹配的百分比（PM）和一致率（CR）来定量评价分割的质量,结果肿瘤分割的PM和CR分别为93．20%和0．92,水肿分割的PM和CR分别为97．33％和0．76,满足临床的需要．     

安全玻璃碎片图像的边缘检测方法比较

分析了安全玻璃的碎片状态试验后采集到的数字图像的灰度分布特点,并且应用几种不同的边缘检测方法来对该类图像进行边缘的检测,最后对实验结果进行了分析和比较．     

基于算子分裂的图像分割模型及其快速算法

针对带有纹理和噪声的图像,在Mumford-Shah模型的基础上,提出一种基于算子分裂的图像分割模型.数值求解采用AOS与Newton迭代相结合的方法,不仅解决了参数难以选择的问题,还扩大了时间步长的调节范围,提高了算法稳定性.实验结果表明,本文算法在分割过程中可以很好的处理拓扑结构,有效地避免了纹理(或噪声)对分割效果的影响,并且具有较高的计算效率.     

基于AOS格式的扩展Mumford-Shah模型图像分割算法

在Chan-Vese模型的基础上,给出一种基于AOS格式的扩展Mumford-Shah模型图像分割算法.扩展的Mumford-Shah模型将图像分解为几何和纹理两部分,实现图像分割的同时有效避免了纹理和噪声的影响.数值求解采用AOS格式,不仅扩大了时间步长的调节范围,还解决了参数难以选择的问题,提高了算法稳定性.实验结果表明,本文算法分割效果良好,运算效率有了较大提高.     

基于AOS格式的扩展Chan-Vese模型及多水平集图像分割方法

对Chan-Vese提出的基于Mumford-Shah模型的多水平集图像分割算法作了改进.首先,使用AOS算法改进了原模型的差分格式,使得差分格式无条件稳定.其次,在水平集的构造中应用了快速推进法的改进算法,减少了水平集初始化时计算的点数和重复次数.     

改进的多相位水平集图像分割模型

在多相位水平集图像分割模型基础上,改进了模型的缺点,并采用了无条件收敛的LOD算法,数值实验结果表明,该方法是有效的。     

基于C-V模型的水平集方法在脑CT图像分割中的应用

阐述了C-V模型和多相水平集算法的原理。在分析了其优缺点后,引入了多阈值单水平集算法。并针对其不足,将李纯明惩罚函数项引入到多阈值单水平集算法,提出了无需重初始化的多阈值单水平集算法。实际结果表明,算法在保证分割精度的基础上,能够有效提高算法效率。     

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.     

基于图像处理方法的岩石裂纹跟踪算法

岩石裂隙的识别在岩石工程应用领域中是很重要的．如何应用图像处理方法自动识别岩石图像中的各种裂隙是最重要的也是最困难的一项任务．因此提出的基于脊线检测算法是解决这个问题的一个强大的工具．这个算法在实验室和工程中都得到了检验,结果十分理想．     

图像边缘检测算法的比较与分析

图像边缘检测是图像处理和模式识别领域研究的重要课题.介绍了几种经典边缘检测算子,对其性能和算法特点进行了分析.运用Matlab进行了算法的仿真,结果表明LOG算子比Sobel和Prewitt两个算子检测出的图像边缘更为连续,也比较细小.     

B样条二进小波在齿轮轮廓图像处理中的应用

利用三阶B样条函数来构造样条小波,结合二维离散二进小波的多孔算法及其Matlab软件编程,实现模极大边缘检测.对基于样条小波的模极大边缘检测算法与传统的Canny算法进行理论和实现效果上的比较,发现模极大边缘检测算法的效果明显好于Canny算法,当平滑尺度j=3时效果更好,可获得清晰的齿轮轮廓图形,解决了传统边缘检测算法效果差、识别价值低的问题.     

基于Mumford-Shah模型的图像处理

讲述了偏微分方程的基础数学理论,诸如：梯度、散度、变分定理、欧拉-拉格朗日方程等知识;然后重点介绍了Mumford-Shah模型及Ambrosio-Tortorelli的近似求解,最后进行了数值试验并展开分析。     

用于图象处理的两种新边界检测算子

通过对线性和非线性拉普拉斯算子的分析，提出了一种新的边界检测算子－中值非线性拉普拉斯算子，该算子无方向性，既可保留边界，又可去除噪声，此外，还提出了另一种用图象灰度变换与边界提取相结合检测边界的方法，由此，产生了另一种非线性边界提取算子－灰度均衡化中值非线性拉普拉斯算子。最后对一幅加了盐－颗粒噪声的人物图象进行了计算机验证。     

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.