木材彩色图像缺陷分割——基于Gabor滤波的改进C-V彩色模型

分析了木材节子缺陷、单板节子的特点,提出了一种基于多通道Gabor滤波的改进C-V彩色模型的木材缺陷识别算法。该算法将彩色图像作为一个整体的图像,保留了图像的彩色信息。该算法利用多通道Gabor滤波器、K-均值聚类算法得到缺陷目标与背景的彩色区分图像;利用改进的彩色C-V模型对新图像进行边缘提取,得到理想的实验结果。与采用基于改进C-V模型与小波变换的灰度图像缺陷识别算法相对比,结果表明该方法可快速、准确地实现对木材节子缺陷彩色图像及单板多节子彩色图像的分割。     

多通道图像轮廓线提取的变分算法

针对多通道的图像分割提出一种新的活动轮廓线提取算法。对轮廓线长度采用Munford-Shah最小化泛函加上图像每个通道上的拟合误差之和。与传统C-V方法类似,该算法不需要图像的梯度信息就可以检测物体的边缘,解决了传统C-V方法不管从哪个尺度空间都无法完全分割彩色图像中物体的问题。并通过改进初始化函数提高了分割的速度。     

用于彩色图像复原的带有高阶耦合项的TV模型

提出了一种改进的TV(Total Variance)彩色图像复原方法。为消除TV模型的各向异性扩散导致的块效应,采用在TV模型的基础上耦合高阶项的新模型;并将这个新的模型推广到彩色图像,利用多通道的耦合机制实现各单色通道图像复原过程的相互制约。新模型保持了各向异性扩散的特性,图像的边缘得到了保持。实验结果证明, 与其它模型的复原 彩色图像相比,新模型复原的图像的峰值信噪比(PSNR)有了更大的提高,图像的非边缘区看上去更加平滑自然。     

对彩色和亮度通道进行各向异性扩散的彩色图像分割

提出了一种利用各向异性扩散和平均值位移聚类的彩色图像分割的逄法。它主要的思想是把一幅彩色图像分成彩色通道和亮度通道，再分别对两种通道进行各向异性扩散，然后再利用平均值位移算法进行聚类分割，最后把两者的结果合并起来就可得到最后的分割结果。在这种算法中，各向异性扩散起着去噪、增强和粗分割的作用，它让一幅图中彩色信息更均匀。平均值位移在扩散的基础上，作最后的分割处理。使用CIE L*u*v*色彩空间作为图像的表示进行分割，能很有效地有彩色分量上分割出彩色区域，而彩色信息区别不明显的区域则可以通过对亮度信息分割得到。实验数据表明，它是一种有效、稳定、健壮的算法。     

彩色C-V方法及其在印刷网点图像分割中的应用

将Chan和Vese提出的基于Mumford-Shah模型的图像分割方法(C-V方法)由灰度分割扩展到彩色分割，并给予一定改进。提出了一种可以有效分割彩色图像的彩色C-V方法，使得图像中的色度信息得到充分利用；对原始C-V模型进行改进，增强了全局特性，同时考虑到人眼视觉感知，采用合适的色彩空间；将该方法应用于印刷网点图像分割。实验表明，彩色C-V方法用于分割边缘模糊和噪声污染较为严重的网点图像时，效果大大优于传统的分割方法。     

改进C-V模型的木材缺陷彩色图像分割研究

分析了木材节子缺陷图像的特点,将彩色图像作为一个整体的图像进行处理,保护了彩色图像信息的特性,提出了一种基于AOS的扩展C-V矢量模型及背景填充耦合的木材节子缺陷彩色图像分割算法。对Chan-Vese提出的基于Mumford-Shah模型的水平集矢量图像分割模型进行了改进,使分割速度得到了提高;用AOS算法改进了原模型的差分格式,使得差分格式无条件稳定;结合背景填充技术,使得到的新图像缩减了目标与背景间的特征差别。实验结果表明该方法可以较好地实现对木材死节、活节和虫眼等缺陷的彩色图像分割,也可实现对单板多节子缺陷彩色图像的分割,为木材缺陷边缘检测提供一种行之有效的方法。     

改进的分级多相图像分割模型及其快速实现

提出一种基于分级C-V模型的改进的快速图像分割算法.针对现有的多相水平集图像分割算法存在的问题,本文从曲线演化方程的平均曲率项、水平集函数Φ的狄拉克(Dirac)函数δ(Φ)等方面进行改进,并引入了一个非线性扩散方程对图像进行预处理,从而优化组合了分级C-V模型的全局特性.实验结果表明,改进的图像分割模型不仅保留了原有方法的优势,而且提高了对多目标图像分割算法的速度与精度,同时也可以有效解决具有弱边界物体的分割问题.     

各向异性小波收缩用于图像分割

已经证明2维情况下一般各向异性扩散与HAAR小波收缩在一定条件下是等价的,基于此等价性的各向异性小波收缩结合了小波收缩与各向异性扩散两种方法的优势。将各向异性小波收缩用于多尺度图像分割,提出一种对多尺度各向异性扩散分割方法的改进方法——多尺度各向异性小波收缩图像分割算法。该算法利用各向异性小波收缩对图像中像素灰度值进行扩散,在尽可能保持边缘的情况下,使同质区域内相邻像素灰度随尺度数增加趋于相同,构造基于尺度的空间栈,从而完成对目标的分割,是一种非监督图像分割方法。对比实验结果表明,该算法在有效处理区域内部不一致性的同时,能够准确地定位目标边缘,实现同质区域的融合,完成分割任务,且该算法收敛速度高于多尺度各向异性扩散分割方法。     

基于改进K均值聚类与HSV模型的棉花分割算法

针对棉花图像中存在阳光直射和阴影遮挡等因素而导致图像分割精度低、效果差的问题,提出一种结合颜色聚类与V通道信息的图像分割方法.该方法对原始图像进行各向异性扩散滤波预处理;再对图像采用改进的K均值颜色聚类完成初始分割,对分割结果利用HSV模型中的V通道信息作为棉花图像的特征,去除背景影响实现最终分割.实验结果表明,该算法在阳光直射及阴影遮挡等干扰条件下能较好地将成熟棉花从背景中分离出来.     

基于边缘信赖度和形状相似性的超声图像分割方案

为了对低信噪比的超声图像进行有效分割,提出了一种新的超声图像分割方案,该方案由各向异性扩散方程和蛇模型组成。首先通过对蛇模型算法进行改进,并利用预先知道的形状信息,提出了一种基于形状相似性的参数自调整蛇模型;同时还对各向异性扩散方程进行了修正,提出了基于边缘信赖度的改进算法,以提高各向异性扩散方程的去噪能力。实验结果表明,该方法不但缓解了由于超声图像信噪比过低而影响分割的问题,同时实现了蛇模型的参数自适应设置,可见是一种有效的图像分割算法。     

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。     

基于C-V模型的脑白质疏松症磁共振图像病变区域分割

针对脑白质疏松症病变区域在磁共振图像的T₂加权像上呈现斑块状或融合成片状的高亮信号这一特点,提出了一种基于C-V模型的水平集分割方法对病变区域进行图像分割。首先,对C-V模型进行改进以避免重新初始化问题;然后,使用Otsu阈值法对图像进行预分割,将预分割的结果直接作为改进C-V模型的初始轮廓;最后,利用水平集方法进行曲线演化,得到最终的分割轮廓。实验结果表明,该方法能较为准确地分割出病变区域,实现病变区域的计算机自动快速分割,对脑白质疏松症临床辅助诊断和预后判断有一定的应用价值。     

具有多指标柔性能量的Mumford Shah模型图像分割

针对Chan和Vese提出的基于Mumford Shah泛函的水平集图像分割算法，做了两方面的改进：首先,构造了具有柔性的演化曲线内外能量取代C V模型中的刚性能量，减少了C V模型求解时的数值不稳定和过度分割等现象；其次，综合图像的多方面特征，提出多指标集能量项构造方法，提升了C V模型的分割能力和精度。综合两方面的工作，提出带多指标柔性能量的C V模型。新模型能有效处理图像受严重噪音污染、目标内部有灰度起伏等情况。对人工合成图像、医学图像和真实世界图像的分割实验均表明了新模型的良好性能，并且算法收敛速度快、数值稳定。     

MRI图像的基于窄带的递进多分区C-V分割方法

提出了递进的基于窄带的多分区C-V方法，并对多幅医学脑部MRI图像进行了分割实验。由于该递进方法分为多个阶段，每阶段只需一个水平集函数，并且在每一阶段应用窄带区域，即只处理窄带区域中的点，从而使计算量大大减少。实验结果证明本算法是有效的，在提高计算速度的同时，可大大改进复杂几何结构的分割效果。     

数字式射线图像缺陷检测的C-V方法

数字式射线图像（DR图像）缺陷检测主要是进行缺陷区域的分割和测量,分割精度将直接影响到测量精度。C-V模型是一种新的基于曲线演化理论和水平集方法的图像分割模型,它结合区域信息使得分割结果全局最优,可以很自然地处理轮廓线拓扑结构的变化。针对工件DR图像特点,研究了一种DR图像缺陷检测的C-V方法：首先应用C-V模型进行DR图像缺陷区域的分割,在此基础上,完成缺陷区域几何参数的测量。实验表明,C-V方法能准确地分割出DR图像中的缺陷区域,并获得缺陷形心和面积等参数。     

基于先验知识水平集方法的草莓图像分割

在实际应用中,当目标本身含有一些固有的颜色纹理特征时,可将这些特征作为一种先验信息,这样可以大大提高分割的准确性.为此,本文提出了一种基于先验信息的改进水平集图像分割方法.首先,利用传统的C-V模型能量项的构造思想构建了基于颜色信息的局部能量项,该项是用于处理彩色图像;然后将颜色分量引入到传统的结构张量中构建出新的扩展型结构张量,该项是用于处理纹理信息;最后,将上述新构造的能量项以及Li模型约束项引入到传统C-V模型中得到新的水平集模型.鉴于草莓果实所具有的颜色信息和纹理信息,本文将上述改进水平集方法应用到农业自动化应用中草莓果实分割中.对实验室环境与草莓生长环境下的草莓图像进行分别实验,结果显示该方法能够不仅能够分割出草莓果实且能够很好地处理草莓表面的纹理信息.另还与OTSU算法、传统C-V模型、改进C-V模型对草莓图像作对比实验,结果表明本文算法均比上述三种算法具有更好的分割效果.     

基于改进C-V模型的图像分割方法

传统C-V模型分割图像利用图像区域特征,忽略 了边缘等能够反应图像细节的特征。为了达到更好的图像分割效果,对于这些细节信息的处理则显得尤为重要。图像的梯度信息在边缘区域具有较大幅值,在同质区域具有较小幅值,因而可以用图像梯度来反映图像的边缘信息。把边缘信息融入C-V模型,利用同质区域信 息和边缘信息控制曲线演化,则可以达到更好的分割效果。本文提出的新模型克服了C-V模型的一些 缺陷,对背景灰度不均匀或含弱边缘的图像能够获得更好的分割效果。     

基于C-V模型的眼底图像交互式杯盘分割

针对眼底图像视杯和视盘水平集分割中C-V模型自适应能力不强等问题,提出一种基于C-V模型的视盘和视杯交互式水平集分割算法。该方法通过交互方式给定不同的视盘初始轮廓和C-V模型参数,对眼底图像的杯盘进行精确地分割。实验结果表明,该方法可克服噪声污染、光照不均匀、对比度低等特点对眼底图像分割的影响,对彩色眼底图像中的视杯和视盘进行精确分割。     

带H1正则项的C-V模型

C-V模型(CHAN T F, VESE L A. Active contours without edges. IEEE Transactions on Image Processing, 2001, 10(2): 266-277)是一个著名的基于区域的图像分割模型。它对活动轮廓的初始化和噪声不敏感,但分割的图像的范围不够广泛。因此,运用理论分析与实验相结合的方法,在C-V模型中添加H1正则项,对其进行了改进,提出了一个新颖的图像分割的能量泛函,并推导出了以偏微分方程形式表示的基于区域的自适应插值拟合的活动轮廓模型。实验表明：该模型能够分割某些原来C-V模型不适用的图像,它对初始轮廓的大小、位置的敏感性较小,抗噪性较强。