多元高斯混合模型脑MR图像去壳模型

将脑部组织从MR图像中提取出来已经成为脑部图像处理中的一个重要环节,它可以提高后继的脑组织定位、容积测量等处理的精确度。但由于脑MR图像往往具有偏移场、弱边界和强噪音,使得基于图像梯度信息的水平集模型很难得到真实解。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。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降低偏移场、噪音等影响,同时防止曲线从弱边界泄漏。传统的高斯混合模型求解参数时,往往仅使用EM算法,易陷入局部最优。针对这个缺点,引入粒子群算法,并对其进行改进,使得改进的算法可以较快地得到精确解。对脑MR图像分割实验表明该模型可得到较好的分割效果。     

一种基于高斯混合模型的MR图像分割

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,比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,这就使得图像中的弱边界容易导致水平集泄漏.本文提出通过一致连通增强扩散将中断部分和其周围区域连接起来,以及结构张量估计图像的方向信息,用图像修复的方法将弱边界区域重新复原回来.最后对左心室MR图像分割,实验表明该模型具有较好的分割效果.     

基于高斯混合模型的活动轮廓模型脑MRI分割

传统的活动轮廓模型用于图像分割往往基于目标的边界信息,在图像含有强噪音或目标具有弱边界时很难得到真实解.引入高斯混合模型构造新的约束项,在新的约束项作用下模型可以减少噪音的影响,并防止从弱边界泄漏.高斯混合模型求解通常使用Expectation-maximization(EM)算法,该算法是局部优化算法,且对初值敏感.因此引入粒子群算法,并提出一种改进的算法,利用该算法的全局优化性求解高斯混合模型的参数,以提高参数精度.对脑核磁共振图像(MRI)分割实验表明该模型具有较好的分割效果.     

基于高斯混合模型的脑部MR图像自动分割

将脑部组织从MR图像中提取出来是脑部图像处理的一个重要环节,如何精确地将脑组织从非脑组织中分离出来成为研究的难点。传统的水平集方法仅依赖梯度信息,由于脑部图像含有噪音、过度区域等因素的影响,使得分割效果不是很理想。文章提出了一种脑部MR图像的自动分割方法,它利用模糊各向异性扩散方法对图像进行平滑,结合直方图分析得到了图像的全局信息自动构造初始曲线,并利用高斯混合模型构造水平集演化的速度函数,得到较好的分割结果。对脑部MR图像分割的实验表明该方法准确度高、抗噪性能良好。     

基于双水平集的图像分割模型

针对水平集模型对于具有细长拓扑部分的目标和弱边界目标进行分割时存在的问题，提出了双水平集方法．在新的方法中通过两条水平集之间的相互吸引来加速解的收敛，同时提出了一种快速有符号距离函数生成方法，提高了计算效率．传统的水平集通常利用图像边界信息来构造速度函数进行求解，但在待分割目标具有很强噪音或具有弱边界时往往得不到真实解，对此，提出了一种新的基于区域信息的速度构造方法．将双水平集模型应用到合成图像与左心室MR图像的分割实验，结果表明该方法具有较好的分割效果和较高的分割效率．     

结合均值聚类的窄带水平集曲线演化

水平集方法是目前常用的一种图像分割方法,但它在构造速度函数时仅使用了图像的梯度信息,对于MRI这类含有强噪音、弱边界等现象的图像很难取得理想的分割结果.针对这一问题,将图像的区域信息和梯度信息相结合,构造新的基于K-均值聚类的水平集速度函数,该速度函数有较强的抗噪性能,并且能够处理含有弱边界、低对比度的图像.对左心室MR图像的分割实验表明该方法具有良好的分割效果.     

一种基于新的图象力的水平集算法

针对用传统的水平集方法处理心脏MRI(核磁共振图)这类含有强噪音、弱边界等现象的图像很难取得理想的分割结果的问题,这里将聚类信息和图像ROI信息相结合,构造基于新的图像力的水平集速度函数,该速度函数有较强的抗噪性能,并且能够处理含有弱边界、低对比度的图像。实验表明该方法具有良好的分割效果。     

脑MR图像分割和偏移场矫正的耦合水平集模型

脑核磁共振(MR)图像因需要偏移场矫正,传统分割方法很难获得准确的分割结果。针对这一问题,首先构造一组基函数拟合偏移场以保证偏移场的光滑特性,再将其融入到高斯概率密度函数中,结合统计分类准则建立脑MR图像的分割和偏移场矫正的能量方程,最后将该能量方程引入到三相位水平集的变分框架中得到脑MR图像的分割和偏移场矫正的耦合模型。实验表明该方法在得到准确的分割结果同时还可以得到较好的恢复结果。     

基于预测-校正改进Snake的心脏MR图像左心室外轮廓分割

在心脏MR图像中,由于左右心室结合处的灰度非常靠近,在左心室外轮廓上形成弱边界,基于Snake模型分割左心室外轮廓时就会有边界泄漏的问题.本文先定义了两种局部信息用于边缘增强,并构造了合理的外力场,然后将传统Snake模型的形变结果作为对轮廓新位置的预测,基于左心室外轮廓形状的先验知识对预测的结果进行校正,使得Snake的形变由预测、校正两步来完成.实验结果表明,这种预测-校正两步形变Snake模型对心脏MR图像左心室外轮廓分割有较好的效果.     

基于ROI信息的活动轮廓模型MR图像分割

参数活动轮廓模型和几何轮廓模型是目前常用的图像分割方法。传统的参数活动轮廓模型在曲线演化过程中仅使用了梯度信息,在处理具有强噪音或弱边界的目标时往往得不到理想的结果,且不具有拓扑可变性。为此,构造一种基于区域信息约束力的参数活动轮廓模型,在新的约束力的作用下,模型可以有效降低噪音的影响并防止曲线从弱边界泄漏,且提高曲线进入细窄区域的能力,将参数模型几何化,使该模型具有拓扑可变的能力。实验表明,该模型具有较好的分割效果。     

小波多尺度水平集算法与心脏超声图像鲁棒分割

由于斑点噪声的存在,超声图像的灰度分布是非高斯的,传统的基于高斯模型的图像分割方法不能解决心脏超声图像分割问题。但小波分解后的高阶低频小波系数近似服从高斯分布,利用这个特点,论文提出一种新颖的小波多分辨率框架下的水平集曲线演化算法。首先对超声心脏图像做小波分解,得到各层的低频图像。从小波分解的顶层低频图像开始,利用边界和区域复合约束动态轮廓线模型(ActiveContourModel)寻找左心室内边界;然后通过插值将结果向下一尺度低频图像传递,并利用尺度间形状约束和边界约束复合ACM进一步细化曲线,使其符合局部图像特征,如此逐层重复直至原始图像。由于采用了小波多尺度框架和尺度间形状约束,算法具有曲线演化结果稳健鲁棒、不易陷入局部极小和发生边界泄漏等优点,非常适合心脏超声图像噪声高、对比度低、边界灰度梯度不显著的特点。在实际临床三维超声图像上的实验表明,算法分割结果和人工分割结果很接近。     

高斯混合模型改进的活动轮廓模型MRI分割

引入高斯混合模型逼近图像的直方图概率,利用遗传算法的全局优化特性求解高斯混合模型的参数,以提高参数精度;由此构造新的活动轮廓模型约束项.在新的约束项作用下,活动轮廓模型可以有效地减少噪声的影响,防止从弱边界泄漏.对左心室核磁共振图像的分割实验表明,该模型具有较好的分割效果.     

改进CV模型的医学图像分割

基于水平集的图像分割方法能有效处理拓扑结构较复杂、有分支的目标,分割结果对目标初始轮廓的位置不敏感,对图像中对比度低的边界的识别效果不佳。广义模糊算子能有效提高图像边界区域与非边界区域的对比度,图像细节分明、失真度小。运用广义模糊算子来改进水平集分割方法中的Chan-Vese模型（简称CV模型）的速度函数;并扩大传统CV模型的边界检测范围以减少迭代次数,加快收敛速度;最后消除误分割区域以进一步提高分割的准确性。对模拟和真实医学图像分割的实验结果表明：改进后的模型能较大提高分割的准确性及效率。     

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.     

基于边缘检测的SAR图像自适应区域分割

受相干斑噪声影响,合成孔径雷达（Synthetic Aperture Radar,SAR）图像成像质量低,目标判读困难。针对传统方法对SAR图像分割存在噪声敏感、细节缺失、过度分割等问题,提出一种基于边缘检测的SAR图像自适应区域分割方法。首先引入双边滤波构建级联滤波器,对SAR图像进行保边抑噪;然后建立基于纹理复杂度的阈值估算模型,实现阈值自适应目标SAR图像边缘检测;最后提出基于边缘特征的自适应区域生长分割方法,较好解决了传统区域生长算法对SAR图像分割时出现的过度生长和过度分割之间的矛盾问题。该方法综合利用了SAR图像二维熵、边缘灰度信息、区域灰度信息,实现了对单极化目标SAR图像的自动分割。实验表明,相较于其他传统分割方法,该方法保边抑噪能力更强,目标细节检测更准确,较好解决了SAR图像过分割问题。     

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。