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。     

基于视觉颜色聚类的彩色图像分割

根据视觉的颜色聚类特性，提出一种图像分割算法．根据从色彩空间(RGB)到(HLC)的变换公式和NBS颜色距离的概念，首先将彩色图像量化为256或更少量化级，而不使图像质量降低；然后依据NBS颜色距离的概念将色彩分类；最后，根据某种规则将颜色区域进行分块，并删除小的颜色块．给出了静物图像和自然景物图像的实验结果。     

最优区域与离散小波变换结合的颜色恒常性计算算法

颜色恒常性计算就是通过消除光照对颜色的影响,得到与光照无关的稳定的颜色描述因子。目前基于底层特征驱动的颜色恒常性算法,大多数利用整幅图像的像素信息来估计场景的光照。然而,并不是所有的像素点都包含颜色恒常性计算的有效信息,而且没有考虑像素点周围的空间信息的影响。本文针对这两个问题提出一种基于最优区域选择和离散小波变换结合的颜色恒常性算法,在分割区域上进行不同尺度的离散小波变换,利用得到的小波系数估计出不同区域不同尺度上的误差,选择出误差最小的分割区域用于整幅图像的光照估计。该算法简单易行,实验结果证明可以取得比较好的光照估计效果。     

基于水平集的彩色图像分割方法

实现了一种新的彩色图像融合分割方法。首先,通过对彩色图像进行YCbCr变换,提取其颜色特征。进一步,对亮度图像进行Gabor变换,提取其纹理特征。同时,为了消除特征向量的冗余,引入PCA变换对高维特征向量进行压缩。然后,采取向量C-V模型对提取的特征向量进行分割。最后,对分割图像进一步后处理,消除小的区域。真实彩色图像实验结果证明了方法的有效性。     

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.     

基于颜色图直方图的监督颜色恒常性算法

在颜色物体识别等应用中，获取不随光照变化的颜色恒常性特征是问题的关键。监督颜色恒常性方法，即通过在环境中放置校正用的颜色片来计算并消除光照的影响，由于其简单方便而得到了广泛的应用。在本文中，基于对直方图光照不变量的分析，提出了一种新的监督颜色恒常性算法。该算法与传统算法相比较，不需要知道颜色片的反射率和成象系统的通道响应，从而大大简化了实现的要求。文中给出了算法的基本思想，并对实验结果进行了分析。     

多光源非均匀光照场景的颜色恒常性

针对多光源非均匀光照场景,提出了一种新的颜色恒常性解决方法.首先将场景图像划分成若干较小区域,分别对各区域光源颜色进行估计,然后根据各区域对场景光源颜色的贡献合并为一种复合光源颜色作为场景光源颜色的近似估计,最后通过对角模型重构图像.实验结果表明,扩展的方法能够更好地解决多光源非均匀光照等场景的颜色恒常性问题.     

多尺度非参数化水平集的超声心动图分割

针对超声心动图噪声很大、提取目标区域边界不够平滑完整的问题,将非参数技术与水平集相结合,提出了多尺度非参数化的水平集图像分割方法。利用非局域均值滤波建立尺度空间,保护图像特征,在粗尺度预分割,然后在细尺度优化分割。采用Parzen窗技术对超声心动图的亮度分布进行统计建模,不需要先验假设,引入到水平集框架中,设计了非参数化水平集分割模型。分割实验证明:预分割结果和真实边界的平均绝对距离为2.162,优化后为0.710。该方法可以精确地自动提取感兴趣区域,在图像分割鲁棒性和精确性方面优于常规分割方法。     

计算机视觉系统的二步法颜色恒常性

理论研究表明 ,三色视觉系统在单视野条件下 ,三维颜色恒常性的计算问题只有在一些约束下才能解决。约束选择的合理与否和后续的任务密切相关。针对不同环境光照条件下的人体肤色分割的具体任务 ,提出了一个新的关于三色系统颜色恒常性问题的物理模型 :1 )将视觉系统所获得的原始信息分裂为亮度信息和颜色信息。 2 )将传统的颜色恒常性问题分解为基于亮度的亮度恒常性和基于颜色信息的颜色恒常性 ,并用二维描述子描述等亮度彩色图像中物理表面的颜色特征。该描述子具有颜色恒常的特性。基于颜色的图像分割实验结果表明 ,二步法颜色恒常性技术是一种非常有效的方法。     

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。     

一种基于犹豫中智集和水平集的图像分割方法

皮肤镜图像分析技术的第一步为图像分割,分割的结果会直接影响到后续的处理过程,针对具有背景噪声、模糊边缘和灰度不均的皮肤镜图像,提出了一种新的结合水平集的犹豫中智集图像分割方法;首先利用犹豫中智集理论将图像转换为犹豫中智集图像,其中犹豫中智图像由三类子集组成(T、I、F),利用犹豫中智集图像突出表达图像的目标信息和边缘信息;然后针对传统 DRLSE 水平集的不足进行改进,构造新的边缘停止函数,并增加灰度驱动能量项,最后通过改进的DRLSE 水平集对 ISIC(2018)皮肤镜图像进行分割测试;实验结果的交并比(Jaccard Index)值均大于 95%,且均方误差(MSE)、峰值信噪比(PSNR)和结构性相似指数(SSIM)均表现良好,表明方法能够准确、有效的分割具有模糊边缘和灰度不均的皮肤镜图像,对后续的皮肤镜图像的处理与诊断奠定了基础。     

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。     

基于水平集方法的显微细胞图像分割

利用变分法推导了图像边缘检测Snake模型对应的Euler方程, 证明了水平集方法3种离散格式(向前差分、 向后差分、 中心差分)的不稳定性, 采用迎风差分格式构造水平集算法, 对显微细胞图像进行边缘检测, 实验结果表明, 该算法是稳定的和收敛的.     

基于序贯滤波的水平集图像分割

传统基于边缘的水平集分割模型对非均匀区域分割效果不理想,为了解决这一问题,本文分析了序贯滤波的平滑能力与滤波次数之间的关系,将序贯滤波与水平集分割相结合提出了基于序贯滤波的图像分割模型.为了实现自适应于图像内容的平滑,根据平滑分量分割区域的置信度,设计了图像分割的平滑指标,控制序贯滤波次数,使得不同平滑分量的轮廓曲线收敛于目标边界,改善了传统基于水平集方法对非均匀区域的分割效果.本文分割算法的F测度,精确率和召回率均高于传统模型,在一定程度上提高了非均匀区域的分割效果.     

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.     

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．     

基于变分水平集图像分割的视频烟雾检测方法

为及时判断火灾发生情况,利于灭火工作,研究了火灾早期产生烟雾的情况下,通过固定监视探头捕捉 到的影像视频,针对视频中的火情烟雾进行检测,结合计算机视频检测技术的光流法和帧差法获得视频中烟雾 运动的区域,基于某一时刻摄像机不动的情况下得到两帧连续的图像并检测视频中的运动区域,提出了一种不 需初始化的变分水平集算法。利用该算法对烟雾的视频进行分割,将运动区域从背景中分割出来,对烟雾进行 检测分析。从而使通过烟雾判断火情更精确,检测结果更实时,提高了视频指挥灭火工作的效率。     

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.     

基于水平集方法的多运动目标分割

给出了一种对光照变化等实际环境中干扰不敏感的基于水平集和背景减的运动目标检测与分割方法。首先建立了当前帧图像与背景参考帧图像间的纹理差，并将其与灰度差相结合构成差图像；然后，分析了纹理特征，并采用适当措施减小由场景中杂乱运动产生的不利影响，从而实现运动目标的鲁棒检测；最后采用了基于区域的水平集方法，将多个信息有机地结合在一起，实现对多个刚体或非刚体运动目标的分割。实际采集序列图的仿真实验验证了该方法的有效性。     

基于AOS格式的扩展Chan-Vese模型及多水平集图像分割方法

对Chan-Vese提出的基于Mumford-Shah模型的多水平集图像分割算法作了改进.首先,使用AOS算法改进了原模型的差分格式,使得差分格式无条件稳定.其次,在水平集的构造中应用了快速推进法的改进算法,减少了水平集初始化时计算的点数和重复次数.