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。     

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。     

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.     

基于轮廓检测的自然图像分割

提出一种基于轮廓检测的自然图像分割方法,该方法结合了MDL(最小描述长度)统计技术和用变分水平集函数求解活动轮廓模型的图像分割方法.该方法可有效的分割出图像中最突出的感兴趣目标,实验表明本方法与当前技术相比分割效果更好.     

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.     

逐层迭代的多尺度水平集红外图像分割算法

针对应用传统水平集方法进行红外图像分割易产生误分割且运算量大,提出了一种多尺度水平集分割算法,该算法利用小波变换将图像分解成多尺度子图像,在子图像上进行图像分割,采用插值法将粗尺度上曲线演化结果投影到细尺度上作为初始轮廓线,逐层分割,并根据图像噪声的大小,确定演化模型中的正则项参数,使噪声得到有效抑制,获得准确的分割结果.仿真实验表明,该方法不仅分割效果好,而且具有抗噪性强和运算速度快的特点.     

边缘强化的无需重新初始化的水平集分割模型

对Chan-Vese模型和Li等提出的不需初始化的基于变分的几何活动轮廓模型在水平集框架下的物理机制进行了分析,在考虑两种模型优缺点的基础上,提出一种新的基于水平集框架的图像分割模型.该模型整合了图像边缘的局部信息和区域的全局信息,数值计算过程中水平集不需要重新初始化.为了防止边缘信息深入到分割目标的内部,新模型利用Laplacian修正算子加大边缘信息在方程中的权重.实验表明,与CV模型相比,所提出的新模型分割效果和分割时间与初始轮廓线的位置和形状选取基本无关;在处理噪声图像、灰度值渐进多目标图像和边缘复杂图像等效果也优于CV模型和Li模型.     

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。     

基于数据场和水平集演化的图像分割

为了充分挖掘图像内不同区域间的隐含关联性,并解决图像分割中自适应阈值选择问题,提出了一种基于数据场和水平集的图像分割方法。利用数据场能够有效地表示图像像素间的相互作用,根据势值能够得到对应的势值等势线,可以根据该等势线的分布情况,采用梯度下降法来得到图像的二值化分割结果。为了得到更为精确的分割边缘,还引入基于拉普拉斯边缘检测函数的水平集演化方法来对二值化结果进行边缘曲线演化。将二值化分割结果与传统的基于数据场的图像分割算法对比结果显示,所提出的算法在分割准确性上表现良好,并且能够使得图像边缘更加精确。实验结果表明,提出的方法能够较好地分割目标,且对噪声图像具有较强的鲁棒性。     

一个用于图像分割的p-Laplace方程模型

作者研究了一个用于图像分割的新模型.通过结合几个尺度函数,一个偏微分方程模型被用于提取物体的边界.活动轮廓线的运动受一个p-Laplace方程驱动.作者给出的水平集模型能够处理一些复杂情况下的拓扑变化,并且能够提取一些深度凹陷的物体边界,相关的演化过程平滑且无需初始化.该方法耗费较小,几个数值算例显示了该方法的有效性.     

一种基于边缘和区域信息的变分水平集图像分割方法

分析了两种已有变分水平集图像分割模型,并由它们提出了一种新的基于图像边缘梯度信息和区域全局信息的变分水平集方法.该方法既克服了所述两种模型的缺点,又继承了各自的优点.同时,采用隐式迭代数值解法,在保证模型稳定性的基础上,加快了收敛速度.实验表明所提方法对于不同类型的图像均能够达到快速、稳定、准确、鲁棒的分割效果.     

An energy conduction model for cell image segmentation

Cell image segmentation is an essential step in cytopathological analysis.Although their execution speed is fast,the results of cell image segmentation by conventional pixel-based,edge-based and continuity-based methods are often coarse.Fine structures in a cell image can be obtained with a method that quickly adjusts the threshold levels.However,the processing time of such a method is usually long and the final results may be sensitive to intensity differences and other factors.In this article,a new energy model is proposed that synthesizes a differential equation from the conventional and level set methods,and utilizes the nonuniformity property of cell images (e.g.cytoplasms are more uneven than the background).The feasibility and robustness of the proposed model was demonstrated by processing relatively complicated background images of both simulated and real cell images.     

基于几何形变模型的医学图像分割研究

基于形变模型的图像分割方法通常可以分为参数型(Parametric Deformable Models)和几何型(Geometric Deformable Models)两类。提出了一种基于几何形变理论的LBF模型。针对水平集level set模型不能处理灰度不均一图像的分割问题,采用了LBF模型,并且该模型引入了一个以高斯函数为核函数的局部二值拟合能量,以获取图像的局部信息。通过理论分析与计算机仿真算例和其他算法的性能进行对比,表明改进算法LBF提高了图像分割的稳定性和精确性,具有较高的实用价值和广泛的应用背景。     

基于Level Set方法的Visible Human Being虚拟人图像处理

提出了将基于区域的VectorConfidenceConnected的低级分割方法和基于边界的LevelSet高级分割方法相组合的分割方法,使得边界的平滑性得到了保持;既有效地结合了医学专家的医学背景知识,又提高了分割处理的速度,很好的处理了医学图像中常见的拓扑结构,实验结果表明该方法切实可行。     

基于改进GAC模型的二值水平集前列腺超声图像自动分割算法

提出了一种基于改进测地线主动轮廓(geodesic active contour,GAC)的自动分割算法.首先通过结合径向浅浮槽和区域填充算法得到滤波后图像的大致轮廓,然后通过构造基于区域信息的符号压力函数代替边界停止函数,并且加入了基于边界梯度信息的能量项,有效地克服了弱边界的问题.该模型用二值水平集方法实现,使算法的稳定性更高,计算量大大降低.对前列腺直肠超声图像的实验结果表明:本算法迭代收敛速度快,有效避免了边界泄露问题.     

A fast SVM training algorithm based on the set segmentation and k-means clustering

At present, studies on training algorithms for support vector machines (SVM) are important issues in the field of machine learning. It is a challenging task to improve the efficiency of the algorithm without reducing the generalization performance of SVM. To face this challenge, a new SVM training algorithm based on the set segmentation and k-means clustering is presented in this paper. The new idea is to divide all the original training data into many subsets, followed by clustering each subset using k-means clustering and finally train SVM using the new data set obtained from clustering centroids. Considering that the decomposition algorithm such as SVMlight is one of the major methods for solving support vector machines, the SVMlight is used in our experiments. Simulations on different types of problems show that the proposed method can solve efficiently not only large linear classification problems but also large nonlinear ones.     

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.