结合全局和局部信息的活动轮廓模型

利用全局信息的C-V模型对轮廓初始化和噪声不敏感,但不能分割灰度不均的图像;利用局部信息的RSF模型能分割灰度不均的图像,但对轮廓初始化和噪声很敏感。针对该问题,基于C-V模型和RSF模型,提出一个新的水平集正则化项,给出一个用偏微分方程表示的结合全局和局部信息的活动轮廓模型。实验结果表明,该模型能分割灰度不均的图像,且允许灵活的轮廓初始化,抗噪性较强。     

基于CV和LBF模型结合的图像分割算法研究与实现

CV模型和LBF模型是两个著名的图像分割模型,然而它们有各自的缺点。CV模型不能处理灰度不均图像,而LBF模型虽然能处理灰度不均图像,但对活动轮廓的初始化很敏感,且对噪声不具有鲁棒性。为了克服上述缺点,首先对图像进行预处理,然后在得到新的图像的基础上提出与LBF类似的模型,同时将其与CV模型结合,得到全局和局部活动轮廓模型。实验结果表明,所提模型不仅能处理灰度不均匀图像,同时减弱了活动轮廓对初始化的敏感性,并且提升了对噪声的鲁棒性。     

LCV模型在医学图像分割中的应用

针对C-V模型不能充分利用图像局部区域灰度变化信息从而导致难以准确分割灰度不均物体等缺陷,提出一种基于局部区域的C-V(LCV)模型。利用计算局部窗函数内的加权灰度均值来取代全局均值,并加入约束水平集函数为符号距离函数的能量项,从而避免水平集函数的重新初始化。对医学图像的分割结果证明LCV模型在分割灰度不均物体方面优于C-V模型,其分割效率高于LBF模型。     

融合局部和全局高斯概率信息的图像分割模型

在现有的活动轮廓中,LBF模型、LIF模型和LGDF模型是著名的基于区域的模型。虽然能分割灰度不均匀的图像,但对活动轮廓的初始化和噪声较为敏感。针对该问题,提出一种融合全高斯和局部高斯概率信息的活动轮廓模型。首先由全局高斯模型的全局灰度拟合力和局部高斯模型的局部灰度拟合力的一个线性组合来构造水平集演化力,然后引入这两个拟合力的动态权重以达到该模型的灵活性,实验结果表明,该模型能分割灰度不均的图像,且允许灵活的轮廓初始化,抗噪声性强。     

基于双重轮廓演化曲线的相似图像组分割模型

ACGS(Active Contours With Group Similarity)模型在CV模型的基础上结合了矩阵的低秩性约束,能较好地分割目标特征缺失或错误的相似图像组,但对于灰度不均的相似图像组分割效果较差。而双重轮廓演化曲线的图像分割水平集模型在LBF模型的基础上引入了目标内外两条轮廓曲线,很好地克服了LBF模型对于初始轮廓的敏感性,对于灰度不均的单张图像分割效果较好。受此启发,本文提出了基于双重轮廓演化曲线的活动轮廓模型来分割相似图像组。该模型首先结合LBF模型来更好地分割灰度不均的图像;其次利用ACGS模型的低秩性质来保持图像间的相似程度,从一定程度上改善了LBF模型在能量函数最小化时易陷入局部极小值的情形;最后引入目标内外的两条轮廓曲线,通过两曲线在演化过程中分别对局部像素的直接作用而产生间接的相互联系,从而有效地克服LBF模型对于初始轮廓的敏感性问题,使得该模型改善了对于灰度不均的相似图像组的分割效果。实验结果表明,与CV、LBF、ACGS以及双重轮廓演化曲线模型的分割结果相比较,本文模型对于灰度不均的相似图像组的分割效果具有优越性。     

融合局部和全局图像信息的活动轮廓模型

为了克服局部图像拟合模型对轮廓初始化敏感的不足,结合改进C-V模型,提出一种融合局部和全局图像信息的活动轮廓模型.首先由改进C-V模型的全局灰度拟合力和局部图像拟合模型的局部灰度拟合力的一个线性组合来构造水平集演化力,然后通过调整这2个拟合力的权重以提升该模型对轮廓初始化的灵活性,最后利用高斯滤波正则水平集函数法实现水平集函数的正则化.实验结果表明,对于一些真实和人造图像,文中模型显示了对轮廓初始化的鲁棒性,以及较好地处理灰度不均图像的能力.     

基于局部与全局拟合的活动轮廓模型

针对局部二值拟合(LBF)模型容易陷入能量泛函局部极小值的问题,提出基于局部与全局拟合的活动轮廓模型。引入一个衡量某点处局部区域内灰度分布是否均匀的特征函数,将LBF模型中的局部拟合项与CV模型中的全局拟合项相结合,同时保留LBF模型分割灰度不均匀图像和CV模型全局收敛性的优点。实验结果表明,该模型能够分割灰度不均匀图像,对初始轮廓的依赖性较弱,并且具有一定的抗噪性。     

结合全局和局部信息的“两阶段”活动轮廓模型

目的 LBF(local binary fitting)模型用每个像素点的邻域信息来拟合局部能量,对灰度不均匀图像可以得到很好的分割效果。但是LBF模型只考虑了图像的局部信息,没有考虑全局信息,因此它对初始轮廓大小、形状及位置都非常敏感。针对以上问题,结合全局和局部信息,提出"两阶段"活动轮廓模型。方法第1阶段,采用退化的CV(Chan-Vese)模型,利用图像的全局信息(灰度均值)快速为图像的目标大致定位;第2阶段,以第1阶段结束时的水平集函数的零水平集为第2阶段的初始轮廓,利用图像的局部信息(局部高斯拟合)得到更加精确的分割结果。结果实验结果表明,该"两阶段"活动轮廓模型保留了LBF模型分割灰度不均匀图像的能力。结论改进后的模型较LBF模型对各种初始轮廓(大小、形状、位置)有较强的鲁棒性,以及较强的抗噪性。     

一种改进的活动轮廓模型图像分割方法

基于全局信息的活动轮廓模型不能有效分割灰度不均匀图像,而基于局部信息的活动轮廓模型对轮廓初始化位置比较敏感。为此,提出结合全局信息和局部信息,构造新的符号压力函数（Signed Pressure Force,SPF）,替代Selective Binary and Gaussian Filtering Regularized Level Set（SBGFRLS）模型中的符号压力函数,同时构造一种新的气球力函数,并采用SBGFRLS水平集方法演化轮廓曲线来分割图像的方法。实验结果证明该方法能有效分割灰度不均图像,同时对轮廓初始化位置不敏感,对噪声有较好的抗干扰性。     

快速稳定的局部二元拟合分割算法

基于局部区域信息的局部二元拟合(LBF)模型在处理弱边界或灰度不均匀的图像分割方面有一定优势,但该方法非常依赖于初始轮廓,不当的初始轮廓不仅会导致分割时间较长,甚至分割失败。针对这一不足,提出一种快速稳定的LBF模型。首先通过添加带有变权系数面积项的LBF模型进行初始分类以获取较好的初始轮廓,然后采用传统的LBF模型对图像进行进一步的分割。实验证明,在保证良好分割效果的前提下,该方法对初始轮廓的选择更加灵活,分割速度明显快于传统的LBF模型。