结合离散正余弦变换的快速梯度矢量流算法

为了提高求解梯度矢量流(GVF)的效率和准确度,在狄利克雷或诺依曼边界条件下提出了非精确拉格朗日离散正弦梯度矢量流(IALM-DST-GVF)和非精确拉格朗日离散余弦梯度矢量流(IALM-DCT-GVF)快速算法.两种算法在非精确增广拉格朗日优化算法基础上,结合了离散正弦和余弦变换.其算法时间复杂度均为O(CNlgN)(其中C为迭代次数,N为图像像素数量).在相同的环境下采用C++语言编码验证,结果表明:提出的算法比当前主流GVF算法效率更高,并且边界上的GVF域比IALM-GVF算法准确.     

梯度矢量流的最优停止时间计算新方法

梯度矢量流(GVF)外力场解决了原始Snake模型捕捉范围小和对初始化敏感的缺点,其核心就是把图像边缘处的梯度矢量向周围进行扩散,从梯度矢量场生成一个光滑的矢量场。但是在扩散过程中,过多的扩散就会把图像的边界给冲垮,不能很好的保持图像的边缘等信息。因此,如何确定一个合适的扩散次数就是一个非常重要的问题,这就是被称作最优停止时间的问题。基于对GVF能量泛函的分析,提出了一种确定GVF最优停止时间的方法。实验证明,新方法得到的最优停止时间是有效的,取得了较好的效果。     

基于小波分析与Snake模型的图像边缘检测方法

利用小波分析理论和GVF(梯度矢量流)Snake动态轮廓模型方法,提出了一种图像边缘检测的新方法-WVF(小波变换矢量流)Snake模型。计算机模拟表明,该方法克服了小波分析方法得到的边缘不连续的缺点,同时比GVFSnake模型具有更好的抗噪性。从而提高了动态轮廓模型方法检测复杂图像边缘线的能力。     

GVF场的多层细胞神经网络实现及其在图像分割中的应用

提出了利用多层细胞神经网络实现梯度矢量流GVF场的方法,并与扩展、细化的细胞神经网络(CNN)相结合来实现动态轮廓的图像分割．细胞神经网络具有并行运算的能力,可解决传统串行算法复杂性大,不能实时处理的问题,并克服了梯度场作为CNN的外力驱动方法的局部最小问题。在图像处理过程中,外部图像由GVF信息引导,最后收敛到所期望的目标位置。结果表明,该方法在不同的输入图像条件下均获得了比Vilarino提出的方法更好的分割结果,并具有实时处理速度。     

基于小波变换及GVF模型的SAR图像轮廓提取算法

给出一种基于小波变换及GVF模型的SAR图像轮廓提取算法.首先,对SAR图像进行预处理,分割出可能的目标片;其次,利用小波多尺度分析滤波和基于梯度矢量流的主动轮廓模型进行边缘点的连接,得到真实轮廓.实验结果表明该方法能较好地提取SAR图像的轮廓.     

基于矩阵分块化的GVF Snake模型

针对GVF Snake模型对高清图像计算速度较慢问题,通过对GVF力场的迭代计算过程、计算机Cache体系结构与原理的分析,提出了基于矩阵分块化的GVF力场的算法;确定了分块方式和最优分块大小。计算机仿真实验表明,这种方法能够大幅提高GVF外力场迭代运算速度。     

基于GVF Snake和边界跟踪的主动轮廓图像分割

梯度向量流蛇(GVF Snake)模型在处理图像分割问题上取得了较好的结果,但它对初始轮廓曲线的依赖程度较大且梯度向量场计算时间较长,故此提出一种基于GVF Snake模型和边界跟踪的轮廓提取图像分割算法。该算法利用边界跟踪算法进行粗糙的分割,获取边缘位置有效信息点,经采样后生成一条初始轮廓线。同时,基于拉格朗日法求解梯度向量场的方法,提出一个距离终止条件以提高计算速度。实验结果表明,与GVF Snake、手动GVF Snake和CV活动轮廓算法相比,该算法有效提高了图像分割的自动化程度和分割精度。     

Snakes外力场的改进及其左心室MRI的精确分割

参数活动轮廓模型（Snakes）分割图像时有两个明显的缺陷：要求初始轮廓线位于图像特征附近，且对深度凹陷区域的分割也不理想。基于梯度向量流（GVF）Snakes较好地解决了传统Snakes的两个本质缺陷。但是，由于GVF Snakes内力的性质和GVF的光滑性，使得对曲率大的边缘点不能精确定位。该文通过采用各向异性方程对图像扩散平滑和边缘增强，改善计算势能力场和梯度向量力场指向边缘的精确度。两种力场的有机组合作为Snakes的外力场。这种新的力场Snakes具有GVF Snakes和势能力场Snakes的优点，对左心室核磁共振图像（MRI）进行分割能得到精确的边缘轮廓。     

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.     

一种测地线活动轮廓模型的预处理方法

为解决测地线活动轮廓模型在图像分割中的平滑预处理以及图像梯度的计算,并提高水平集方法实现该模型时构造符号距离函数的速度,通过对Gaussian函数以及差分运算的讨论,提出了一种基于sobel算子图像预处理方法,并通过对8-邻域点性质的分析,给出了一种基于邻域扫描的符号距离函数计算方法.实验结果表明,Sobel算子可以同时实现图像的平滑处理并计算梯度,而且降低了差分计算梯度的时间复杂度,而邻域扫描方法相比其他符号距离函数的构造方法能够提高模型算法的执行效率.     

一种新的活动轮廓模型算法

传统的活动轮廓模型具有处理速度慢，运算量大，对凹陷轮廓处理效果差等缺点．本文把小波多分辨率技术应用于主动轮廓算法，结合梯度矢量流(gradient vector flow，GVF)概念，首先在低分辨率的图像上进行处理，得到结果后，再在高分辨率层次上继续处理，由此解决了初始轮廓必须离真实轮廓很近的问题，提高了运算速度；同时利用小波分解的方向性，降低了搜索的范围，进一步提高了轮廓收敛的速度；由于使用了GVF所产生的外力场，对于凹陷轮廓同样可以保证正确的收敛．同时比原始的GVF方法处理速度要快得多．     

基于K-means和GVF Snake模型的纤维图像分割

在纤维图像自动识别系统中,分割出完整连续的纤维是纤维特征分析的必要前提.针对纤维图像的背景和前景灰度区别不大、光照不均对图像的影响等特征,提出融合K-means和GVF(Gradient Vector Flow)Snake模型的纤维图像分割算法.该算法以提取完整连续的纤维轮廓为标准,利用K-means聚类分割结果为GVF Snake模型的初始轮廓线,并对得到的存在毛刺的轮廓结果采用轮廓跟踪去除毛刺,从而得到完整连续的单根纤维图像.该算法不仅能有效解决传统图像分割方法对纤维图像分割的不连续问题,而且能有效抑制纤维图像中噪声的影响.     

基于高斯矢量场的多尺度水平集图像分割算法

针对主动轮廓模型的弱边界和运算复杂度高等缺点,提出一种有效的解决算法,该算法引入高斯矢量场(GVF),扩大边界力的作用范围,同时综合区域信息,有效解决弱边界问题;并运用多尺度LevelSet方法提高算法的运算速度.实验表明,所提出算法不仅分割效果好,而且具有抗噪性能强和运算速度快的特点.     

基于正反馈的支持向量机

在分析现有的基于高斯核的支持向量机(包括基于K-邻域法的支持向量机)的优缺点的基础上,通过对支持向量机之所以能够描述数据集的分布特征的本质进行分析,突破目前在构造支持向量机中存在的"所有支持向量与样本之间的在特征空间中的内积所对应的核函数参数一定要相等"的这一苛刻要求,提出了用于模式识别的基于正反馈的支持向量机.给出了基于正反馈的支持向量机的算法.通过对人工数据和现实数据的仿真实验,表明基于正反馈的支持向量机在推广性能方面明显优于现有的支持向量机.     

基于Snake模型的快速边缘检测

传统Snake模型存在两个难点,一是初始轮廓敏感,二是难深入凹陷区域.针对这两问题,存在一系列改进模型.本文结合距离模型和GVF模型的优点,提出一种快速边缘检测方法.先采用距离模型快速逼近目标边缘轮廓,设计判别条件,判断逼近程度;当判断已经收敛到目标轮廓处时,利用GVF模型继续收敛,深入目标轮廓的凹陷区域.实验结果表明改进模型具有捕获区域大,收敛速度快以及能深入凹陷区域,检测出完整边缘轮廓的特点.     

基于边带限制的梯度矢量流主动轮廓线模型的超声图像分割

主动轮廓线模型是广泛应用于数字图像分析和计算机视觉等领域的一种目标轮廓跟踪算法，非常适合于医学图像（如CT和MRI）的处理。但将这一模型应用于超声图像的分割和目标轮廓的跟踪时，由于超声图像不可避免地存在着斑点噪声、弱边界和与组织有关的纹理，往往使传统主动轮廓模型难以获得满意的轮廓跟踪效果。为此，在梯度矢量流主动轮廓线模型的基础上，引入边带限制概念，并将该模型应用于超声图像的分割。实验表明，该方法较好地限制了非目标边缘和噪声干扰的影响，而且对超声及其序列图像具有较好的分割效果。