基于非线性扩散滤波的水平集模型MRI分割

基于曲线演化的图像分割模型在分割目标时需要在目标附近人为地构造一条曲线作为初始曲线,在此基础上进行演化得到目标边界.当初始曲线离目标边界较远时,影响模型分割的效率;当初始曲线离目标边界很近时,意味着需要过多的人为操作,这使得其时间效率较低且易出错.为此,在非线性扩散滤波的基础上,给出一种半自动初始曲线构造方法,该方法首先利用AOS算法对图像进行非线性扩散滤波,再利用区域信息快速地得到离目标边界很近的初始曲线.然后构造一种新的基于区域信息的速度函数,由水平集模型对其演化,得到了较好的结果.MRI分割实验表明了方法的有效性.     

基于全局主动轮廓模型的图像分割研究

基于区域信息的Mumford-shah分割模型中,由于图像对象灰度分布的不一致性,分割曲线易陷入局部最小值,不能获得完整边界分割.提出了一个全新的主动轮廓模型,基于局部区域信息创建能量驱动曲线演化,通过竞争关系约束曲线的演化范围,确保模型能收敛于全局静态最小值.实验结果表明,分割模型可以同时分割多个灰度分布不均匀的对象,对噪声具有较好的鲁棒性.     

基于边缘信息C_V模型的医学图像分割方法

图像分割是医学处理中的重要研究内容之一,提出一种基于边缘信息的改进的C_V模型的医学图像分割方法.在模型中增加了表征边界特征的项,利用图像的边界信息与区域信息为分割服务,克服了传统C_V模型不能利用图像的梯度信息的不足.并对C_V模型的区域信息项进行了改造,改变了传统C_V模型中均值取值的定义,提高了对灰度层次丰富的图像分割能力.增加了距离函数惩罚项,将距离函数重新初始化的过程并入整个水平集框架模型中,极大地提高了曲线演化与分割速度.实验表明该模型是有效的医学图像分割方法.     

基于区域相似性的活动轮廓SAR图像分割

为了克服传统活动轮廓SAR分割模型高度依赖统计分布假定的缺点,结合基于成对相似性的图划分方法和几何活动轮廓模型的优点,提出了基于区域相似性的活动轮廓SAR分割模型.首先将原始图像过分割成同质子区域集;然后结合强度和纹理信息真实度量子区域的成对相似性,并以此定义能量泛函;最后利用基于过分割的规则化和快速曲线演化实现SAR图像的有效分割.真实SAR图像的实验结果表明,该模型能快速、准确地得到SAR图像的分割结果.     

基于贝叶斯分类模型的双水平集算法的大脑图像分割

针对大脑图像中灰质和白质边界结构的复杂性以及拓扑细长部分目标和弱边界目标分割存在的问题,提出了基于贝叶斯分类模型的双水平集分割算法.鉴于传统的水平集有分割过度、泄漏边界的缺点,可通过贝叶斯分类模型计算出水平集曲线位于边界的概率,并将此概率相关联的区域决策因子添加在水平集函数方程中,从而实现利用图像的区域信息提高水平集曲线识别边界能力的目的.将基于贝叶斯分类模型的双水平集算法应用到大脑图像的分割,通过内外两条水平集共同演化作用,得到了比贝叶斯分类模型的单水平集方法更完整的分割效果,并明显提高了分割效率.     

基于GAC模型的自适应图像分割算法

针对传统几何活动轮廓(GAC)模型不能实现自适应分割,且容易出现边界泄漏的缺点,提出一个基于GAC模型的自适应图像分割算法.该算法结合了图像梯度信息和演化曲线的位置,用与演化曲线内外的梯度信息有关的演化速度v(D)代替传统GAC模型中的常量速度v.实验结果表明:该算法可以使演化曲线根据其位置自适应地向内或者向外运动,并且在一定程度上也减少了边界泄漏.     

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.     

一种基于区域竞争的水平集快速图像分割算法

从曲线演化的角度提出一种基于Bayesian区域统计和区域竞争的自适应变分图像分割模型,该模型使用水平集描述曲线和区域,得到基于Bayesian区域统计信息的能量函数,利用区域竞争曲线演化模型推导出一种快速曲线演化偏微分方程,实现了图像分割。该方法可以同时提取出多类目标,算法具有快速、分割精度高的特点,且易于综合纹理,形状等多种信息对模型进行扩充。此外,能量函数和曲线演化方程是相对独立的,对于不同类型的图像可选用不同的概率模型。实验表明,所提方法是一种快速、有效、新颖的图像分割方法。     

基于Mumford-Shah模型和开样条曲线的边界检测

受Cremers方法启发, 本文提出了一种新的开边界自动检测算法, 如图像中海岸线和天际线的检测. 这一算法的设计主要是基于样条函数、曲线演化理论和Mumford-Shah图像分割泛函模型. 由于所要检测的目标为图像区域中开曲线, 在一般Mumford-Shah模型中引入了两个约束条件. 这就将开边界的检测问题转化为一般的曲线最小分割问题. 通过样条曲线控制点所满足的微分方程和约束条件, 曲线将演化至所要求的边界. 如果图像中有一条开曲线将图像分为两个明显不同质区域, 这一算法将能有效地自动检测出该边界曲线, 且不需要边界的梯度信息. 即使在图像中有大量噪声情况下, 该算法同样有效. 此外, 通过两条曲线演化方程, 该算法可推广到图像中带状区域的(如河流、道路等)自动检测.     

基于格式塔心理学原理的几何活动轮廓模型

基于格式塔心理学原理提出了一种几何活动轮廓模型,并将其应用于图像分割。当轮廓曲线远离目标边界时,应用格式塔心理学目标-背景原则,其能量函数主要由区域间差异性组成;当轮廓曲线位于目标边界附近时,应用格式塔心理学接近性原则,其能量函数主要由区域内一致性组成。该模型符合知觉特性,是几何活动轮廓模型的一般形式,且融合图像区域信息和边界信息。通过侧脑室和肿瘤医学图像分割实验,其结果表明,该模型对模糊边界图像的自动分割具有一定的普适性,能达到满意的分割效果。将该模型应用到多目标的免疫细胞图像分割中,能一次性完成将细胞质从细胞核和体液两种不同背景中分割出来的任务。     

自适应复杂环境的投影图像校正算法

为实现投影仪在任意表面上的自适应投影,提出一种可以在日常环境光照条件下进行自动几何校正和色彩补偿的投影图像校正算法.该算法使用基于二进制编码结构光的离散映射集合方法,通过计算对应像素映射关系消除投影图像的几何畸变;然后应用一种优化的朗伯特反射模型构造投影表面的纹理空间,对原始投影图像进行预处理和全局亮度补偿,最终实现投影图像的颜色补偿.实验结果表明,基于文中算法在复杂环境中进行投影,可以在不规则几何表面上投影出符合视觉期望的无变形图像,并能够有效地消除投影表面固有纹理和环境光照对投影图像的干扰;将自适应复杂环境的投影图像校正算法应用于传统投影机摆脱了投影机对投影幕布的依赖,可以在任意环境中实现近似于白色平板幕布的投影效果.     

基于复杂特征融合的改进mean shift目标跟踪

提出一种融合Gabor小波纹理特征与颜色特征的改进mean shift目标跟踪算法.首先,提取移动目标的颜色特征和纹理特征直方图;其次,基于mean shift算法定义融合相似度系数,对特征空间进行融合并得出目标中心位置;再次,通过定义特征自适应系数来融合基于颜色和纹理特征的目标位置;最后,对上述结果进行处理,得到目标最终位置.实验结果表明,该算法在跟踪目标存在变形、噪声、遮挡时能够得到比较理想的跟踪效果.     

一种基于透视投影响的纹理校正方法

论述了一种基于透视投影响的纹理校正方法,该方法以立体视觉中的线性摄像机模型为基础,针对虚拟场景漫游的特点及需要,利用透视投影中点的对应关系,通过图像空间与纹理平面上的四点对应,求得纹理校正的投影矩阵,这对采用本方法的实现结果进行了讨论。     

基于直方图势函数做标记和纹理特征合并的分水岭算法

本文研究了一种基于形态学处理和纹理特征合并的水域算法，该方法首先对形态梯度图进行滤波处理，以获得较好的参考图像，然后又利用图像的直方图势函数对图像做标记。最后，为了获得整体的目标，我们对上面所得到的分割结果进行了区域一致性、纹理一致性和对比度的检验，来合并用水域算法获得的分割结果，以曩得更好的分割效果，
，并通过试验验证了算法的有效性。     

应用运动模糊方法仿真铅笔画纹理

通过分析真实铅笔纹理的特点,提出了一种基于运动滤波器的仿真铅笔纹理的新方法.首先对用户输入的图像进行边缘检测,提取轮廓信息,然后对传统白噪声生成法进行改进,将参考图像由RGB色彩空间转换到HSV色彩空间,通过亮度值控制噪声点的产生几率,最后应用运动模糊方法代替传统的线积分卷积(LIC)方法模拟铅笔纹理,得到具有素描风格的结果图像.实验结果表明,该方法生成效果接近于手绘风格,且无需用户交互,适合于动画制作等很多领域的应用.     

基于融合细分的纹理图像重构模型

针对分段迭代曲线拟合存在的重建区域轮廓不连续、重建区域尺寸有误差等问题,提出了一种基于融合细分的纹理图像重构模型.首先提取原始图像的分割区域,经过轮廓跟踪与下采样得到区域形状的特征向量;然后利用三重逼近与三重插值统一的融合细分方法,重建区域轮廓曲线;最后合成区域纹理,得到纹理图像重构结果.在多幅自然场景图像上进行实验验证,并给出相应的实验结果和分析.实验结果表明,所提模型正确有效,具有和人类视觉特性相符合的重构结果; 所提算法能够减少图像重建时的处理时间,并在图像质量主观评价指标上明显优于多区域图像重建算法.     

基于图像单元对比度与统计特性的显著性检测

根据视觉注意机制, 提出一种基于图像单元对比度与空间统计特性的可靠显著性区域检测方法. 通过自适应的图像分割构造图像单元结构, 以图像单元为基础, 分别利用颜色对比度和空间统计特性两种模型进行显著性区域检测, 最后, 将两种模型的检测结果通过高斯模型进行结合, 得到最终的显著性区域检测的结果. 实验表明, 该检测方法与现有的方法比较, 具有更好的精度和召回率, 能明显抑制复杂纹理和噪声, 去除复杂背景的影响.     

Importance Driven Texture Coordinate Optimization

Traditionally, texture coordinates have been generated based solely on the model's geometry, often even before a model's textures have been created. With the arrival of new technologies, such as 3D paint programs, weaknesses of a static optimization pre-process are becoming apparent. These weaknesses arise from constructing a parameterization based solely on the model's geometry, ignoring the fact that detail is not uniformly spaced throughout the texture space. In fact, certain regions of the texture are more important than other regions. In this paper we introduce the notion of the "importance map" and describe how importance values are derived from both intrinsic properties of the texture and user-guided highlights. Furthermore, we describe how importance maps are used to drive the texture coordinate optimization. Finally, we show how this optimization process can be integrated into a 3D painting environment, enabling periodic optimization at any stage of texture design.     

一种肺部肿瘤CT图象序列的自动分割方法

肺部肿瘤序列图象的自动分割是计算机肺部肿瘤三维辅助诊断系统的关键技术之一,肿瘤与周围组织关系的复杂性造成分割困难.为了给医生提供准确的肺部肿瘤影像,运用纹理分析和径向基神经网络实现了肺部肿瘤CT图象序列的自动分割,并根据相邻层肿瘤图象灰度、位置的相关性,提出了一种自动获取多层肿瘤区域神经网络训练样本的阈值分割算法.该算法首先计算图象纹理统计参数,以组成特征矢量空间,然后利用自适应径向基神经网络对特征矢量进行分类来实现肿瘤序列图象的自动分割.实验结果表明,与基于灰度的区域增长法和基于梯度算子和形状算子的最优阈值的分割方法相比较,该方法不仅能充分利用肺部肿瘤序列图象的三维信息,还可最大限度地减少人工干预,且分割结果较好地表现了肿瘤形态特征,经临床医生评估,具有较好的临床指导价值.     

基于样图的木材体纹理绘制方法

传统的体纹理绘制方法采用函数模型定义体纹理空间的颜色,模拟不同的纹理特征需要反复调整与测试相关参数,且在多数情况下不能获得令人满意的结果.以木材体纹理绘制为例,提出了一种基于样图的体纹理绘制新方法.该方法针对木材纹理的结构特点构造样图空间与体纹理空间的几何映射关系,采用木纹样图的像素纹理值定义体纹理空间的颜色.实验结果表明,绘制的纹理不仅较好地模拟了木纹样图中的纹理特征,而且在物体各表面交界处保持连续.由于纹理样图可根据用户需要任意选取,基于样图的体纹理绘制方法显著提高了计算机生成木纹的真实感与多样性.