自适应脑组织影像分割

提出一种支持二维及三维MR脑影像的脑组织分割方法。首先采用改进的C-V模型去除脑脊液对灰质分割准确性的干扰。其次通过采用结合C-V模型的带标记区域增长算法,去除脑壳并提取脑室。最后结合覆盖背景的方法提取灰质及白质,从而实现了脑组织的自动分割。对该算法进行了仿真与实验验证,结果表明,该算法具备良好的准确性、通用性与实用性。     

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%。     

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.     

基于局部中值拟合C-V模型的SAR图像分割算法

针对SAR图像特点,提出了一种基于局部中值拟合(LMF)C-V模型的新的SAR图像分割算法LMFCV-SIS.该算法核心是利用像素点及以其为中心的邻域内的像素点的局部中值拟合来构造能量函数,极小化该能量函数,得到轮廓的最终演化结果.一系列对比实验的结果表明,该算法充分利用了SAR图像的特征信息,对真实机载SAR图像进行分割具有分割边界定位准确、收敛速度较快等优势.     

基于C-V模型的运动目标水平集提取方法

针对视频图像中的运动目标检测问题,提出了一种基于C-V模型的运动目标水平集提取新方法：使用改进的帧间差分法对运动区域进行初始检测,通过相邻视频帧的相减,选用自适应阈值判断出当前视频帧中的运动目标像素;经形态学处理后通过定义最小化能量函数构建运动目标轮廓提取的水平集C-V模型,实现运动目标轮廓的提取。实验结果表明,本文所提方法的边缘准确率和检出率更高,能够更有效地提取运动目标。     

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。     

基于主动轮廓模型的图像分割算法

主动轮廓模型算法是目前流行的图像分割算法,其主要优点是无论图像的质量如何,总可以抽取得到光滑、封闭的边界.本文综述了主动轮廓模型算法的发展概况,并分类介绍了各算法的特点.此外,本文还给出了算法发展的方向,以及今后研究所面临的关键问题.     

基于Mumford-shah模型的多目标分割

基于Mum ford-shah模型的图像分割中,多目标图像的分割是一个较难以解决的问题,其主要原因是由于目标物体多导致灰度级多,分割中可能使得灰度级相似的多个目标物体被划分到同一个目标内或者灰度值和背景灰度相似的目标物体被划分到图像的背景中,导致分割的失败.针对这些问题,提出了多个水平集的方法,该方法的基本思想是在图像区域建立多条位置不同的演化曲线(即多个零水平集),使它们各自按照原始的Mum ford-shah演化模型同时进行演化.数值实验结果表明,该方法可以把多个目标物体分割开来,得到正确的分割结果,所以该方法对于多目标图像在一定程度上是有效的.     

参数化水平集活动轮廓模型的快速图像分割算法

为了提高图像分割的速度,提出一种参数化水平集活动轮廓模型的快速图像分割算法.该算法中的水平集函数由参数向量确定,而非带符号距离函数,降低了水平集函数的维度.将参数化的水平集函数嵌入到经典的LGDF(local Gaussian distribution fitting)模型中进行图像分割,不需要重新初始化和额外的正则项,同时可选择较大迭代步长.实验结果表明:所提方法能够有效地分割超声、CT和核磁等医学图像,与带有正则项的分割算法LGDF和最近提出的快速分割算法MSLCV相比,在保证分割精度的同时,计算速度得到了明显提高.     

基于熵结合的活动轮廓分割模型

针对传统活动轮廓对图像分割鲁棒性较差的问题, 将基于区域的轮廓模型和基于梯度的轮廓模型通过图像熵与图像梯度和进行结合。通过图像熵与图像梯度和建立基于梯度与基于区域结合的活动轮廓模型。将水平集函数嵌入到模型中, 对模型结果进行连续分割, 并进行拓扑变化。采用窄带方法进行快速演化。实验证明, 该方法有较好的鲁棒性和较快的分割速度, 对图像分割理论的发展提供了新的研究途径。     

一种基于Mumford-Shah模型的脑肿瘤水平集分割算法

提出了一种新的基于Mumford—Shah模型的脑肿瘤水平集分割方法．它能提供一客观的、可重复的脑肿瘤分割,且分割结果和专家人工分割结果很接近．它可以用来探测边界不一定由梯度来定义的对象,也能自动探测内部轮廓．通过对来自2个病人的共42个（含有或不含水肿）脑肿瘤MRI切片进行分割来评价该算法的效率,结果取得了令人满意的效果．用匹配的百分比（PM）和一致率（CR）来定量评价分割的质量,结果肿瘤分割的PM和CR分别为93．20%和0．92,水肿分割的PM和CR分别为97．33％和0．76,满足临床的需要．     

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。     

基于改进活动轮廓模型的超声图像分割

活动轮廓模型被广泛应用于医学图像分割之中,文中提出了一种改进的快速活动轮廓分割法。原算法在优化过程中容易缩成一点,其初始轮廓必须给定在图像边缘附近,改进的快速活动轮廓算法给出了不同于原算法的内部能量函数,并增加一自适应的约束力,扩大了算法捕捉图像特征的范围。实验结果表明：该算法快,能在更大的范围内捕捉图像特征,是一种有效的分割超声图像的算法。