基于格式塔心理学原理的几何活动轮廓模型

基于格式塔心理学原理提出了一种几何活动轮廓模型,并将其应用于图像分割。当轮廓曲线远离目标边界时,应用格式塔心理学目标-背景原则,其能量函数主要由区域间差异性组成;当轮廓曲线位于目标边界附近时,应用格式塔心理学接近性原则,其能量函数主要由区域内一致性组成。该模型符合知觉特性,是几何活动轮廓模型的一般形式,且融合图像区域信息和边界信息。通过侧脑室和肿瘤医学图像分割实验,其结果表明,该模型对模糊边界图像的自动分割具有一定的普适性,能达到满意的分割效果。将该模型应用到多目标的免疫细胞图像分割中,能一次性完成将细胞质从细胞核和体液两种不同背景中分割出来的任务。     

基于梯度的混合Mumford-Shah模型医学图像分割

针对C-V法的水平集图像分割法缺少局部控制能力等问题，将基于边缘的几何主动轮廓线模型和基于区域的C-V法两者结合起来，提出了基于梯度的混合Mumford-Shah图像分割模型HMSG。给出了HMSG模型的参数设置准则，在分割的初期加大模型中全局特征项的权值，在分割的后期则加大局部特征项的权值，以提高模型的图像分割能力。对合成图像与医学图像的分割实验结果表明，该方法优于C-V方法对于含有噪声和边缘模糊的非二值图像的分割，能够较为准确地提取图像边界，可以有效提高图像分割整体性能。     

含边缘信息的C-V模型

边缘信息对图像分割是十分重要的。把图像的边缘信息融入C-V模型（active contours without edges）,提出一个新的几何模型,它同时利用同质区域信息和边缘信息使演化曲线在目标边缘处停止。实验显示：新模型能够克服C-V模型的一些缺点;在减少分割时间的同时,对目标灰度不均匀或背景灰度不均匀、含弱边缘或强噪声的图像,分割效果不仅优于C-V模型,也优于C-V模型的两个最新改进模型（LBF和GACV）。     

基于变异系数和模糊集的活动轮廓图像分割模型

由于图像分割具有模糊性,提出了一个对灰度不均匀、高噪声图像的分割模型。该模型以模糊能量泛函为基础,结合区域和边缘信息,利用变异系数作为局部区域统计量,避免了噪声对分割的干扰,很好地提取了图像信息。区域能量可以平衡目标和背景的重要性,驱使初始轮廓向目标边界移动。边缘能量对伪水平集函数进行正则化,保持曲线演化过程中的平滑性。在求能量泛函极小值时,直接计算新旧能量泛函的差值以更新伪水平集。对于高噪声以及混合噪声和强度不均匀的合成和真实图像的分割结果表明,本文模型具有较好的分割效果。     

基于边缘约束局部区域MRF的图像分割方法

针对常规马尔科夫随机场（MRF）模型对复杂自然图像分割时,存在对噪声敏感且边缘模糊的问题,构建一种基于边缘约束局部区域MRF（ECLRMRF）的图像分割模型。利用欧氏距离度量局部区域内邻接像素的相似度,依据其相似度构建局部空间来约束高斯混合模型,有效描述丰富的局部区域统计特征,并建立MRF模型的局部区域一致性约束项。利用Canny边缘检测算子提取图像的边缘特征,并在分割过程中建立图像分割区域的边缘约束,通过在MRF模型框架下将局部区域统计特征和图像边缘特征相融合,解决局部区域MRF模型对图像分割边缘模糊的问题,再采用Gibbs采样算法实现对复杂自然图像的准确分割。实验结果表明,该模型能够更好地保留图像边缘信息,并且具有更好的分割效果。     

基于改进几何活动轮廓模型的图像分割算法

针对传统几何活动轮廓（GAC）模型易出现边界泄露的缺陷,提出一个基于改进GAC模型的图像变速分割算法。该算法结合了图像边缘梯度信息和边缘角点坐标信息,通过改变演化曲线在角点及弱边界处的常量速度,避免活动轮廓曲线继续演化进入目标边界内,造成边界泄露和角点丢失现象,影响目标轮廓提取的准确性。实验结果表明：该算法可使演化曲线更加准确地停在目标边缘,并且在一定程度上减少了边界泄露问题。     

一种基于CB模型的彩色图像分割方法

CB模型是一种把图像分为色度和亮度方面的彩色模型,对图像进行分割去噪时可以很好地保留图像的细节和边缘。首先把一幅含有噪声的彩色图像分割成几何和摆动部分（纹理和噪声）,然后利用CB模型分别在色度和亮度两个通道上求几何和摆动部分,再合成图像的几何和摆动部分,其中几何部分即图像去噪后的图像。实验证明CB模型可以快速准确地分割出目标,消除图像的噪声部分,是一种有效的图像分割方法。     

融合各向异性扩散信息的图像分割

目的 图像因各种因素的影响存在一定程度的噪声,而噪声会在图像分割时影响待分割目标的边缘识别,导致分割结果难以达到理想状态。针对以上问题,在距离规则化水平集（DRLSE）演化模型的基础上,提出一种将各向异性扩散散度场信息融合到DRLSE模型中的新模型。方法 将水平集函数初始化为分段常数表达式,设定演化方程中的参数和水平集函数演化过程中的迭代时间步长Δt。随后将常值权系数α替换为融合各项异性扩散散度场信息的变权系数α（I）,对水平集函数的演化方程进行迭代演化,直至收敛到目标边缘。输出最终演化轮廓。结果 对选自Weizmann数据库的图像和经过人为改造的的图像进行图像分割实验,采用迭代时间和评价分割结果相似性的J系数（Jaccard相似性系数）和D系数（Dice相似性系数）等定量指标进行评价。对无噪声图像和噪声图像分割时,本文模型的J系数和D系数均比DRLSE模型的值大,表明本文模型的分割结果与真值图像的相似性较高。在分割时间方面,仅在分割背景简单边缘清晰的无噪声图像时,本文模型较DRLSE模型略长;在分割边缘清晰、背景灰度不均匀和边缘模糊、背景灰度不均匀的无噪声图像以及人为添加噪声的各种情况下,本文模型分割时间均明显短于DRLSE模型。其中,对边缘模糊、背景灰度不均匀的无噪声图像,本文模型分割时间为3.718 s,较DRLSE模型短9.523 s;对存在噪声、待分割目标存在凹区域且边缘模糊背景灰度不均匀图像,本文模型分割时间为4.235 s,较DRLSE模型短35.165 s。结论 实验结果表明,融合了各向异性扩散信息的DRLSE模型在图像分割尤其是噪声图像分割方面,具有明显的有效性、高效性和鲁棒性。     

一种新的几何活动轮廓模型在图像分割中的应用

针对传统几何活动轮廓模型不能准确分割图像内弱边界区域目标以及对噪声的干扰容易使曲线陷入局部极值的情况,提出了一种基于区域梯度流力的几何活动轮廓模型.由于该区域力是对图像进行区域分割后产生的,所以能够从全局的角度为模型提供区域内目标的边界信息,进而达到分割弱边界的目的.通过引入一个扩散方程可以扩大区域力的捕捉范围,达到消除噪声干扰的目的.实验证明,该模型较好地解决了传统活动轮廓模型分割图像目标存在的问题.     

基于神经网络的颗粒图像边缘混合检测方法

针对颗粒图像的特点,提出一种基于神经网络的边缘混合检测方法,该方法包含边界候选象素提取和神经网络边缘检测两部分,神经网络由用于图像信息压缩与图像信息编码的自组织竞争子神经网络（ＡＳＣＳＮＮ）和用于获取图像边缘矢量信息的基于径向函数子神经网络（ＲＢＦＳＮＮ）组成,实验结果表明,该方法分割颗粒图像得到的边缘图像封闭性好,边界描述真实,适用于堆积颗粒物料图像的边缘检测。