基于先验形状信息的水平集图像分割

针对现有水平集方法对于具有强噪声或弱边界的目标进行分割时存在的问题,提出了一种基于形状先验的图像分割方法.该模型采用变分水平集方法,融合了区域特征和边界轮廓特征,并通过相似性匹配选择最佳先验形状.该模型不仅对具有强噪声和弱边界的复杂图像具有较好的分割效果,而且有效地解决了曲线演化的初始轮廓的确定问题.与传统方法进行对比实验,结果表明,该方法具有较好的分割效果和较高的准确率.     

结合先验形状和Mumford-Shah模型的活动轮廓分割

基于先验形状和Mumford-Shah模型的活动轮廓分割是一种抗噪声干扰、稳定的图像分割方法。该模型采用水平集方法,并结合活动轮廓模型、先验形状和Mumford-Shah模型来控制曲线演化。特定目标的先验知识可以有效地指导目标准确分割,经过主成分分析（PCA）法可以得到感兴趣对象形状的主要信息。通过对不同图片分割实验表明,针对特定的形状,该方法对杂乱背景、部分遮挡、缺失和强噪声的图片依然能得到满意的结果。     

先验形状约束的超声前列腺图像分割方法

提出一种结合超声前列腺图像的局部特征和前列腺的先验形状知识的分割方法。该方法在传统图像分割方法中引入了前列腺的先验形状约束,使得分割能够一定程度地避免由于超声图像中噪声、伪影、灰度分布不均匀等因素对前列腺分割所造成的影响。算法分为两个部分：先验形状模型的学习和先验形状约束的分割。在先验形状模型学习阶段,采用主成分分析方法对形状作特征提取,以高斯分布作为形变参数的估计;在先验形状约束分剖阶段,将基于局部高斯拟合特征的活动轮廓模型与形状模型相结合对前列腺图像分割。实验表明,所提出的方法在超声前列腺图像中取得了良好的分割效果,为临床诊断和治疗提供了定量分析的工具。     

分数阶微分的边缘活动轮廓模型

边缘停止函数在边缘活动轮廓模型中是十分重要的,它通常是由图像的整数阶梯度定义的。这种整数阶边缘停止函数有两个缺点：一是对噪声敏感,不能较好地分割噪声图像;二是在分割弱边缘图像时容易产生边缘泄漏。针对这个问题,提出一个基于分数阶微分的边缘停止函数。实验表明,使用新的边缘停止函数的活动轮廓模型对噪声图像和弱边缘图像具有较好的分割效果。     

曲率无关方向扩散及改进型Chan-Vese主动轮廓模型

低信噪比条件下的图像分割是图像分割与应用中所面临的难点之一.针对当前非参数化主动轮廓分割模型在低信噪比、高曲率条件下难以准确收敛到目标边缘的问题,以主动轮廓模型中的噪声处理项作为切入点,提出一种基于曲率无关方向扩散的非参数化主动轮廓噪声去除方法.通过曲率无关方向扩散避免了去噪过程对主动轮廓形状的影响,并通过非规则边缘控制函数进一步控制噪声去除过程对信号边缘与噪声的不同作用,在有效去除噪声的同时保证了高曲率轮廓的收敛性;在此基础上,提出一种针对低信噪比图像分割的改进型Chan-Vese主动轮廓模型.最后通过详细的实验证明了该方法和改进Chan-Vese主动轮廓模型的有效性.     

活动轮廓的演化控制及其在铁谱图像分割中的应用

为了提高活动轮廓(active contour,AC)对边缘特征局部极小值的搜索效率,从而提高其对铁谱图像的分割速度,提出了一种基于活动轮廓评价和演化行为控制的图像分割方法.首先,设计了一种基于矢量图的边缘指示函数(edge indicator,EI)的计算方法,相应的计算结果为活动轮廓模型建立了一个边缘指向更加明确的边缘指示场(edge indicator field,EIF).其次,设计了曲线EI值的无迹卡尔曼滤波模型,并基于此提出了活动轮廓边缘特征的跟踪和评价方法.最后,根据以上评价结果调整曲线模型的参数以控制其演化行为.这种参数调节机制保证了曲线模型参数在不同的区域具有不同的参数设置.试验结果表明,该算法显著地提高了控制演化过程的灵活性以及活动轮廓的收敛速度,并且它能够实现对各种形状磨粒的准确分割,不仅避免了弱边界区域的泄漏现象,而且能够有效滤除背景中的各种噪声干扰和非磨粒目标.     

基于自适应符号函数的主动轮廓模型

几何主动轮廓模型的缺点是对初始轮廓位置特别敏感,基于距离规则水平集（DRLSE）模型的初始轮廓曲线必须设置在目标边界的内部或者外部.基于边缘的自适应水平集（ALSE）模型,提出了一种提高初始轮廓鲁棒性的方法.但两种模型均容易出现陷入虚假边界、从弱边缘处泄露以及抗噪声能力差等问题.设计了一个结合自适应符号函数和自适应边缘指示函数的模型,使得主动轮廓演化能根据自适应符号函数的方向从初始轮廓开始自动进行膨胀及收缩,很好地改善了水平集对初始轮廓敏感的缺点,提高了鲁棒性,同时解决了水平集对收敛速度慢以及易从弱边缘处泄露的问题.此外,为了使得模型演化更加稳定,提出了一个新的距离规则项.实验结果表明：自适应符号函数的主动轮廓模型不仅可以提高分割质量,缩短图像分割时间,同时提高了对初始轮廓的鲁棒性.     

结合高斯过程和形变模型的超声图像分割方法

目标区域的先验形状在基于形变模型的超声图像分割方法中扮演着重要的角色。为了提高先验形状模型对目标轮廓形变细节的建模能力,提出了一种基于高斯过程的统计形状模型。目标的形状被表示成一种离散的随机时间序列;利用高斯过程的性质对训练集中的目标形状变化进行统计学习,从而生成目标的先验形状和先验概率。为给形变模型向目标区域的演化提供观测模型,结合超声图像中目标边缘内外灰度变化特征设计了一种径向纹理特征模型。分割的优化被转化为求最大后验概率的过程。基于真实的临床超声图像实验结果显示,与其他方法相比该方法在复杂形变区域和弱边缘区域提供了更准确和鲁棒的结果。     

含先验形状的水平集血管分割方法

针对图像中灰度分布不均匀和弱边缘情况下已有的水平集模型不能正确分割,且现有基于先验形状的水平集模型都要利用大量样本来进行训练的不足,提出一种无需训练的血管先验形状水平集分割方法.首先通过机械应力张量的方法分析Hessian矩阵,并建立血管相似函数;然后根据血管相似函数临界值得到血管的先验形状,并用水平集符号距离隐式表达形状曲线;最后将先验血管形状模型作为约束加入到耦合最小方差和FLUX模型的能量函数中,采用变分水平集法求解能量函数的极值.由于曲线的演化不仅依赖图像的区域信息和梯度信息,还受到血管先验形状的约束,因此该模型不但能精确定位边缘,还能准确地提取出血管.实验结果表明,采用该方法分割严重灰度分布不均匀的血管造影图像,具有准确度好、精度高、鲁棒性好的优点.     

基于区域显著性的活动轮廓分割模型

提出一种新的活动轮廓分割模型,结合视觉显著性检测机制自动获取待分割图像中目标物体的先验形状信息,并自适应地构造初始轮廓,从而降低了初始轮廓位置对分割算法的影响.同时实现了活动轮廓模型对图像的自适应分割和自动分割,使得分割结果更符合人类视觉感知特性.实验结果表明,该模型有较好的分割效果,迭代次数少,且运行时间短.     

基于方向气球力活动轮廓模型的图像分割

针对传统参数活动轮廓模型存在对轮廓线初始位置敏感的缺点,提出了方向气球力活动轮廓模型并应用于MRI图像分割。该模型利用底层图像分割的结果确定外力的方向,使气球力方向始终指向目标边界,引导轮廓线变形。当轮廓线运动到目标边界附近时,在高斯势力作用下继续变形,完成图像高层分割。实验结果表明,该模型与轮廓线初始位置无关,能实现MRI图像的自动分割。     

基于多元信息的高斯混合模型左心室MR图像分割

水平集模型在核磁共振图像(MRI)分割中具有十分重要的地位。但由于MR图像往往具有弱边界和强噪音,传统的水平集模型用于图像分割时一般依据图像梯度信息,因而很难得到真实解。高斯混合模型使用了图像全局信息,能较好地处理弱边界问题。但传统的高斯混合模型仅使用了灰度值分布信息,未对像素的位置进行考虑,这使得其在处理噪音图像时效果并不是很理想。该文利用图像多种信息构造新的信息场,使得由信息场构造的高斯混合模型更能处理噪音等影响,同时防止从弱边界泄漏。在取得心脏内壁后构造能量方程,运用形状约束和图像信息以得到心脏外壁。对左心室MR图像分割实验表明该模型具有较好的分割效果。     

显著性驱动的局部相似拟合模型分割算法研究

灰度不均匀和噪声图像的分割是计算机视觉中的难点。现有的活动轮廓模型尽管能够取得较好的分割效果,但仍然对噪声图像分割效果不理想,初始轮廓曲线的选取敏感,优化易陷入局部极小导致演化速度慢等问题。针对该问题,首先使用局部区域灰度的均值和方差拟合高斯分布,构建新的能量泛函,均值和方差随着能量的最小化过程而变化,从而增强了灰度不均匀和噪声图像的分割能力。此外,结合视觉显著性检测算法获取待分割目标的先验形状信息,并自适应地创建水平集函数,从而降低了初始轮廓位置敏感性及计算时间复杂度,实现全自动的图像分割。实验结果证明,提出的算法可以用于灰度不均匀和噪声图像分割,并取得了较好的分割性能,消除了算法对初始轮廓位置敏感性,减少了迭代次数。     

融合凹点检测与仿射变换的活动轮廓模型

目的 针对基于矢量场的活动轮廓模型,如经典的梯度矢量流（GVF）模型、矢量场卷积（VFC）模型等,在提取凹形物体时矢量场常出现平衡点,不能较好地收敛到凹陷区域、尤其是深而窄的凹形及复杂凹陷区域的问题。提出一种融合凹点检测与仿射变换的活动轮廓模型。方法 首先利用活动轮廓模型进行曲线演化,得到演化后轮廓曲线上各点的坐标并求出各点的法线方向;然后基于凹点检测的方法,判断各点的凹凸性,利用梯度判断法,检测出未收敛到目标边界的凹点;其次对各凹点进行法向方向的仿射变换。在接近且不越过目标边界的情况下求出可变换的最大距离,变换后的点穿越了平衡点区域,让变换后的点代替原来的点形成新的轮廓曲线;最后为保证提取边界的精确性,将变换后的轮廓曲线再次演化并最终收敛到目标边界。结果 通过对具有凹陷区域的合成图像进行分割,计算提出模型分割结果的平均Jaccard相似系数（JS）值为95.51%,相比目前先进的GVF模型,VFC模型和自适应扩散流（ADF）模型分别提高了15.08%,12.09%和10.70%,整体效果上优于几种先进的模型。然后又对单/多目标真实图像及含噪的图像进行分割,证实提出模型分割性能的鲁棒性。结论 提出的模型有效地避免了凹形区域内的平衡点问题,可以对深凹形及复杂凹形图像进行有效分割,并且提高了分割精度。此外,该模型能融合到任何基于矢量场的活动轮廓模型中,具有广泛的普适性。     

结合分数阶微分和图像局部信息的CV模型

目的 由于CV模型仅利用了图像的全局信息,其对灰度不均匀图像的分割效果不理想,同时在分割弱边缘和弱纹理图像时,优化易陷入局部最优从而导致分割效率低下,且对初始位置的选择较为敏感。针对这些问题,提出一种结合分数阶微分和图像局部信息的CV模型。方法 首先将分数阶梯度信息融入图像的局部信息中,用来替代CV模型的整数阶全局信息,并建立自适应计算分数阶最佳阶次的数学模型,然后在模型中加入符号距离的约束项。结果 一方面,用局部信息代替全局信息,可以在一定程度上解决CV模型对灰度不均匀图像分割效果不理想的问题。另一方面,将Grünwald-Letnikov分数阶梯度信息融合到局部信息中,当分数阶阶次0 < α < 1时,增加了图像灰度不均匀、弱边缘、弱纹理区域的梯度信息,从而增加了演化驱动力避免演化曲线陷入局部最优,有效地解决了图像因灰度变化不大导致演化曲线驱动力小的问题,在一定程度上解决了模型对初始轮廓位置选择和对噪声敏感的问题。同时为了解决人工选取最佳分数阶阶次费时费力的问题,根据图像的梯度模值和信息熵建立计算分数阶最佳阶次的数学模型,将此自适应分数阶模型应用到算法之中,以自适应确定最佳分数阶阶次。此外,为了避免模型的重新初始化,在模型中加入符号距离的约束项,从而提高了曲线的演化效率。结论 理论分析和实验结果均表明,该算法能够较好地分割灰度不均匀、弱边缘和弱纹理区域的图像,并能根据图像特征自适应确定最佳分数阶阶次,提高了分割精度和分割效率,且对初始轮廓位置选择及噪声均具有一定的鲁棒性。     

引入分数阶微分的局部高斯分布拟合能量模型

局部高斯分布拟合能量(LGDF)模型缺乏全局信息,对初始轮廓曲线选取较敏感,特别在分割弱边缘和弱纹理区域图像时,容易陷入局部极值,对噪声的鲁棒性不好.针对上述问题,文中提出引入分数阶微分的LGDF模型.在LGDF模型中引入全局的Grümwald-Letnikov(G-L)分数阶梯度拟合项,增强弱边缘和弱纹理区域的梯度信息,提高对初始轮廓曲线和噪声的鲁棒性.采用自适应权重函数确定全局项和局部项的系数,提高对灰度不均匀图像的分割效率和分割精度.根据图像的梯度模值、信息熵和对比度构建自适应分数阶阶次的函数,提高分割效率.理论分析和实验均表明,文中模型可以用于灰度不均匀、弱纹理、弱边缘图像的分割.合成图像和真实图像的实验表明文中模型可以提高图像的分割精度和效率.     

基于Snake模型的图像分割新算法

针对目前基于Snake模型的图像分割算法普遍存在噪声鲁棒性差、适用范围受限、易发生弱边缘泄露以及轮廓曲线难以收敛到细小深凹边界的缺陷,提出了一种基于Snake模型的图像分割新算法。首先,选取新的扩散项代替具有各向同性光滑作用的拉普拉斯算子;其次,引入p-拉普拉斯泛函到平滑能量项中强化法线方向外力;最后,利用边缘保护项使外力场方向与边缘方向一致,以防止弱边缘泄漏并促使轮廓线收敛到细小深凹边界。实验结果表明,所提模型不仅克服了现有基于Snake模型的图像分割算法的缺陷,具有更好的分割效果,明显提高了抗噪性能和角点定位精度,而且耗时更少,适用于噪声图像、医学图像以及含有很多弱边缘的自然图像分割。     

融合Snake模型与拓扑路线的图像分割算法

为了能够提高图像边缘检测的准确度,提出一种新型图像处理算法.该算法是基于主动轮廓方法和拓扑路线相结合的方法,目的是提高图像检测过程的精确度.该算法提出了新型技术来整合拓扑路线和主动轮廓方法各自的优点.将基于拓扑路线的初始分割边界作为Snake模型输入信号,并逐步演化成为最终对象的分割边界.实验结果表明,该算法可以处理低对比度图像,同时可以提高针对弱图像边界进行分割的准确度,取得了更好的图像分割和边缘检测效果,说明该算法有改进低对比度和自动图像分割系统的处理能力.