几何活动轮廓模型中停止速度函数的尺度变换

近年来,通过水平集方法实现的几何活动轮廓模型（GAC）已成为图像处理和计算机视觉领域里十分流行的图像分割方法。几乎所有的GAC模型都依赖于停止速度函数,该函数通常是基于图像梯度定义的,其作用是使活动轮廓（演化曲线）停止在所希望的目标边界上。为了加快活动轮廓的演化速度,提出对停止速度函数进行尺度变换的方法。对4幅人工和自然图像的实验结果显示,所提出的方案能够大大减少分割时间,同时,对于凹陷边界和弱边界的分割取得了更好的效果。     

核磁共振图像脑组织自动提取方法

核磁共振图像的脑组织提取是神经图像处理研究中的一个重要步骤。将传统的几何活动轮廓模型与二值水平集函数相结合,提出了一种新型的二值水平集活动轮廓模型,并基于该模型提出了一种能够自动、准确实现MRI脑组织提取的方法。该方法在脑组织内部自动设定最优初始轮廓曲线,将该演化曲线隐含地表示成一个高维函数的零水平集,零水平集在基于区域的图像力驱动下不断演化并达到待分割脑部图像的边缘。将基于该方法的脑组织提取结果与作为金标准的专家手动分割结果和其他流行算法相比较,结果表明提出的脑组织提取方法能够自动、准确和快速地提取MRI脑组织,是一种鲁棒性较好的MRI脑组织提取方法。     

选择性自适应水平集演化模型

自适应距离保持水平集演化模型是在无需初始化模型基础上引入了可变权系数,从而很好地摆脱了演化曲线对初始位置的依赖。该模型存在着一些明显的不足:一是对噪声比较敏感;二是对灰度不均图像分割不准确。基于自适应距离保持水平集演化模型,引入了一个新的可变权系数,据此定义了一个新的边缘停止函数。实验表明,新的自适应距离保持水平集演化模型较好地克服上述两点不足。     

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。     

结合全局和双核局部拟合的活动轮廓分割模型

针对可缩放区域拟合（RSF）模型对初始轮廓敏感的缺点,提出了一种结合全局和局部图像信息的变分水平集活动轮廓模型。该模型设计了一个灰度域上的核函数,将其与RSF模型空域核的线性组合作为局部能量项,弥补了采样权值仅与空间距离有关的缺陷,提高了分割精度;构造了带有自适应全局指示函数的面积项,作为全局拟合力,提高了模型的收敛速度且避免陷入局部极小值;使用了高斯滤波方法,规则水平集函数,使其保持光滑,并避免了复杂的重新初始化过程。实验结果表明,该模型初始化灵活,对灰度不均匀图像有很好的分割效果     

基于改进活动轮廓模型和视觉特性的图像分割方法

提出一种基于改进活动轮廓模型和视觉显著性分析的图像分割方法。与传统的水平集模型不同,改进的活动轮廓模型不需要进行初始化和计算符号距离函数,从而有效地提高曲线演化效率。在此基础上,提出了基于标记的多相水平集分割方法,有效地解决了复杂图像存在的灰度不均性问题。另外,为避免初始轮廓位置对分割结果的影响,采用视觉显著图获取水平集初始轮廓位置,通过对该显著图进行OSTU分割提取初始轮廓。通过实验分析,提出的方法在分割结果、速度和复杂度上较之传统的CV模型都有明显的改进。     

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。     

矢量图像分割的快速C-V模型

为了实现对矢量图像快速有效的分割,在分析矢量图像颜色、空间信息和水平集函数特性的基础上,对主动轮廓分割模型进行了改进,提出一种免重新初始化的矢量图像分割模型.在C-V(Chan-Vese)模型中引入了非线性热方程的符号距离函数的约束项,通过对非线性热方程传导率的均衡化使水平集函数始终保持符号距离函数的特性,完全取消比较...     

基于局部特性的分割校正模型改进

基于局部特性的分割校正模型能够在图像分割的同时实现对非均匀场的校正,从而对灰度不均匀图像有较好的分割效果,然而,该模型具有局部特性,且采用多相分割,使得活动轮廓曲线对初始位置较为敏感,且分割速度较慢。针对该不足,通过引入自适应距离保持水平集算法,采用分割校正模型与自适应距离保持水平集相结合的方法,提出一种新的快速分割算法。实验结果表明,该算法可摆脱初始轮廓的限制,避免在分割灰度不均匀图像时边缘泄漏和分割不足现象,并且具有分割快速的特点。     

图像分割中分段光滑Mumford-Shah模型的水平集算法

图像分割和轮廓提取在计算机视觉和模式识别中具有重要意义，基于主动轮廓模型的图像分割和轮廓提取是目前研究热点，分析了Mumford—Shah模型的主动轮廓新的视觉机制；并推导了简化的分段光滑水平集模型,通过构造具有柔性距离函数，对迭代步骤中水平集函数重新初始化，结合本质上无振荡格式(ENO scheme)和预测校正格式，提出了一种新的有限差分算法，该算法不但能提取多个具有不同凹凸拓扑结构和灰度差异物体的轮廓，而且能保持分割后物体的灰度特性。最后给出了若干算例，算例表明，该水平集算法具有数值稳定性，不会出现振荡现象。     

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。     

Fast Global Minimization of the Active Contour/Snake Model

The active contour/snake model is one of the most successful variational models in image segmentation. It consists of evolving a contour in images toward the boundaries of objects. Its success is based on strong mathematical properties and efficient numerical schemes based on the level set method. The only drawback of this model is the existence of local minima in the active contour energy, which makes the initial guess critical to get satisfactory results. In this paper, we propose to solve this problem by determining a global minimum of the active contour model. Our approach is based on the unification of image segmentation and image denoising tasks into a global minimization framework. More precisely, we propose to unify three well-known image variational models, namely the snake model, the Rudin–Osher–Fatemi denoising model and the Mumford–Shah segmentation model. We will establish theorems with proofs to determine the existence of a global minimum of the active contour model. From a numerical point of view, we propose a new practical way to solve the active contour propagation problem toward object boundaries through a dual formulation of the minimization problem. The dual formulation, easy to implement, allows us a fast global minimization of the snake energy. It avoids the usual drawback in the level set approach that consists of initializing the active contour in a distance function and re-initializing it periodically during the evolution, which is time-consuming. We apply our segmentation algorithms on synthetic and real-world images, such as texture images and medical images, to emphasize the performances of our model compared with other segmentation models. Research supported by NIH U54RR021813, NSF DMS-0312222, NSF ACI-0321917 and NSF DMI-0327077.     

结合梯度和区域信息的多尺度水平集图像分割

提出了一种结合梯度和区域信息的多尺度水平集图像分割算法。该算法结合梯度和区域信息构造能量函数,在梯度约束项中,构建了一个基于小波高频分量的边缘检测函数,在区域约束项中,运用经典C-V模型的区域项,得到混合C-V模型,采用变分法求解,并消除了水平集的重初始化。利用小波变换首先在逼近图像中运用混合C-V模型得到粗分辨图像的一个粗尺度分割,再对当前粗尺度下的最终轮廓线作内插操作,将得到的近似轮廓曲线作为初始水平集函数在原图像中运用消除重初始化的C-V模型演化得到最终的分割。实验结果表明,在同样的模型参数条件下,该方法具有比传统方法更高的演化效率和分割质量。     

基于凸松弛方法的医学 B 超图像快速分割

利用活动轮廓线方法进行图像分割的一个重要缺陷是目标函数是非凸的, 这不仅使得分割结果容易陷于局部极小, 而且还使得一些快速算法无法开展.本文首先从贝叶斯风险估计的方法出发,针对B超幅度图像, 给出一种基于Rayleigh分布的活动轮廓线模型. 然后结合凸松弛的方法,得到一个新的放松的凸模型.原有模型和放松后模型的关系可由定理1给出. 最后结合分裂Bregman算法, 给出基于B超分割模型的快速算法.与传统梯度下降法相比较,本文提出的算法不仅能得到全局最优解,而且在算法收敛速度上也 大大优于梯度下降法.     

结合分布度量统计建模的主动轮廓图像分割

图像分割是数字图像处理中不可或缺的关键步骤。为了解决传统主动轮廓模型针对非匀质图像分割结果不准确且分割效率低的问题,提出一种结合分布度量统计建模的主动轮廓图像分割算法。所提算法的能量驱动力兼顾了图像的全局统计建模信息和其他混合灰度分布信息,使得分割曲线能够更加精确地演化至目标边缘。分布度量能量驱动力定义为轮廓内外概率密度函数定义的比率距离的方差,该能量驱动力基于图像全局信息统计建模,能够更加精确地描述轮廓曲线内外的能量变化;混合灰度分布能量驱动力由图像灰度值与融合均值与中值的区域拟合中心的L2范数表示。将分布度量能量驱动力与混合灰度分布能量驱动力组合形成新的能量泛函,利用水平集方法和梯度下降法迭代求得该能量泛函的最小值,以获得最终的图像分割结果。与传统CV（Chan Vese）模型、LBF（Local Binary Fitting）模型等四种算法的图像分割结果相比,所提模型在主观视觉效果、对初始轮廓的敏感性、运行时间和迭次次数方面均具有较大优势。     

基于水平集方法的数字胸片图像分割

水平集方法能有效地解决曲线演化过程中的拓扑变化问题，基于全局特性的活动轮廓模型采用水平集方法给出的迭代解，能有效进行分割。用这种方法对CR胸片图像进行分割研究，并根据CR图像的特点，给出了只需一次演化的方法：直接针对原图像可以得到肺部大致区域；而针对CR的局部标准偏差图像可以得到肋骨的边缘图像。实验结果表明，该方法能很好地对CR图像进行分割。     

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。     

水平集在图像分割中的应用研究*

水平集方法的诞生有效解决了以前算法不能解决的在曲线演化过程中的拓扑变化问题,其核心是利用水平集这一数学理论来对能量函数进行极小值求解的曲线演化过程,通过求解极小值最终获取目标轮廓从而达到图像分割的目的。为了解决不同应用领域的图像处理问题,各种相应的基于水平集方法的图像分割算法已被提出,大量的研究者仍在不断地改进和提高这些算法的效率和有效性。对现有的用于部分图像分割的水平集方法进行了综述,主要介绍传统水平集方法、无重新初始化水平集方法、连续水平集方法以及最近相关的改进方法,并简要讨论了各种方法的优缺点以及应用情况,最后指出了水平集方法进一步研究的方向。     

结合显著性和边缘信息的水平集图像分割方法

针对 LBF 模型对初始轮廓的依赖性和对边缘的弱控制能力,研究了一种结合显著性和边缘信息 的水平集图像分割方法。首先,结合小波分析理论,基于视觉注意机制构造图像显著图;然后,利用小波分解 所描述的图像边缘信息,构造边缘检测函数,同自适应初始轮廓一起引入到 LBF 水平集模型中,并用有限差 分法进行数值求解。实验结果表明,提出的图像分割方法能有效降低初始轮廓位置对活动轮廓模型的影响,对 合成图像、自然图像均有较好的分割结果,相较于其他传统方法具有更高的演化效率和分割质量。     

基于改进DRLSE水平集模型的图像分割

针对 DRLSE 水平集模型对噪声敏感、依赖初始轮廓位置以及演化速度缓慢等不 足,利用小波变换和小波阈值去噪的方法,构造对噪声不敏感的边缘信息刻画矩阵,定义基于 图像信息的边缘停止函数和自适应权重系数,获得了改进的 DRLSE 水平集图像分割模型。利 用有限差分法对模型求解,并采用 Jaccard 相似度作为评价模型的定量分析方法,数值结果显示 改进的模型及算法对图像分割的有效性,克服了 DRLSE 水平集模型分割含噪图像以及定义初 始轮廓位置的局限性,提高了 DRLSE 水平集模型的计算效率和图像分割精度。