一种结合CV与GAC 模型的物体轮廓提取方法

提出一种结合CV模型和GAC模型的方法,通过CV模型中长度项的权值调整,得到图像的两类分割.在此基础上,定义图像新的梯度,让GAC模型在新的梯度值空间搜索,从而得到物体的外部轮廓.在真实彩色图像上的实验结果表明,本算法能够大大改善CV模型在提取目标轮廓时的过分割问题,对物体内部不进行分割,并大大减少物体外部零星的小区域,收敛到目标物体的外部闭合轮廓.     

活动轮廓模型在医学图像分割的综述

医学图像分割作为图像处理领域的一个研究热点,长期受到广大科研工作者的关注。活动轮廓模型作为医学图像分割的一个重要工具,在近30年的研究中得到了长足的发展。根据活动轮廓模型的表达方式不同,将活动轮廓模型分为参数活动轮廓模型、几何活动轮廓模型;相对于参数活动轮廓模型,几何活动轮廓模型中曲线的运动过程是基于曲线的几何度量,如曲线的法线、曲率等;又由于水平集方法在几何活动轮廓模型的成功应用,使得几何活动轮廓模型在曲线的拓扑变化、数值求解等方面有不少优势。为了全面展示活动轮廓模型的发展历程及其在医学图像领域的应用,首先简述活动轮廓模型的发展历程及一些偏微分方程的基础知识;然后,详细分析几种较为经典活动轮廓模型;接着,对两种类型的活动轮廓模型进行对比分析;最后,对全文进行总结,并对活动轮廓模型的发展与未来进行展望。     

聚类分析和活动轮廓模型相融合的图像分割算法

针对当前图像分割算法存在的分割误差大、 分割时间长及无法进行在线图像分割的不足, 提出一种基于聚类分析和活动轮廓模型相融合的图像分割算法. 首先, 对原始图像进行去噪处理, 采用聚类分析算法对原始图像进行粗分割, 将粗分割结果作为活动轮廓模型的初始轮廓线; 其次, 将活动轮廓模型根据初始轮廓线对图像不同区域轮廓进行拟合, 实现图像的精细分割; 最后与聚类分析算法、 活动轮廓模型以及当前经典图像分割算法进行对比测试实验. 实验结果表明, 本文算法克服了当前图像分割算法存在的缺陷, 提高了图像分割效率和精度, 对噪声不敏感, 并具有较强的鲁棒性, 图像整体分割效果显著优于对比算法.     

参数活动轮廓模型算法优化研究——特殊循环矩阵LU分解的应用

活动轮廓模型(Active Contour Model-ACM)由Kass等人在1987年提出,它是—种可形变模型,从预先设置的初始轮廓出发,在一定的约束条件下,通过逐步形变的搜索过程,最终获得一条预先定义的、一种能量函数最小化的轮廓线.逐步形变搜索的过程,通常有数值迭代、贪心算法、动态规划法等,其收敛到理想边界的时间长.采用一种对三轴对称Toeplitz矩阵,实现LU分解及追赶法解线性方程组的方法对参数活动轮廓模型进行优化,大幅度减少形变时间.     

聚类分析和活动轮廓模型相融合的图像分割算法

针对当前图像分割算法存在的分割误差大、 分割时间长及无法进行在线图像分割的不足, 提出一种基于聚类分析和活动轮廓模型相融合的图像分割算法. 首先, 对原始图像进行去噪处理, 采用聚类分析算法对原始图像进行粗分割, 将粗分割结果作为活动轮廓模型的初始轮廓线; 其次, 将活动轮廓模型根据初始轮廓线对图像不同区域轮廓进行拟合, 实现图像的精细分割； 最后与聚类分析算法、 活动轮廓模型以及当前经典图像分割算法进行对比测试实验. 实验结果表明, 本文算法克服了当前图像分割算法存在的缺陷, 提高了图像分割效率和精度, 对噪声不敏感, 并具有较强的鲁棒性, 图像整体分割效果显著优于对比算法.     

一种改进的基于活动轮廓和光流的运动目标分割方法

将光流技术和几何活动轮廓模型结合起来对运动目标进行分割,一方面可以通过算法分割出运动目标轮廓,另一方面,使得算法面对背景变化的情况仍具有一定的适应性.为了更好地将二者结合起来,进行2个方面的改进;建立基于运动边缘的几何活动轮廓模型,从而克服光流计算中由弱纹理区域产生的运动空洞对分割的影响;引入边缘增强的非线性扩散作为光流计算模型中的平滑项约束,可以在平滑流场的同时减小运动边缘处平滑效果而保护边缘,进而提高运动目标分割的完整性.研究结果表明:与现有算法相比较,该算法能够更准确地分割出运动目标的轮廓,同时在一定程度上克服背景运动的情况.     

基于肤色及深度信息的人脸轮廓提取

提出并实现了一种新的提取人脸封闭轮廓的方法.首先通过三目立体视觉系统获得彩色图和深度图,然后利用彩色图的肤色信息和深度图的深度信息而惟一确定的面部区域,最后再通过对面部肤色区域轮廓提取并结合活动轮廓模型(Snake)提取下巴,从而完成整个人脸轮廓的提取.该算法能够较好地提取人脸的轮廓线,克服了下巴边界难以从颈部区域提出的困难,定位精度高,边缘连续性好,满足了人脸轮廓特征提取的要求.     

一种基于改进ASM的运动目标跟踪方法

ASM是一种应用于非刚体轮廓匹配的统计模型方法,由于匹配结果的可靠性依赖于先验的灰度模型,导致灰度信息发生动态变化时基于ASM的目标跟踪效果不佳.针对跟踪中轮廓匹配的鲁棒性问题,提出了一种基于改进ASM的目标跟踪方法,该方法采用一种在线提取和更新灰度模型的机制,摆脱对目标先验灰度的依赖;并结合强边缘特征和目标内部灰度信息,改进传统ASM方法的灰度模型和搜索算法,提高了运动过程中目标附近背景信息变化情况下轮廓匹配的鲁棒性和快速性;跟踪过程中利用卡尔曼滤波预测目标位置提高了运行效率.实验验证了方法的有效性和鲁棒性.     

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.     

基于改进活动轮廓模型的人脸分割

人脸图像往往轮廓边界模糊、梯度不明显,常规活动轮廓模型通常无法获得理想的分割效果。为实现准确的人脸轮廓定位及分割,结合人脸检测、活动轮廓模型和数学形态学算子提出一个基于曲线演化的人脸分割方案,并提出一个改进的活动轮廓模型,有效提高了人脸轮廓定位精度和算法收敛速度。实验结果表明该模型可以有效地检测出局部模糊或分断边界而且演化曲线不会断裂,能够获得较好的人脸分割结果;此外,本文提出的C-V模型的窄带实现方法使计算量减少60%。     

激光扫描数据的等值线分层提取和多细节表达

从地面三维激光扫描技术得到的点云,数据多,精度高,特征复杂,不能直接采用传统方法提取等值线.对此,首先提出点云的分层模型,并分析点云在Z坐标轴方向数据量分布以及分层点的空间分布情况,提出在高精度、高细节的采样下,将分层点云作为等值线的采样数据.然后,用迭代的凸包算法对无先验连接信息的分层点数据连接.结果表明,得到的等值线符合一般等值线的特点,不会产生边缘交叉等问题.最后,按照凸包算法的迭代次数,对等值线分类,可以表达不同细节程度的等值线,层次越高,等值线所表达的物体表面信息越多.最终通过实例说明方法的适用性.     

一种全局隶属度和小波能量相结合的活动轮廓模型

计算机化X射线体层照相(computeried tomography, CT),图像中的磨玻璃型肺结节,由于其具有模糊的轮廓,且肺结节区域与其邻域的亮度值相差很小等特性,一般的图像分割算法很难对其进行精准地分割。针对该问题,提出一种全局隶属度和小波能量相结合的活动轮廓模型。首先,利用全局隶属度函数调整初始活动轮廓曲线,使之与目标边界的距离更接近,且形状更相似;同时,基于全局隶属度的边界停止函数能快速收敛于目标边界,使得预测曲线更加贴合待分割目标;其次,基于小波能量的局部活动轮廓模型数据项增强了目标与背景之间的对比度,进而能更精准地分割在低对比度和亮度非均匀场景中的目标轮廓。将该模型应用于全实质及部分实质磨玻璃型肺结节的CT图像中,实验证明了本文算法的优越性。     

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。     

面向视频编码的运动对象分割和提取

多媒体通信的发展迫切需要面向对象的视频编解码技术,其关键是视频对象（VO）的提取和视频对象平面（VOP）的分割,提出一种自动分割VOP的新方法。根据初始帧,使用形态运动滤波技术,初始运动对象首先被提取出;在后继帧中使用活动轮廓（Snake)技术对运动对象进行拟合匹配,最后根据一系列精确的二值轮廓导出运动对象的提取。实验结果表明,该算法可有效地提取视频对象和分割视频对象平面。除了个别参数需要调节外,整个过程是自动完成的。     

一种改进的ASM人脸特征点定位方法

传统主动形状模型(active shape model, ASM)利用主成分分析(principal component analysis, PCA)获得形状,根据主成分并结合形状参数建立起统计模型,该方法不能有效更新图像特征空间,会导致模型匹配失败。为了克服上述缺点,提出一种改进的特征提取方法。首先采用增量主成分分析(incremental principal component analysis,IPCA)更新图像集合的特征空间,并采用一种新的模型匹配算法定位目标特征点。改进的新方法不断更新图像特征空间且有效地描述训练样本间的相似性或差异性,新的匹配算法能避免计算协方差矩阵的逆矩阵,能有效降低计算误差。实验结果表明,改进的方法有效提高了定位精度,并降低了匹配的像素偏移值。     

基于标记信息的快速轮廓跟踪算法

提出了三种利用标记信息加速轮廓跟踪执行过程的快速轮廓跟踪算法．算法的基本原理是：利用标记过程寻找连通区域中第一个像素出现的位置,在此基础上根据一定原则确定轮廓起点,省略了在图像中逐像素搜索轮廓起点的过程,达到加速算法执行的目的．三种算法分别适用于要求提供不同类型轮廓的应用中．仿真结果表明,大多情况下,快速算法能够将轮廓跟踪的执行时间减少40％以上．     

Vector bundle constraint for particle swarm optimization and its application to active contour modeling

Active contour modeling (ACM) has been shown to be a powerful method in object boundary extraction. In this paper, a new ACM based on vector bundle constraint for particle swarm optimization (VBCPSO-ACM) is proposed. Different from the traditional particle swarm optimization (PSO), in the process of velocity update, a vector bundle is predefined for each particle and velocity update of the particle is restricted to its bundle. Applying this idea to ACM, control points on the contour are treated as particles in PSO and the evolution of the contour is driven by the particles. Meanwhile, global searching is shifted to local searching in ACM by decreasing the number of neighbors and inertia. In addition, the addition and deletion of particles on the active contour make this new model possible for representing the real boundaries more precisely. The proposed VBCPSO-ACM can avoid self-intersection during contour evolving and also extract inhomogeneous boundaries. The simulation results proved its great performance in performing contour extraction.     

Vector bundle constraint for particle swarm optimization and its application to active contour modeling

Active contour modeling (ACM) has been shown to be a powerful method in object boundary extraction. In this paper, a new ACM based on vector bundle constraint for particle swarm optimization (VBCPSO-ACM) is proposed. Different from the traditional particle swarm optimization (PSO), in the process of velocity update, a vector bundle is predefined for each particle and velocity update of the particle is restricted to its bundle. Applying this idea to ACM, control points on the contour are treated as particles in PSO and the evolution of the contour is driven by the particles. Meanwhile, global searching is shifted to local searching in ACM by decreasing the number of neighbors and inertia. In addition, the addition and deletion of particles on the active contour make this new model possible for representing the real boundaries more precisely. The proposed VBCPSO-ACM can avoid self-intersection during contour evolving and also extract inhomogeneous boundaries. The simulation results proved its great performance in performing contour extraction.     

基于细胞自动机的MRI脑肿瘤分割方法

提出一种基于细胞自动机的脑肿瘤分割方法.首先通过人工交互输入一条线,使用细胞自动机模型对脑肿瘤图像进行分割,得到肿瘤图像的标号图,然后使用活动轮廓模型对标号图进行优化处理,除去非肿瘤像素点的干扰,得到更平滑的脑肿瘤轮廓.使用该方法在对比增强T1加权MRI脑肿瘤图像进行分割实验.实验结果表明,此方法能够很好地解决脑肿瘤分割过程中容易出现的不完全分割问题,分割准确率(Dice相似系数)可达到(94.07±1.58)％.