基于变分水平集的图像模糊聚类分割

结合变分水平集方法和模糊聚类,提出了一个基于变分水平集的图像聚类分割模型.该模型引入了一个基于图像局部信息的外部模糊聚类能量和一个新的关于零水平集的正则化能量,使得该模型对噪声图像的聚类分割更具鲁棒性.通过在能量泛函中加入一个内部约束能量约束水平集函数为符号距离函数,可以使水平集演化过程无需重新初始化.进一步提出了一种变分形式的聚类中心更新方法,实现了半监督的图像聚类分割.实验中采用不同类型的图像与FCM聚类模型、CV模型、Samson模型进行了对比实验,实验结果显示,该模型能够克服图像中噪声的影响,取得较满意的聚类分割效果.     

基于改进符号距离函数的变分水平集图像分割算法

为保证水平集图像分割算法的稳定性,传统水平集方法常采用重新初始化的方法或引入符号距离函数,但这两种方法存在计算量大或计算不稳定的问题.因此,提出一种基于改进符号距离函数的变分水平集图像分割算法.首先,改进已有的Double-Well型符号距离函数约束项,改进后的约束项可避免重新初始化、提高计算效率,同时也能更好地保证水平集函数演化过程的稳定.然后,利用基于全局灰度信息和局部灰度信息的活动轮廓模型构造能量泛函,该能量函数继承了全局模型和局部模型的优点,可驱动水平集函数准确演化至目标边界,且可动态调整组合权重.最后,引入高斯卷积运算,加快演化速度同时也对水平集函数起到平滑的作用.对人工合成和自然图像的数值实验及与同类模型的对比实验证明,提出的模型具有较高的分割准确度及对噪声和初始轮廓的鲁棒性.     

一种改进的变分水平集的图像分割算法

为了解决灰度不均匀现象对医学图像的干扰问题,提出了基于局部极性信息的活 动轮廓模型。通过引入局部图像信息,该模型能有效地分割灰度不均匀图像。在规则化项中增 加的能量惩罚项,使得水平集函数在演化过程中保持为近似的符号距离函数。该算法将图像分 割问题归结为曲线能量泛函的最小化,首先建立包含局部灰度信息（极性信息）和改进的符号 距离函数的曲线演化能量泛函;然后采用变分水平集方法求解能量函数的最小值,得到最终的 分割结果。真实医学图像和人工合成图像的实验结果表明,此方法对灰度不均匀的医学图像有 较高的分割精确度,在图像分割速度上有较大提高。由于利用了局部灰度信息,可以有效地分 割灰度不均匀的医学图像,而改进后的变分水平集可以完全避免重新初始化,使得图像分割效 率大大提高了。     

应用区域间差异性和距离约束函数的图像分割

许多水平集图像分割模型需要不断重新初始化水平集函数,或需要图像的梯度信息来约束曲线进化。提出最大化区域间差异性和距离约束函数水平集图像分割模型,该模型引入距离约束函数作为内部能量保证水平集函数始终为符号距离函数（SDF）,避免了进化过程中对水平集函数的不断初始化。基于目标和背景两区域平均灰度值之差的平方构造外部能量函数（区域间差异性函数）,并使其最大化,确保零水平集曲线稳定地收敛于目标边界。实验结果表明,提出的模型不仅有效地克服了传统模型需重新初始化的缺点,并且由于外部能量函数融合了区域信息,对弱边界图像以及含噪声图像具有较好分割能力。     

几种基于参数估计的图像分割比较

基于变分水平集方法建立了两相图像分割的通用模型,其区域模型基于图像的一般概率分布函数,通过变分方法得到水平集函数的演化方程和符合常值分布、Gauss分布及Rayleigh分布的参数估计。通过半隐式差分格式对演化方程离散求解,对含不同噪声分布图像采用不同的参数估计模型进行分割,得到了有意义的结论,得出三种模型适用范围,并分析各个模型驱动曲线演化所依据的图像蕴含信息。此外,通过在能量泛函中增加使水平集函数为符号距离函数的约束项,有效地避免了水平集函数需要重新初始化的问题。     

隐式曲面上两相图像分割的变分水平集方法

在平面图像分割的Chan-Vese模型基础上,提出隐式曲面上两相图像分割模型。用静态水平集函数的零水平集表达图像所在的闭合曲面,用另一动态水平集函数的零水平集与静态水平集函数零水平集的交线表达静态曲面上图像分割的动态轮廓线。所研究模型的能量泛函的数据项即为曲面上两分割区域的图像强度与对应区域平均图像强度的差的平方,其轮廓线长度项为两水平集函数的零水平集交线的长度。为避免动态水平集函数的重新初始化,在能量泛函中引入水平集函数为符号距离函数的约束惩罚项。通过变分方法得到图像分割空间轮廓线演化的梯度降方程。通过显式差分格式对演化方程进行离散。实验结果表明,该模型能有效实现复杂封闭曲面上图像的两相分割。     

梯度向量场通量能量驱动的主动轮廓模型

提出了一种基于梯度向量场通量能量的水平集图像分割算法.通过加入约束符号距离函数的能量项,并极小化该能量函数得到的变分表达式主要具有4条优于传统主动轮廓模型的优点.一是可以克服分割弱边界目标的困难;二是水平集函数不但可以灵活初始化,而且可避免在演化过程中重新初始化为符号距离甬数;三是水平集函数数值化可采用简单的有限差分方法,计算效率得到了极大的提高;四是仅用一个初始轮廓就可以自动检测带孑L目标的内轮廓.对合成和真实图像的分割结果表明:对弱边界目标和灰度分布不均目标的分割效果分别优于测地线模型(GAC)和C-V主动轮廓模型.     

基于Chan-Vese水平集的梯度加速分割模型

为了提高图像分割的速度和精度,提出了一种新的基于Chan-Vese水平集模型(C-V模型)的梯度加速分割模型.首先,在C-V模型的能量函数中加入一个内部能量项,抵消演化过程中水平集函数和符号距离函数的偏差,从而消除分割中周期性重新初始化的过程;其次,提出了梯度加速项,通过感兴趣区域的图像特征,快速得到该区域的边界,且能够提高弱边界的分割精度.实验证明,提出的方法不仅能够加速特定区域的分割、提高分割精度,还能保持分割过程的稳定性.     

局部信息熵的快速混合测地区域活动轮廓模型

针对变分水平集算法在图像分割过程中计算量较大且收敛速度慢的现象,在前人研究的基础上提出了一种新的局部信息熵的混合测地区域活动轮廓模型。该模型构造一个新的能量泛函,在泛函中引入柔化核函数作为窗口核函数,构造一个新的符号压力函数来代替测地线边缘检测函数,并以局部信息熵作为图像拟合能量项的权重,通过非凸正则化项来约束水平集函数。由此得到的算法不仅能加快轮廓曲线的收敛速度,而且可以处理那些由于光照或其他外界因素的变化产生的灰度不均匀或者模糊的图像,提高分割的精确性。将算法在合成图像和真实图像上做仿真实验,实验结果表明,该算法具有较快的收敛速度,分割也较准确,同时对轮廓曲线的初始位置不敏感,具有很好的鲁棒性。     

基于Chan Vese水平集的梯度加速分割模型*

为了提高图像分割的速度和精度,提出了一种新的基于ChanVese水平集模型(CV模型)的梯度加速分割模型。首先,在CV模型的能量函数中加入一个内部能量项,抵消演化过程中水平集函数和符号距离函数的偏差,从而消除分割中周期性重新初始化的过程;其次,提出了梯度加速项,通过感兴趣区域的图像特征,快速得到该区域的边界,且能够提高弱边界的分割精度。实验证明,提出的方法不仅能够加速特定区域的分割、提高分割精度,还能保持分割过程的稳定性。     

无需重新初始化的自适应快速水平集演化模型

水平集方法已被广泛地应用在图像分割中,传统的水平集方法需要通过周期性的初始化水平集函数使得它一直保持在符号距离函数附近,然而初始化与水平集理论和实现相违背。最近,Li C等人提出一种完全不需要初始化的变分模型,该模型的主要不足就是单方向演化,即演化曲线或收缩或扩张到目标边界。针对二值图像提出一种新的基于距离保持水平集方法的活动轮廓模型,它不依赖于初始位置,演化曲线准确地收敛在目标边界,更重要的是曲线演化只需一次迭代。     

一种新的基于snake模型的水平集图像分割方法

介绍了一种新的变分函数来替代传统水平集方法中的符号距离函数,因而可以完全忽略重复初始化符号距离函数的步骤,提高了计算效率。用一个能量函数来表示基于snake模型水平集函数的变化情况。其中能量函数主要由内部能量和外部能量表示。利用内部能量描述曲线的张力和平滑性;外部能量则基于图像数据,并在图像的目标边界形成极小值。同时最小化内部和外部能量,产生内力和外力：内力控制曲线演化的方向,并保持曲线不被过度弯曲;外力则吸引曲线到达目标边缘。     

A novel active contour model for image segmentation using distance regularization term

In this paper, a novel active contour model (R-DRLSE model) based on level set method is proposed for image segmentation. The R-DRLSE model is a variational level set approach that utilizes the region information to find image contours by minimizing the presented energy functional. To avoid the time-consuming re-initialization step, the distance regularization term is used to penalize the deviation of the level set function from a signed distance function. The numerical implementation scheme of the model can significantly reduce the iteration number and computation time. The results of experiments performed on some synthetic and real images show that the R-DRLSE model is effective and efficient. In particular, our method has been applied to MR kidney image segmentation with desirable results.     

一种改进的活动区域轮廓模型 ——无需水平集重新初始化

基于区域的活动区域模型已经成功应用在图像分割、目标跟踪等领域,较之基于梯度的活动轮廓模型具有很多优点。但是,这些水平集模型在演化过程中,为了保持为符号距离函数,必须对其重新初始化,降低了曲线演化速度,增加了实现复杂度。为了解决重新初始化问题,在测地活动区域模型的能量函数中,加入惩罚项来约束水平集保持为符号距离函数,无需再重新初始化,极大地提高了演化速度。将其运用在纹理图像、脑MR图像分割以及视频跟踪中,实验证明该模型是有效的。     

双Level Set遥感影像建筑物检测

对传统的基于梯度的Level set方法和基于区域的Chan-Vese分割模型进行分析,提出结合局部梯度和同质区域全局均值信息的双水平集遥感影像分割模型,并利用变分法得到曲线的演化方程。该模型引入一种内部约束能量项近似地表示符号距离函数,使算法摆脱了重新初始化符号距离函数的缺陷,提高了曲线的演化速度,且可以同时分割出多类目标。在建筑物检测中可以同时检测出建筑物的向阳区域、屋顶和阴影区域。实验表明,该方法是一种有效的建筑物检测方法。     

融合边缘和区域信息的水平集矢量图像分割

在充分利用矢量图像各通道区域和边缘信息的基础上,变分IAC（集成活动轮廓）模型引入了非线性热方程的符号距离函数约束项,使水平集不用耗时的重新初始化而始终保持符号距离函数的特性。对非线性热方程传导率的均衡化,使水平集的演化分割过程快速稳定。另外,算法改进了曲线2维梯度和散度算子传统离散化方式,使梯度和散度算子保持空间旋转不变性。实验结果表明,该方法是有效的,提高了分割的准确性和鲁棒性。