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.     

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。     

改进的快速C-V模型指静脉图像分割算法

为快速准确地进行指静脉图像的分割, 在经典C-V模型的基础上, 增加了距离惩罚项和边缘检测函数, 并使图像演化不基于内部区面积。改进后的算法保留了C-V模型全局优化的特性, 同时有效避免了重新初始化过程, 并对图像边缘更加敏感, 使改进后的算法适合对指静脉图像的分割。仿真实验结果表明, 改进后的C-V模型能较好地处理指静脉图像边界模糊和灰度分割不均的问题, 同时还可提升分割效率。     

基于M-S模型的三种图像分割算法的比较

M-S模型的水平集图像分割方法依赖于图像同质区域的全局信息,因而分割过程时间效率较低。为了提高计算效率,该方法在图像处理领域得到很多改进。本文在简化的M-S模型即C-V模型的基础上,讨论了现有3种改进分割演化算法,即:去掉C-V模型中的正则项;用||??取代狄拉克函数,使得方法具有更好的全局优化性;加入梯度局部项,使之适合处理弱边缘和边缘断裂的图像。最后,通过3个实例进一步验证了各算法的优劣性以及适用性范围。     

改进C-V模型的CT图像肺结节分割方法研究

医学图像分割技术是现代图像处理领域的重难点,简化分割步骤、优化分割算法都将给医疗技术的发展带来极大的飞跃。基于对水平集演化理论的探讨,该文对Chan-Vese模型进行了分析和改进,结合CT图像中肺结节的特点,提出一种结合区域信息和边缘信息,并基于小波高频分量的改进C-V模型的肺结节分割算法。在目标函数中从速度、图像灰度不均匀性和收敛精确度上改进,引入多个约束项和小波高频分量边缘检测函数,以利于达到优化的分割效果。实验表明,该分割方法可以从肺部CT图像中有效地分割出肺结节区域,对肺癌的筛查和诊断有重要价值。     

一种新的基于局部区域的活动轮廓模型

提出了一种新的基于曲线演化的活动轮廓图像分割模型.该模型利用局部图像统计信息来代替C-V模型中的全局灰度均值,以此可以分割灰度不均匀的图像.此外,在模型定义的能量泛函中增加了水平集正则项,以此来保证数值计算的准确性和避免对水平集函数的重新初始化.将本文提出的活动轮廓模型用于分割人工和自然图像,比较结果显示:C-V模型不能很好处理灰度不均匀图像,而本文提出的模型对灰度不均匀图像能得到满意的分割效果.     

一种改进的C-V主动轮廓模型

针对C-V(Chan-Vese)模型不能较好分割灰度不均匀图像的缺点,对C-V模型能量方程进行改进。将图像的局部灰度拟合信息融入到面积项中,使分割兼顾了图像的全局和局部信息,同时加入惩罚能量项来约束水平集函数逼近符号距离函数,避免模型重新初始化。对灰度不均匀图像分割的实验结果表明,该模型优于C-V模型。     

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.     

基于局部和全局灰度拟合的图像分割算法

针对灰度分布非均匀图像的分割,提出一种改进的基于区域的活动轮廓模型,融合了LIF（local image fitting）模型的变尺度局部拟合特点与C-V（Chan-Vese）模型的全局优化特性,不仅提高了图像的分割效率,而且增强了模型对尺度参数和初始轮廓位置的鲁棒性。在数值计算中,使用高斯滤波规则水平集函数,使其保持光滑,并避免了复杂的重新初始化过程。对大脑MR图像的实验分割显示了该模型的优点。     

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.     

Computing texture boundaries from images

Recent computational and psychological theories of human texture vision assert that texture discrimination is based on first-order differences in geometric and luminance attributes of texture elements, called 'textons'. Significant differences in the density, orientation, size, or contrast of line segments or other small features in an image have been shown to cause immediate perception of texture boundaries. However, the psychological theories, which are based on the perception of synthetic images composed of lines and symbols, neglect two important issues. First, how can textons be computed from grey-level images of natural scenes? And second, how, exactly, can texture boundaries be found? Our analysis of these two issues has led to an algorithm that is fully implemented and which successfully detects boundaries in natural images. We propose that blobs computed by a centre-surround operator are useful as texture elements, and that a simple non-parametric statistic can be used to compare local distributions of blob attributes to locate texture boundaries. Although designed for natural images, our computation agrees with some psychophysical findings, in particular, those of Adelson and Bergen (described in the preceding article), which cast doubt on the hypothesis that line segment crossings or termination points are textons.     

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.     

基于数据网格的肝脏CT图像感兴趣区域分割

通过图像分割获取医学图像感兴趣区域是医学图像处理与分析要解决的首要问题及技术难点。为了获取肝脏CT图像中的感兴趣区域,针对肝脏CT图像的自身特点,提出了一种基于数据网格和改进的区域生长法相结合的肝脏CT图像感兴趣区域分割方法。首先利用数据网格对肝脏CT图像做粗分割,最大程度地去除骨骼及背景对后期分割的影响。其次,利用先验知识,确定区域生长的种子点,做基于改进的区域生长法的二次分割。实验结果表明,能较完整的分割出CT图像的肝脏区域。实验结果为进一步的医学肝脏图像的处理与分析奠定了基础。     

Novel Model Using Kernel Function and Local Intensity Information for Noise Image Segmentation

It remains a challenging task to segment images that are distorted by noise and intensity inhomogeneity.To overcome these problems, in this paper, we present a novel region-based active contour model based on local intensity information and a kernel metric. By introducing intensity information about the local region, the proposed model can accurately segment images with intensity inhomogeneity. To enhance the model's robustness to noise and outliers, we introduce a kernel metric as its objective functional. To more accurately detect boundaries, we apply convex optimization to this new model, which uses a weighted total-variation norm given by an edge indicator function. Lastly, we use the split Bregman iteration method to obtain the numerical solution. We conducted an extensive series of experiments on both synthetic and real images to evaluate our proposed method, and the results demonstrate significant improvements in terms of efficiency and accuracy, compared with the performance of currently popular methods.     

基于改进粒子群优化算法的图像分割

针对当前主动轮廓模型难实现图像高精度分割的问题, 以获得更理想的图像分割结果为目标, 提出一种基于改进粒子群优化算法的图像分割方法. 首先分析传统主动轮廓模型, 指出其存在的局限性; 然后建立能量最小化控制点的泛化函数, 采用粒子群优化算法对泛化函数的最优值进行搜索, 根据所有的能量最小化控制点实现图像分割; 最后采用标准图像库与传统图像分割方法进行对比测试. 测试结果表明, 相对于传统方法, 该方法能更精准、 快速地分割图像, 并有效抑制图像中的噪声干扰, 可获得理想的图像分割效果.