应用改进的C-V模型分割牛肉眼肌图像

牛肉眼肌图像的分割是牛肉自动分级的重要步骤。基于水平集的C-V模型采用两个具有不同均值的分块连续区域分割图像,在迭代过程中,为了约束水平集保持为符号距离函数,必须对其进行重新初始化,大大增加了计算量,降低了曲线演化速度。为此,通过加入边缘检测函数和惩罚项因子,提出了改进的C-V水平集模型,并用于牛肉图像分割,同时与模糊C均值聚类、阈值分割法进行了对比。结果表明:采用改进的C-V模型对牛肉图像进行分割,准确提取了眼肌边缘,分割出了脂肪和肌肉区域,准确率高;曲线演化过程中无需对水平集函数符号初始化,加快了曲线演化速度。     

基于边缘检测函数尺度变换的水平集图像分割

针对Chan-Vese模型（C-V模型）存在收敛缓慢等缺陷,给出一种基于边缘检测函数尺度变换的水平集图像分割算法。引入边缘检测函数对C-V模型进行改进,在不降低分割质量的前提下,提高图像分割的速度。为了增强改进模型的灵活性,提出对边缘检测函数进行尺度变换的方法。实验结果表明,改进模型有良好的分割效果,尺度变换能有效加快改进模型的演化速度,保持分割过程的稳定性。     

基于水平集的医学图像快速分割方法

针对高噪声、低对比度的医学图像难以快速准确分割的问题,结合基于像素的传统方法和基于水平集的活动轮廓模型,提出了一种混合的医学图像分割新技术.首先依据待分割对象的先验知识交互选取感兴趣区域.然后由传统的方法和基于水平集的C-V模型结合实现感兴趣区域图像的预分割.预分割的结果直接作为窄带变分水平集模型的初始轮廓,演化曲线在很短的时间内准确收敛到待分割物体的边缘.     

曲线演化的图像分割算法改进研究

研究提高曲线演化的图像自动检测效果问题.由于图像识别度低、准确度低,传统 Chan-vese 活动轮廓模型(C-V 模型)不能检测到远离活动轮廓线且与平均灰度值相差大的边缘.图像分割算法采用水平集演化曲线外图像的目标和背景的灰度加权平均值,通过调节权重值,使演化曲线能准确快速收敛于远离平均灰度强度的图像边缘上.该算法具备拓扑变化能力,分割速度快,能克服原 C-V 模型不能检测到边缘缺陷,加速图像分割的收敛速度,提高分割效果.     

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。     

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.     

一种改进的快速C-V水平集红外图像分割

当红外图像中包含较强噪声时,C-V模型水平集分割方法会产生大量冗余轮廓;同时,C-V水平集采用偏微分方程(PDE)实现,存在计算量大、分割速度慢的缺点.为此,本文提出了改进的快速算法,该算法保留了C-V模型的全局优化特性,并通过窗口滤波整合图像邻域空间信息来构建曲线进化的外部速度,从而提高C-V模型的抗噪性并减少分割中产生的冗余轮廓;采用基于双链表的快速水平集算法来实现曲线的演化,去除了传统算法中的重新初始化和PDE求解的过程,减少了迭代步数,提高了分割的速度.实验结果表明,本文算法对边缘模糊、噪声较大的红外图像能实现快速而有效的分割.     

高斯混合函数区域匹配引导的Level Set纹理图像分割

基于高斯混合模型颜色匹配及多尺度图像增强,文中提出了有效的边缘停止函数用于引导level set函数演化,有效地解决了纹理图像的分割问题.文中首先提出基于高斯混合模型颜色分布的边缘停止函数,通过计算level set演化窄带区域与用户给定交互区域的相似性,根据其相似性来引导level set快速演化;然后,提出一个定义在多尺度图像梯度上的边缘停止甬数,使得level set能精确地分割出图像的边缘;最后,结合以上两种边缘停止函数的优点,提出一个边缘停止函数的混合模型,根据图像颜色、边缘特征自适应地引导level set函数演化.实验结果表明,文中提出的算法不仅能有效地检测出纹理目标区域,同时需要计算出纹理区域精确、光滑的边界.     

结合边缘与区域信息的超声图像分割方法

针对超声图像受到成像原理的限制导致分割精度不高的问题,提出一种结合边缘与区域信息的变分水平集超声图像分割方法。通过对Li模型的能量函数进行改进,引入C-V模型的外部能量项,将图像的边缘梯度信息和区域信息相结合,并将其应用到超声图像的分割中。实验结果表明,新模型不仅继承了两种模型的优势,而且在分割速度、精度、抗噪性、鲁棒性等方面均优于上述模型,可以较为理想地提取超声图像中的目标。     

基于变异系数的分片常值图像快速分割

结合C-V模型和变异系数,提出一种水平集演化方程为常微分方程类型的模型。该模型不仅能正确分割分片常值图像,而且迭代次数不受初始轮廓大小、位置和形状的影响,且水平集函数无需重新初始化,从而能够快速分割分片常值图像,同时又能分割C-V模型、ICV模型和PSM模型不能正确分割的3-phases图像。     

一种整合单通道各向异性扩散信息的水平集图像分割方法*

在对Chan-Vese提出的基于简化Mumford-Shah模型(C-V模型)改进的基础上,针对彩色图像、多光谱图像等多通道图像,提出了一种多通道C-V模型水平集图像分割方法.首先将多通道图像分解到各单通道,使用一种新的各向异性扩散方法对各通道进行平滑滤波,然后使用能够整合各通道各向异性扩散信息的多通道C-V模型进行分割.普通彩色图像与多光谱图像数据的实验结果表明,该方法分割质量明显优于传统的C-V模型分割.     

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.     

改进的C-V水平集模型图像分割算法

复杂的计算限制了基于Chan-Vese（C-V）水平集模型的图像分割方法的应用。为提高图像分割的速度,提出一种基于C-V水平集模型的改进水平集方法。在一般情况下,只需要几次简单迭代就能分割出物体的轮廓。实验表明,该方法简单高效,能够快速有效地实现图像轮廓分割。     

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。     

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。     

基于水平集方法的软组织图像序列分割

医学图像分割是医学图像处理中的关键问题之一.图像序列的分割操作是医学图像三维重建的必要准备,而软组织图像分割则是医学图像分割中的一大难点.基于曲线演化理论的,借助偏微分方程等数学工具的水平集方法已经被广泛应用于医学图像分割领域.介绍了水平集方法的数学模型,并设计了一种基于窄带水平集方法的,专门针对软组织图像分割的算法.用边界追踪等方法提取第一层图片中的软组织相关轮廓;将它们作为初始水平集曲线,再利用窄带水平集方法进行演化;经过两个阶段的迭代处理,最终自动分割出整个软组织图像序列.实验表明该算法具有较高效率、分割结果精确,所产生的分割结果可以作为三维重建的合适的数据集.     

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。     

自适应主动轮廓模型下的骨关节MRI快速分割

提出一种无须重新初始化的变分水平集自适应主动轮廓模型。该模型利用图像的局部特性自适应决定曲线的演化,同时加入局部C-V能量项,改进边界停止函数,提高对灰度分布重叠、分布不均匀及弱边界处理的鲁棒性,并加快了曲线演化的收敛速度。结合医学序列图像特点,利用Heaviside函数对当前截面分割结果进行分段常量化后投射至相邻界面作为初始化曲线,实现对序列图像的自动分割。最后,以骨关节磁共振图像中正常结构和病灶组织的分割实验对算法进行了验证。