基于类自适应高斯-马尔可夫随机场模型和EM算法的MR图像分割

高斯-马尔可夫随机场模型既利用了图像像素的灰度信息,又通过像素类别标记的Gibbs光滑先验概率引入了图像的空间信息,是能较好地分割含有噪声图像的模型,然而,Gibbs惩罚因子β的确定却一直是个难点,为获得好的分割效果,通常用多个β值人工尝试。本文针对此问题,提出了一种新的、简单的、类自适应的惩罚因子β,其利用后验概率来自动计算,并具有各类各向异性。再将模型利用EM-MAP算法来迭代求解。最后,将该算法应用于MR图像的分割,实验结果表明,该算法能自适应地、有效地分割噪声图像,并具有较高的正确分类率和类正确分类率。     

基于类自适应高斯 马尔可夫随机场模型和EM算法的MR图像分割

高斯马尔可夫随机场模型既利用了图像像素的灰度信息,又通过像素类别标记的Gibbs光滑先验概率引入了图像的空间信息,是能较好地分割含有噪声图像的模型,然而,Gibbs惩罚因子β的确定却一直是个难点,为获得好的分割效果,通常用多个β值人工尝试。本文针对此问题,提出了一种新的、简单的、类自适应的惩罚因子β,其利用后验概率来自动计算,并具有各类各向异性。再将模型利用EMMAP算法来迭代求解。最后,将该算法应用于MR图像的分割,实验结果表明,该算法能自适应地、有效地分割噪声图像,并具有较高的正确分类     

彩色互信息在细胞图像分割中的应用

基于均值聚类的彩色图像分类数的选择对细胞图像的分割具有至关重要的作用,为了准确并快速得出k均值聚类的最佳聚类数,提出了一种基于彩色互信息的聚类数选取法。对原图像通过选择m个不同的聚类数k值得到m幅彩色聚类效果图,利用信息熵理论将m幅聚类图片分别与原图像进行互信息熵计算,同时将第k幅聚类图像与第k+1幅聚类图像进行互信息熵计算,通过设定k相关互信息差的阈值以确定最佳聚类数。实验结果表明,该方法具有较好的分割效果和运算效率。     

基于聚类和改进型水平集的图像分割算法

针对医学图像中通常伴有噪声、多目标的问题,传统水平集无法将图像中的多目标完全分割出来,提出了基于抑制式模糊聚类算法的改进型双水平集模型。首先,利用聚类算法对医学图像进行预分割降噪,通过标准化互信息准则(NMI)判断聚类是否达到满意效果,进而改良聚类算法,再由增加惩罚项的改进型双水平集进行二次分割。实验结果表明,该方法能够降低图像的噪声和算法的敏感性,水平集无需重新初始化,大大减少了计算量和迭代次数,该模型能将伴有噪声的多目标医学图像完全分割出来,获得了预期的分割效果。     

自适应非局部空间约束与K-L信息的模糊C-均值噪声图像分割算法

针对传统模糊C-均值聚类(FCM)算法对噪声鲁棒性差的问题, 提出一种自适应非局部空间约束与K-L信息 的模糊C-均值噪声图像分割算法. 首先, 通过定义平滑度, 设计自适应匹配函数, 实现非局部空间信息项搜索窗口和 邻域窗口的自适应计算, 克服非局部空间信息窗口大小固定的问题. 其次, 将K-L信息引入目标函数, 利用隐马尔可 夫模型计算图像像素的上下文信息, 减少分割的模糊性. 最后, 利用原始图像和非局部空间信息项局部方差的绝对 差和其倒数自适应约束原始图像和非局部空间信息项, 实现约束项参数的自适应选择, 提高算法的灵活性. 含噪合 成图像和彩色图像分割实验表明, 该算法在分割精准度、平均交互比、归一化互信息、模糊分割系数和模糊划分熵 等性能方面均优于其他几种FCM算法. 例如, 在混合噪声密度为15%的条件下, 算法的模糊分割系数和模糊划分熵 分别达到99.92%和0.14%.     

基于互信息与类距离测度最优的图像聚类

模糊C均值算法用于图像聚类时,仅考虑图像的灰度信息,忽略灰度的空间分布,未充分利用分割前后图像间的关系。从分割后图像的类距离出发,并利用聚类分割前后图像间的互信息,以基于对称分布多样性的粒子群算法为优化技术,构造了一种新的图像分割方法——基于互信息和类距离测度最优的图像聚类算法。对医学图像进行仿真,实验结果表明该算法得到的图像边界清晰连续,图像的内部特征保持完好,与多种聚类算法相比,图像分割的质量明显得到提高。     

基于特征散度的自适应FCM图像分割算法

图像分割是模式识别、图像理解、计算机视觉等领域的重要研究内容。基于模糊C均值聚类(FCM)的图像分割是应用较为广泛的方法之一,但其存在距离测度鲁棒性差、需预先给出初始聚类数目、未考虑图像局部相关特性等问题。为克服上述缺点,通过引入特征散度进行距离测度,并结合聚类有效性指数自适应确定初始聚类数目和根据Laws纹理测度提取图像特征等措施,提出了一种新的FCM图像分割算法。实验结果表明,该新算法可以有效地提高图像的分割效果(特别是纹理图像),其分割结果优于现有FCM图像分割方案。     

最大模糊互信息用于图像分割

为了更好地选取图像阈值,将最大模糊熵(MFE)准则与最大互信息(MMI)准则结合,提出最大模糊互信息(MFMI)准则。同时为了有效确定最佳分割类数,提出根据模糊互信息差(dFMI)来判别的准则。综合上述的两点改进,提出一种新的多阈值分割算法——最大模糊互信息量分割算法(MFMI)。对合成图像、无损检测图像、标准测试图像进行仿真,同时对比结合前的MFE与MMI,经典的阈值分割法如OTSU和MET,以及流行的模糊C均值算法(FCM),可以发现MFMI误判率最小,代价是运行时间较长。综上,MFMI是一个有效的图像分割方法。     

基于互信息量的图像分割

图像分割是图像信息处理的热点和难点之一，常用的分割方法有阈值法和聚类法等．模糊C均值（FCM）算法因其实现简单、结果较优而得到广泛应用，但FCM算法存在过分依赖初值、收敛于局部极值和需预先给定分类类数等问题．研究者们对此进行了大量研究和改进，但均无法彻底解决上述问题，基于模拟退火算法和互信息量，以最大互信息量为优化目标，文中提出了一种新的分类类数判据一互信息熵差，并在此基础上构造了一种新的阈值分割算法——最大互信息量分割算法（MMS），实验结果表明，MMS克服了FCM算法的上述不足．更为重要的是，作为一种一般性的分类算法，MMS算法如同FCM一样，可以应用到图像分割以外的更广阔的领域，如经济学、运筹学、模式识别等．     

基于图像片马尔科夫随机场的脑MR图像分割算法

传统的高斯混合模型（Gaussian mixture model,GMM）算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科 夫随机场（Markov random field,MRF）模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图 像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马 尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能 保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到 最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.     

基于互信息的自然图像分割

自然图像分割在图像处理和计算机视觉等领域中占据重要地位。基于聚类的图像分割算法是无监督图像分割算法中的一种重要方法,〖JP2〗但是这类方法存在2个问题。首先特征提取一般是基于像素的,这导致分割结果与边界拟合比较差,针对此问题提出引入超像素对待分割图像预处理;其次,分割块数很难确定,针对此问题提出一种基于互信息的能量差,能够自动确定分割块数。在标准数据库上的实验结果表明,本文算法克服了上述问题,取得了比较好的实验结果。     

基于差分互信息距离的图像置乱效果评价法

提出了差分图像和互信息距离相结合的图像置乱效果评价新方法。首先提出了互信息距离概念,然后对置乱前后图像进行差分运算并得到其相应的差分图像,最后计算两差分图像之间的互信息距离作为图像置乱效果评价的新准则。实验结果表明,所提出的评价方法能够较好地刻画图像的置乱程度,反映了加密次数与置乱程度之间的关系,与人的视觉基本相符。而且对于不同的图像,该评价方法能在一定程度上反映所用的置乱变换在各置乱阶段的效果。     

利用归一化互信息进行基于像斑的遥感影像变化检测

提出了利用遥感影像分割获取像斑进行变化检测的方法。将归一化互信息引入到遥感影像变化检测中,利用像斑的灰度直方图以及联合灰度直方图计算像斑的归一化互信息,依据条件熵最小的原则,获取最佳划分阈值,并与相关系数法进行了比较。实验结果显示归一化互信息法更适用于遥感影像变化检测。     

一种结合互信息和模板匹配的配准方法

传统的互信息法直接对大图进行互信息配准,容易出现局部极值并产生误匹配现象,针对该问题,提出一种将互信息与模板匹配相结合的配准方法,采用互信息为相似度准则进行图像的模板匹配,得到候选的匹配子图,通过待配准大图其余部分与模板和子图的空间关系,得到配准后的大图,分别计算按照各个候选子图配准情况下的待配准图的互信息,得到最大的互信息所对应的子图,确定最终的配准结果。实验结果表明,该方法在对灰度差较大的图像进行配准时,能够获得良好的效果。     

Unsupervised segmentation of medical image based on difference of mutual information

Image segmentation is a very important research field in the scope of image process- ing. It has extensive application and involves almost all fields such as image understand- ing, pattern recognition and image encoding, etc. Furthermore, research of imag…     

医学图像配准中的一种互信息快速计算方法

基于互信息的医学图像配准,可以达到亚像素级精度且无需提取图像的解剖特征,是一种高精稳健的配准方法。但其中频繁的互信息计算使配准速度很慢,不能满足临床的实时要求。提出一种基于统计直方图灰度压缩的互信息加速计算方法,能显著减少灰度级,加快互信息计算,从而加快配准速度。实验表明,该方法能在不影响配准精度的前提下显著缩短配准时间。     

快速互信息轮廓匹配算法

针对轮廓匹配中存在的遮挡、噪声等问题,提出把互信息作为二值图像相似性的度量准则,通过遍历的方法找到最大互信息的位置;为了加快匹配的速度,提出了相应的互信息计算的快速算法。新算法不依赖模板和输入图像的大小,仅仅与模板和输入图像中轮廓像素点的个数有关。实验结果表明,文中算法在512×512图像上完成一次匹配平均需要花费约50 ms,可以克服光照、遮挡、随机噪声和小形变的影响。     

模糊互信息及其在图像分割中的应用

针对基于互信息的图像分割方法对噪声干扰或光照不均匀的图像不能获得满意分割效果的不足,该文提出模糊化互信息的图像分割新方法。该方法将现有互信息进行模糊修改,得到了模糊互信息,在图像分割中给出模糊隶属度函数的定义方法,获得了模糊互信息参数的选取办法。实验结果表明了该模糊互信息图像分割方法的有效性。     

一种基于互信息的图像配准算法

针对红外和可见光图像的特性,提出了一种基于互信息的图像配准算法。该算法采用互信息作为红外和可见光图像的统计相关性测度,并使用仿射模型实现两者的配准。实验结果表明,该算法能够较好的进行图像间尺度、旋转和平移差别的修正,可以很好地解决成像差异较大的红外与可见光图像间的配准问题。     

基于归一化边缘互信息与自适应加速粒子群的图像配准方法

传统的归一化互信息配准方法未利用图像的空间信息,当图像中混有一定噪声时,会出现误配准。边缘是图像最基本的特征之一,为了改进归一化互信息方法,提高图像配准的精度,加快收敛速度,将图像的边缘信息与灰度信息自适应地结合,形成归一化边缘互信息测度(NCMI),提出一种基于加速因子的自适应加速粒子群优化算法(AAPSO)来优化基于NCMI测度的图像配准。AAPSO算法通过对解排序,将指定数量的劣解进行进化加速来引导粒子的飞行,并对自适应惯性权重公式加以改进,提高了算法的收敛性,防止早熟收敛并增加优化解的多样性,同时加入加速因子来提高收敛速度。实验结果表明,该方法配准精度高,速度快,具有较强的实用性。