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.     

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。     

一种针对脑部图像分割强度不均匀性的改进方法

强度不均匀性是医学图像中常见的问题,对图像的精确分割提出了许多挑战,图像分割是计算机视觉和计算的基础步骤,提出了一种基于模糊C均值(FCM)的能量最小化方法,将全局聚类和局部聚类相结合,用于磁共振(MR)脑图像的偏场估计和分割。该方法将MR图像分解为两个分量作为全局聚类项的优点,充分利用了表征组织物理性质的真实图像和解释强度不均匀性的偏置场及其各自的空间特性。MR图像的分解描述了整个图像中偏移场的变化,其中组织边界的某些深层变化细节可能会丢失。该方法利用了图像局部区域的不同偏移场的局部聚类项,较好地处理了不同组织间强度的深刻变化。由于局部聚类方法对偏移场的分布缺乏全局控制,此文利用了全局聚类和局部聚类的优点,考虑了两者的结合。在该方法中,通过能量最小化过程同时实现了偏移场估计和组织分割。用FCM迭代优化能量最小化问题,通过真实图像和合成图像与相关模型的对比实验,证明了该模型在偏差校正和分割精度方面的优越性。     

一种改进的HCF贝叶斯图像分割方法

贝叶斯方法是图像分割中广泛使用的方法，ＨＣＦ（ＨｉｇｈｅｓｔＣｏｎｆｉｄｅｎｃｅＦｉｒｓｔ）是一种有效的优化方法，用ＨＣＦ对图像进行贝叶斯分割，并且改进了贝叶斯分割中的势能函烽，提出局部势能的概念，从而获得了较为满意的图像分割结果。     

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。     

颜色恒常性的距离正则化水平集彩色图像分割

引入颜色恒常性原理用于区分自然彩色图像中的差分结构,并结合距离正则化水平集算法,对具高光和阴影的自然彩色图像进行分割。实验结果表明,该算法能够正确有效地分割出图像目标,而未引入颜色恒常性原理的水平集算法则得到错误的图像分割结果。     

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。     

基于水平集和视觉显著性的植物病害叶片图像分割

为了提高植物病害叶片图像分割的准确性和效率,提出了一种基于水平集和视觉显著性的彩色图像分割方法.首先采用基于小波变换的显著性检测算法得到活动轮廓模型中曲线演化的初始位置,并构造一个基于显著区域的图像活动轮廓模型,再设计一个向量值图像的边界检测算子,引入到距离正则化水平集演化的改造中,以构造一个初始化轮廓更灵活,演化速度更快,目标分割更精确的新的水平集能量泛函.最后的实验对比表明,该方法具有较好的叶片病害部位分割效果.     

一种基于视觉感知的复合医学图像分割算法

为提高医学图像分割的视觉效果,依据人类视觉感知的分层特性,提出了一种新的复合医学图像分割方法.该方法通过提取医学图像的底层特征,利用Fuzzy-ART神经网络作为像素的分类器,对医学图像进行连续两次分割.实验结果表明,该医学图像分割方法能有效地解决局部信息与整体分布边缘淡化等相关问题,达到良好的分割视觉效果.     

基于改进Snake模型的医学图像分割

活动轮廓模型(Snake模型)被广泛应用于医学图像分割之中,传统的Snake模型在分割图像时要求初始轮廓线必须给定在图像边缘附近,且难以收敛到凹陷轮廓。本文针对Snake模型的这点不足,通过改进外部能量项,提出了一种基于梯度矢量流活动轮廓模型的医学图像分割算法。该算法用梯度矢量流代替图像梯度进行外部能量的计算,克服了传统Snake模型力场范围小以及不能收敛于凹形边缘的缺点。实验结果表明:改进模型能够有效的分割心脏MRI图像,是一种有效的方法。     

一种改进的Snake模型及其在医学图像分割中的应用

以超声肿瘤图像为例,将改进的Snake模型应用到超声图像的目标轮廓提取中,并取得了较好的效果。首先采用数学形态学方法对图像进行增强预处理,从而提高图像的对比度,将肿瘤区域凸显出来;然后利用改进的Snake模型提取肿瘤的边缘。该方法与传统的轮廓提取方法相比,具有捕获范围广、抗噪性强等特点。实验结果表明,采用该方法可以准确地提取肿瘤区域的轮廓,在临床上具有广泛的应用前景。     

改进的多相位水平集图像分割模型

在多相位水平集图像分割模型基础上,改进了模型的缺点,并采用了无条件收敛的LOD算法,数值实验结果表明,该方法是有效的。     

基于三阶样条曲线拟合的改进Snake模型在医学超声图像分割中的应用

鉴于医学超声图像所具有的复杂性,采用基于样条曲线拟合的改进Snake模型来实现对心脏超声图像的分割.为了克服传统Snake模型对初始轮廓的依赖性,采用扇形法获得靠近目标边界的初始轮廓点,并且得到的轮廓点是有序点集.能量最小化过程运用贪婪算法来获得图像的特征边缘点,最后采用三阶样条拟合的方法来获得连续的图像边缘.实验结果表明,采用本方法可以获得连续、封闭的边缘曲线,能够较好地将目标从图像中提取出来.     

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AOS格式的扩展Mumford-Shah模型图像分割算法

在Chan-Vese模型的基础上,给出一种基于AOS格式的扩展Mumford-Shah模型图像分割算法.扩展的Mumford-Shah模型将图像分解为几何和纹理两部分,实现图像分割的同时有效避免了纹理和噪声的影响.数值求解采用AOS格式,不仅扩大了时间步长的调节范围,还解决了参数难以选择的问题,提高了算法稳定性.实验结果表明,本文算法分割效果良好,运算效率有了较大提高.     

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。