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%。     

基于区域内一致性和区域间差异性的图像分割

利用区域内方差描述区域内一致性,提出以区域间平均灰度值之差的平方来构建能量函数.运用梯度最陡下降法,推导出能量函数曲线演化方程,并应用于图像分割.研究结果表明:与仅基于区域内一致性或区域间差异性的图像分割算法相比,该算法的图像分割结果更符合实际情况;随着迭代次数增加,基于该算法的图像分割边界变得更平滑;当到达一定的迭代次数时,图像分割结果稳定.     

改进的几何活动轮廓演化及其在目标跟踪中的应用

为提高几何活动轮廓分割算法的分割效率和准确性,设计了新的边缘检测与跟踪算法.首先采用矢量图像计算图像的梯度值,并设计能够自适应调整阈值的边缘指示函数,进而提出改进的变分水平集演化模型;然后设计基于该改进模型的边缘检测算法,并在无迹卡尔曼滤波器框架下设计了运动目标的跟踪算法.实验结果表明,文中算法不但显著地提高了轮廓演化模型的灵活性和收敛速度,而且对阴影、遮挡、目标形变和背景干扰等具有较好的鲁棒性.     

基于数据场和水平集演化的图像分割

为了充分挖掘图像内不同区域间的隐含关联性,并解决图像分割中自适应阈值选择问题,提出了一种基于数据场和水平集的图像分割方法。利用数据场能够有效地表示图像像素间的相互作用,根据势值能够得到对应的势值等势线,可以根据该等势线的分布情况,采用梯度下降法来得到图像的二值化分割结果。为了得到更为精确的分割边缘,还引入基于拉普拉斯边缘检测函数的水平集演化方法来对二值化结果进行边缘曲线演化。将二值化分割结果与传统的基于数据场的图像分割算法对比结果显示,所提出的算法在分割准确性上表现良好,并且能够使得图像边缘更加精确。实验结果表明,提出的方法能够较好地分割目标,且对噪声图像具有较强的鲁棒性。     

视觉注意特征的变分水平集图像分割模型

针对传统主动轮廓模型较低的鲁棒性能和对先验知识融合能力的不足,基于视觉注意机制的先验知识和曲线演化的理论框架,首先建立图像底层视觉显著性特征的数学模型,在此基础上提出新的曲线演化能量泛函模型,然后对该能量泛函采用变分水平集方法进行推导,得到曲线演化的偏微分方程,数值实验表明该模型相对于经典主动轮廓模型具有更强的抗噪性与分割效率.该模型的提出为进一步在主动轮廓模型中引入更高层次视觉显著性特征、得到更优越的分割模型打下了基础.     

演化曲线自适应驱动的图像分割水平集模型研究

利用图像梯度和几何曲率等信息可以准确定位分割图像的边缘.基于此,本文在对图像分割典型变分模型有效性及所存在问题分析和讨论的基础上,提出了一种演化曲线自适应驱动的图像分割水平集模型.模型通过调整演化曲线长度项和面积项的权重函数,使演化曲线能够根据图像当前的状态自适应的调整演化幅度和方向,不仅提高了图像分割的准确度,还大大缩减了图像分割时间;模型在利用图像局部区域信息的同时,也利用全局化的正则函数来兼顾模型能量泛函的全局性,使模型有了对异质区域边界的捕捉能力.经试验验证文章所提出的新模型有效可靠.     

基于Mumford-Shah模型的局部水平集分割窄带算法

提出了一种基于Mumford-Shah推广模型的水平集能量函数,引入了梯度特征,并在此基础上提出了一种新的局部水平集分割方法,提高了算法收敛速度,避免了图像中的无关边缘对分割结果的干扰.设计了窄带算法,克服了水平集方法初始化复杂的缺点.与窄带算法相结合,所提出的分割方法可以在杂波背景中得到分割的局部最优解.通过采用Otsu算子确定感兴趣目标初始位置,所提出的方法可用于具有不同灰度特征的多目标分割.实验证明了所提出的方法用于复杂背景下的目标分割以及多目标分割时的有效性和计算效率.     

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.     

基于伪中值双边滤波和水平集函数的细胞分割方法

为使细胞分割的结果更加精确,提出一种基于伪中值双边滤波和水平集函数的细胞图像分割方法．首先使用 伪中值双边滤波对图像进行预处理,然后利用水平集方法对改进的 ＣＶ 模型进行两次曲线演化,分别得到细胞质与背景 分界线,细胞核与细胞质分界线．结果表明:伪中值双边滤波在减弱高斯噪声的同时,同时去 除 了 椒 盐 噪 声,但没有弱化 边界,ＬＣＶ 模型在 ＣＶ 模型的基础上添加了局部项,使得对于灰度不均匀的图像分割效果较好．结论:在使用水平集方法 进行图像分割之前先进行伪中值双边滤波,同时为 ＣＶ 模型添加局部项,能够增强细胞分割结果的准确性．      

一种改进的水平集主动轮廓模型

通过统计具有图像增强能力的局部区域信息,提出了一种改进的水平集主动轮廓模型.结合非负核函数和具有矫正图像误差特点的灰度集群思想,定义了一种新的符号压力函数(SPF),此函数能够很好处理灰度不均匀、对象边界不明确的问题.并且,引入惩罚项,确保水平集函数的适应性.真实图像和合成图像的实验结果表明,该模型收敛迅速,具有抗噪性,对分割目标图像敏感,能够处理弱边界的多目标图像.     

一种改进的变分水平集车辆检测技术

针对传统运动目标检测算法存在适应性差、对噪声较敏感等缺点,提出一种基于变分水平集快速提取边缘模糊运动目标的方法。该算法利用主动轮廓模型进行边缘检测约束,并结合变分水平集方法进行二次演化获得准确的图像分割。实验证明,该方法能够快速准确的分割运动目标,对于复杂环境有较好的适应性和鲁棒性。     

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.     

基于几何形变模型的医学图像分割研究

基于形变模型的图像分割方法通常可以分为参数型(Parametric Deformable Models)和几何型(Geometric Deformable Models)两类。提出了一种基于几何形变理论的LBF模型。针对水平集level set模型不能处理灰度不均一图像的分割问题,采用了LBF模型,并且该模型引入了一个以高斯函数为核函数的局部二值拟合能量,以获取图像的局部信息。通过理论分析与计算机仿真算例和其他算法的性能进行对比,表明改进算法LBF提高了图像分割的稳定性和精确性,具有较高的实用价值和广泛的应用背景。     

基于改进几何活动轮廓模型和Kalman滤波的目标跟踪方法

针对几何活动轮廓模型在跟踪时初始化的影响和收敛不准确的问题,将帧间差分和统计量假设后得到的目标外接矩形作为曲线初始值;引入一个强制项,提出一种改进的几何活动模型方法进行目标轮廓拟合,完成检测;结合目标物轮廓曲线和Kalman滤波器实现运动跟踪。试验结果表明:以车辆目标外接矩形作为初始化曲线,可简化初始化工作,加快车辆目标的轮廓曲线收敛速度;在收敛过程中引入了一个水平集函数的强制项,可使曲线准确演化到对象边缘的凹陷部分,增强曲线的收敛能力;在运动视频对象的准确轮廓基础上,可更准确地跟踪车辆目标。     

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.