基于水平集的医学图像分割改进算法

医学影像分割是图像分割中的难点,具有重要的应用价值。针对医学影像的特点和图像分割算法的性能差异,提出了一种水平集医学图像分割改进算法。首先通过曲线演化仿真,得出水平集算法核心-速度函数;其次选定速度函数实现对图像的粗略分割,将灰度值较大的区域设置成灰度值较小的值,通过仿真演化准确找到图像中目标区域;最后利用选定的速度函数通过初始算法,经过一定次数的迭代操作后实现了医学影像的准确分割。实验结果表明:该算法可以精确地找到肿瘤所在区域,具有较好的分割性能和一定的鲁棒性。
     

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。     

基于图像层的双水平集图像分割

传统C-V模型可以将待分割图像分割成目标和背景两区域,但无法实现对多目标图像的分割.多相C-V模型能够对多目标图像进行分割,但需要多次迭代,计算量较大.为了解决上述问题,提出一种基于图像层的双水平集分割算法,该算法通过引入背景填充技术来改变图像背景,从而形成新的图像层,双水平集不断地在新的图像层中进行分割,直到所有目标被分割.这样通过双水平集就可以实现对多目标图像的分割.实验结果表明:该算法能够实现多目标分割,且迭代次数较少,同时具有较强的抗干扰能力和较快的收敛速度.     

改进的多目标图像的水平集分割模型

Guo等人利用n个水平集方程构造n个区域提出一种改进的CV模型（简称MCV模型）,该模型需要的迭代次数很少,提高了图像分割的效率,但其分割结果受初始曲线位置的影响较大,极易陷入局部最优,无法分割复杂图像,且利用传统的Heviside函数无法得到准确的均值信息,因此无法保证数值的稳定性。本文对MCV模型进行改进,先对图像进行预分割得到初始曲线以提高分割效率且能保证分割结果全局最优,构造新的符号函数取代传统的Heviside函数改进MCV模型以保证数值稳定性。对MR图像进行的分割实验表明,其在保证迭代次数较少的同时分割更加准确。     

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。     

基于区域显著性的活动轮廓分割模型

提出一种新的活动轮廓分割模型,结合视觉显著性检测机制自动获取待分割图像中目标物体的先验形状信息,并自适应地构造初始轮廓,从而降低了初始轮廓位置对分割算法的影响.同时实现了活动轮廓模型对图像的自适应分割和自动分割,使得分割结果更符合人类视觉感知特性.实验结果表明,该模型有较好的分割效果,迭代次数少,且运行时间短.     

基于简化Mumford-Shah模型的水平集红外图像分割算法

由于红外图像大多具有目标模糊,对比度低的特点,传统的分割方法容易受到噪声和边界轮廓的影响而导致分割效果不佳,提出了一种基于简化Mumford-Shah模型的水平集红外图像分割算法.该算法能够通过将初始闭合曲线嵌入水平集函数,利用函数的求解从而达到图像分割的目的.仿真实验结果表明,该分割算法与初始轮廓线位置无关,受边界轮廓线和图像噪声的影响较小,具有较强的鲁棒性,在目标与背景灰度级差别较小的红外图像的分割中取得了较好的效果.     

基于区域划分的曲线演化多目标分割

该文在小波变换的多分辨率框架下建立了一种基于曲线演化的多目标分割算法，并且目标分割由两步实现：(1)区域划分，将图像域分为多个子区域；(2)在各子区域中，采用基于简化的Mumford-Shah模型的曲线演化方法进行分割，从而实现了多个(不局限于一个)不同平均灰度目标的分割．由于算法建立在区域划分和CV方法的基础上，因而对受噪声影响大、边缘模糊的多个不同质区域仍能得到正确的分割．同时算法从多方面提高了曲线演化速度．     

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.     

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.