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.     

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.     

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.     

融合RGB颜色空间的植物图像分割模型

针对植物图像分割中常见的受复杂背景影响、弱边界及连通性问题,提出一种改进的双凸模糊变分图像分割模型.该模型首先通过RGB颜色空间模型将彩色植物图像划分为两个部分,令植物图像中的目标对象保持原来的颜色,其他部分则设置为与目标对象差异较大的颜色背景,并以提取出的目标对象轮廓作为初始轮廓;其次,使用log边缘检测算子提高对噪声的稳健性,并对植物图像进行图像增强处理;最后在双凸模糊变分模型的基础上提出了一种新的变分分割模型.实验结果表明,该方法把平均JS值提高到95. 68%,实现对莲座植物图像中目标对象边缘轮廓的准确提取,有效解决了受复杂背景影响和像素间的连通性问题.     

基于核模糊聚类的变分水平集医学图像分割

针对李春明提出的"无需重新初始化的变分水平集分割模型"存在对内部像素灰度值相近、边缘分离性差、图像分割效果不理想等问题,提出了一种改进的基于核模糊聚类的变分水平集医学图像分割方法.将原始图像进行核模糊C均值聚类处理得到聚类图像,并将其引入初始水平集函数中.然后将改进的边缘指示函数代入李模型中,实现最终的图像分割.通过对人体脑部、肩部MR医学图像进行试验,并采用最大香农熵进行客观评价.结果表明所提出方法的最大香农熵的值在一定程度上大于李模型方法,且运行时间和迭代次数都有所减少,证明了新方法具有良好的分割质量、适应性强,且无需重新初始化.     

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.     

噪声图像分割的全局凸优化变分模型

基于二值标记函数及图像噪声分布模型建立了两相图像分割的全局凸优化变分模型。其能量泛函的数据项基于通用的概率分布函数,分割轮廓线的长度用标记函数的总变差近似。在交替优化过程中,当区域参数估计出后,采用凸松弛和阈值化技术计算标记函数实现全局优化,并设计了该全局凸优化模型的快速Split Bregman算法。作为实例,本文实现了基于高斯分布、瑞利分布、泊松分布及伽马分布模型的两相图像分割。     

一种基于偏压场的水平集图像快速分割算法

提出了一种基于偏压场的水平集图像快速分割算法.运用偏压场估计图像局部统计信息,结合图像的全局信息和图像边缘信息建立新的能量函数,然后将此能量函数嵌入到水平集框架中,得到最终改进的分割模型.最后对合成图像和真实图像进行分割,并与其他4种模型对比,实验结果表明,提出的模型分割精度提高了20%以上,而且分割速度提高了2~5倍.     

利用改进CV模型连续水平集算法的核磁共振乳腺图像分割

针对核磁共振乳腺图像边界弱、信息量大、信噪比低的问题,提出一种基于改进Chan-Vese(CV)模型的连续水平集分割算法。该算法利用B样条基函数将传统离散水平集函数表示成连续形式,用解决B样条空间的变分问题代替水平集函数更新的计算问题;通过引入转移Heaviside函数,构造α-CV模型作为能量函数模型。实验结果表明,与传统CV模型离散水平集方法相比,该算法可以避免局部极小值的现象,提高分割精度,有效抑制噪声,分割迭代次数降低了101数量级,并且可以准确、稳定地实现低信噪比、弱边界的核磁共振乳腺图像分割。     

一种新的基于局部区域的活动轮廓模型

提出了一种新的基于曲线演化的活动轮廓图像分割模型.该模型利用局部图像统计信息来代替C-V模型中的全局灰度均值,以此可以分割灰度不均匀的图像.此外,在模型定义的能量泛函中增加了水平集正则项,以此来保证数值计算的准确性和避免对水平集函数的重新初始化.将本文提出的活动轮廓模型用于分割人工和自然图像,比较结果显示:C-V模型不能很好处理灰度不均匀图像,而本文提出的模型对灰度不均匀图像能得到满意的分割效果.     

结合BV-L2分解的CV变分水平集模型

Chan-Vese(CV)模型基于图像的全局信息,对噪声有一定的鲁棒性,但是对于强噪声污染图像,CV模型并不能取得好的分割效果。笔者结合变分图像分解和CV模型,提出了一个新的图像分割变分模型。该模型结合BV-L~2分解和CV模型,可以实现噪声图像的同时去噪与分割。采用交替迭代算法对新模型进行求解。以人造图像和自然图像为实验对象验证了研究模型分割的有效性和鲁棒性。此外,对比实验结果显示对于强噪声污染图像,与经典的CV模型和VFCMS模型相比,研究模型在分割质量上有一定优势。     

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.     

一种基于边缘和区域信息的变分水平集图像分割方法

分析了两种已有变分水平集图像分割模型,并由它们提出了一种新的基于图像边缘梯度信息和区域全局信息的变分水平集方法.该方法既克服了所述两种模型的缺点,又继承了各自的优点.同时,采用隐式迭代数值解法,在保证模型稳定性的基础上,加快了收敛速度.实验表明所提方法对于不同类型的图像均能够达到快速、稳定、准确、鲁棒的分割效果.     

使用测地线活动轮廓模型的合成孔径雷达图像分割方法

为解决经典的测地线活动轮廓(geodesic active contour, GAC)模型在合成孔径雷达(synthetic aperture radar,SAR)图像上不适用的问题,在原GAC模型的基础上提出一种新的分割方法。首先在ROEWA算子进行边缘检测的同时使用Frost滤波器对图像进行负指数加权,形成边滤波边检测的模式,提高了算子的边缘检测与定位能力;然后使用经验阈值对ROEWA强度进行二值化,提高了曲线演化的速度与精确度;最终使用二值化的改进后ROEWA算子替代原GAC模型中的全局梯度项作为边缘指示函数引导图像分割。实验结果表明,针对仿真SAR图像及真实河流SAR图像,分割效果与参数指标都有明显提升。     

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.     

无需重新初始化水平集的多相水平集图像分割方法

笔者提出了一种无需重新初始化水平集函数的多相变分水平集图像分割方法.根据Vese -Chan提出的多相模型的区域竞争思想,结合图像区域全局信息的能量函数作为模型的外部能量项,引入内部变形能量约束水平集函数来逼近符号距离函数,避免了重新初始化水平集函数的过程,提高了计算速度和分割效果.实验结果表明,笔者提出的模型有效地克服了传统模型需重新初始化和构造符号距离函数计算量大的缺点,而且具有全局最优分割能力和较强的抗噪性能.     

基于改进CV模型的金相图像分割

对金相图像进行快速精确分割是金相晶粒评级的关键步骤,利用传统Chan-Vese(CV)模型很难将晶粒精确地提取出来.为了更加精确地对金相图像进行分割,提出一种基于改进CV模型的金相图像分割方法.初始化水平集函数,对曲线内外两部分分别计算其倒数坎贝拉距离,并将该距离的大小作为拟合中心的权重系数,有效抑制了噪声点对区域拟合中心准确性的影响;引入指数熵自适应调节曲线内外能量权重,减少固定能量权重对曲线演化的影响;同时加入距离规范项以避免水平集函数的重新初始化,加速该模型的收敛.实验结果表明,与传统CV模型、测地线活动轮廓模型、距离规范项的水平集模型以及偏置场修正水平集模型相比,所提方法分割出的金相图像更加精确,分割效率较高且模型收敛性较好.     

基于模型的FLIR图像的多分辨率分割方法

针对低对比度前视红外（ＦＬＩＲ）图像分割问题的特点，将多分辨率图像处理技术与基于模型的前视红外图像分割方法结合起来，提出了基于模型的ＦＬＩＲ图像的多分辨率分割方法．首先建立一金字塔结构的多分辨率图像集，然后在每一固定分辨率级别上使用基于模型的ＦＬＩＲ图像分割方法，并用低分辨率上的分割结果修正高分辨率上迭代的初始概率，最后在原ＦＬＩＲ图像中得到分割结果．该方法能得到更为精确的目标分割结果，并大大减小背景对分割图像的干扰，同时还加快了选代的收敛速度．对实际红外目标图像的分割结果证实了本算法的有效性．