一种用于超声图像序列分割的水平集演化方法

超声图像具有低信噪比、边界模糊、边界部分缺失、灰度不均等特点,对它的分割极具挑战性.而图像分割又是图像定量、定性分析的关键环节,分割的精确性对后续的分析、处理工作影响重大.距离保持水平集演化(DRLSE)方法对超声图像中出现的弱边界、被部分遮挡边界的分割较差,容易受噪声和灰度不均的影响,因此易造成弱边界泄漏、局部最优等误分割问题;并且初始轮廓对位置敏感,这使得分割的正确性严重依赖初始轮廓位置的选择,故不能对图像进行批量处理.为此提出了一种优化策略:融合基于局部区域的灰度信息和基于边缘的梯度信息构造新的边缘停止函数和面积项权系数,使得演化曲线不仅能够自适应地改变演化方向更有利于对图像序列的处理,同时对斑点噪声和灰度不均问题也有很好的抑制能力;另外,构造了一个先验形状约束项,利用前一帧的分割结果对当前帧的分割进行约束,促进曲线正确演化至目标边界,使得对边界部分遮挡的图像也有着更精确的分割效果.通过合成图像和真实超声图像对分割算法进行了性能分析,设计了基于边缘的豪斯多夫距离和平均绝对距离对算法分割轮廓和医生分割轮廓之间的距离差异性进行度量,实验证明优化策略相比于DRLSE模型和其传统优化模型,有着更高的分割精度,分割效果更出色.     

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.     

基于深度学习和水平集的彩色图像分割方法

图像分割作为图像的分析与理解的基础环节,受到了诸多学者的广泛关注。本文结合了基于全卷积神经网络的语义分割技术与基于水平集方法的图像分割技术,使用DeepLab V2与 Distance Regularized Level Set Evolution(DRLSE)模型对一般的彩色图像进行分割。此外,本文还在 DRLSE 模型中加入了一个新的形状能量项,提高了零水平集的演化速度。数值实验结果验证了本文方法的有效性。     

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.     

融合KFCM与改进DRLSE模型的甲状腺结节图像分割

针对超声甲状腺结节图像分割问题,提出一种融合模糊核(KFCM)聚类算法与改进距离正则化水平集演化(DRLSE)模型的分割算法,解决了DRLSE模型对初始轮廓敏感、演化参数需要人工设定及分割弱边缘能力较差的问题.该算法先利用KFCM聚类算法粗分割出结节区域并二值化作为水平集初始演化轮廓,然后利用初始演化轮廓围成的区域自动计算出水平集演化参数,最后采用高斯正则化规则演化水平集分割出甲状腺结节区域.对比实验结果表明,该算法提高了甲状腺结节的分割精度,在噪声干扰下也能准确地分割出结节区域.     

基于边缘信息和先验形状的水平集图像分割方法及其在病原菌识别中的应用

研究从多目标图像中自动提取单个目标的图像处理方法.从分析曲线的水平集表示入手,首先探讨了水平集动态轮廓分割和配准模型构建的统计思想和变分方法,然后针对多目标粘连图像的特点,提出了含边缘信息和先验形状的水平集图像分割模型,并将其应用于病原菌的识别.由于引入边缘信息改进对分割的约束,加强了目标边缘对分割轮廓的吸引,同时消除了一些由噪声、阴影和杂质造成的影响.实验表明,改进后的先验形状水平集图像分割方法能直接从多目标粘连图像中提取单个目标,进一步完善了依据显微镜图像识别病原菌的图像处理方法.     

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.     

一种改进的局部区域特征医学图像分割方法

水平集分割方法中的Chan-Vese模型能够处理具有模糊边界和复杂拓扑结构的图像,但没有充分利用图像局部灰度的变化信息,致使其不能准确分割强度不均匀物体。针对这一问题对模型做了改进,引入局部灰度均值替换全局均值,以边界指示函数作权进行加权长度积分,加入使用双阱势的距离正则项来避免水平集重新初始化。试验结果表明:改进后的模型能够有效提高分割精度与效率,可以有效应用在医学图像的分割领域。     

C-V方法及其在体表损伤图像分割中的应用

法医体表损伤种类的多样性及损伤图像灰度图多峰值、边界模糊等特点决定了精确判定损伤部位的边界十分困难。C-V方法是一种变分水平集分割方法,它结合区域信息使得分割结果全局最优,同时采用水平集函数的表达方式,可以非常自然地处理轮廓线拓扑结构的变化。本文改进了C-V方法中符号距离函数的快速生成算法,并把它用于体表损伤图像分割,实验证明,C-V方法在体表损伤图像的分割中取得了较理想的效果,它可以较清晰地把损伤部位的边缘分割出来。特别是对边缘比较复杂的图像,C-V方法相比传统的分割方法,优势更加明显。     

融合双边滤波算子的多相水平集图像分割算法

由于乳腺肿瘤超声图像的边界模糊,且灰度异质现象较严重,准确分割出肿瘤区域是一项具有挑战性的工作.针对传统的Chan-Vese模型和局部二值拟合模型(local binary fitting)的分割缺陷,在乳腺肿瘤超声图像的全局和局部能量信息的基础上,结合双边滤波算子,提出一种全局和局部二值拟合模型的多相水平集分割算法.首先,将双边滤波算子作为乳腺肿瘤超声图像的核函数;然后,根据变分法求解表征超声图像结构信息的能量泛函,得到对应的梯度矢量方程;随后,引入多相水平集函数实现病灶区域的多区域细化分割;最后,对乳腺超声图像数据集的分割实验.结果 发现:经过与医生手动标记的肿瘤区域进行对比,分割准确度为94.51％.可见,该模型的准确度较高、误判率较低、鲁棒性较强.     

水平集理论在磁共振脑图像分割中的模型研究

灰度不均匀性常出现在医学图像中,给图像分割问题带来很大困扰.为了提高鲁棒性,可在分割模型中引入各种先验知识,例如形状和灰度分布信息.而传统的引入先验知识的分割算法,如神经网络算法,仍存在许多问题,包括数据计算量大和边界不连续等.为了解决这些问题,提出了一种基于水平集理论的分割算法.利用局部区域的灰度信息定义能量函数,然后根据能量函数的最小化机制引导水平集曲线进化并最终收敛到目标边界.在仿真实验中,将局域化的水平集算法与传统的自组织映射神经网络算法进行比较.结果表明,所得到的算法在鲁棒去噪和目标边界的连续性方面效果更佳.     

基于边缘和水平集的复杂背景金属零件二维条码精确定位方法

针对由于背景复杂、光照不均等因素导致的复杂背景下金属零件上二维条码定位困难问题,提出一种基于边缘及水平集的复杂背景金属零件二维条码精确定位方法.首先,通过直线检测方法定位条码的L边;然后,采用一种改进的水平集图像分割方法对可能的条码区域进行图像分割,利用条码的边缘轮廓特征、灰度及梯度直方图双峰特征进行二维条码区域判断;最后,通过区域Hough变换精确定位二维条码区域.实验结果表明,所提出的方法平均定位准确率可达到95%,且其处理时间小于1s,适用于对大多数复杂背景下金属零件二维条码的定位.     

基于梯度二阶导数的Canny阈值自适应选取算法

图像边缘含有丰富的图像信息,对于很多视觉系统至关重要,比如目标检测与图像分割等。传统的Canny算子仅能用于灰度图像,无法有效利用彩色图像中的颜色信息;此外,该方法需要人为设定高低阈值,不能自适应提取图像边缘,进而造成背景边缘放大等问题。提出了一种基于Canny的自适应彩色图像边缘检测算法;该算法首先通过图像一阶直方图的统计特性,自适应地选取高斯滤波器的参数σ,有效去除了噪声;同时改善了σ参数设置不合理对边缘检测的影响。其次采用了基于图像梯度二阶导数的阈值选取的方法,即根据图像特性自适应选取合适的阈值。实验结果表明:算法能很好地改善传统Canny算子的缺陷,对于彩色图像的边缘信息提取能达到很好的效果。     

基于二维阈值向量分割的足迹边缘提取方法

根据足迹图像特点,提出了基于灰度 梯度二维阈值向量区域分割的边缘提取方法·该方法以灰度 梯度共生矩阵为模型,利用最大熵原理,自动求出灰度 梯度二维阈值向量;用此二维阈值向量对图像进行区域分割,具有抗干扰能力强和正确分割模糊边缘像素的特点,构造两个适合足迹图像特点的结构元算子,对区域分割后的二值图像作数学形态学运算,以光滑边缘、提取边缘·大量实验表明,用本文方法提取的足迹边缘光滑,与原始图像具有很高的相似性;噪声得到抑制,取得令人满意的效果·     

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.     

基于模糊增强的图像边缘检测的研究

对图像处理时的边缘检测算法作了分析和研究,介绍了基于模糊增强的图像边缘检测算法,详细研究了单层次模糊增强和多层次模糊增强的算法,并结合实验说明,该智能图像处理方法不仅能够明显的增强图像,而且可以检测到良好的图像边缘.最后,展望了这一新的研究应用领域的发展前景.     

基于图像熵的快速Chan-Vese模型分割算法

提出了基于图像熵的快速Chan-Vese模型分割算法.该算法利用实时图像熵自适应计算模型能量函数中的拟合参数以提高分割速度,并通过检测熵在曲线形变过程中的变化来判定曲线演化的稳定态.实验表明.针对含噪严重、目标模糊且边缘不连续的红外图像目标检测,所提出的分割算法可以取得精确、高效的分割结果.     

基于粗集与PCNN的图像预处理

研究了如何将粗集(Rough Set)与脉冲耦合神经网络(PCNN-Pulse Coupled Neural Network)相结合，对被噪声污染的图像进行对比度增强处理，使图像清晰，从而便于后续的处理。同时，提出了基于粗集与PCNN的图像增强算法。计算机仿真结果表明，使用基于粗集与PCNN的图像增强算法，可有效地对被噪声污染的图像进行图像增强，减少图像噪声，增加图像对比度，使图像更加清晰，且图像增强的结果优于常规的方法。