基于多层水平集函数的三维多相图像分割

多相图像分割通常利用多个水平集函数分别定义不同区域的特征函数,其极值求解问题需要对多个函数分别求极值,计算效率较低。针对三维多相图像,提出一种改进的变分水平集模型,采用一个多层水平集函数的n层水平集隐式曲面,将图像划分为n个区域,通过对一个水平集函数求极值,实现三维多相分段常值图像的快速分割与重建。将能量泛函表达为数据项和规则项,借助规则化Heaviside函数设计区域划分的通用特征函数,采用Split-Bregman投影方法进行能量最小化求解。实验结果表明,该模型可以有效地实现三维多相图像分割,与Chan-Vese模型相比,其迭代步数较少,分割速度较快。     

隐式曲面多相图像分割的变分水平集方法

基于隐式曲面的水平集表达、隐式曲面上的内蕴梯度概念和图像分割的标记函数方法,建立了隐式曲面上多相图像分割的水平集模型,并设计了相应的Split Bregman方法.首先,将分段常值与光滑平面图像两相分割的Chan-Vese模型推广到隐式曲面上图像分割的变分水平集模型,并根据图像分割的二值标记函数和凸松弛的概念将该模型转化为全局凸优化的极值问题;然后借助n-1个水平集函数划分n个区域的区域特征函数,将隐式曲面上两相图像分割变分模型推广到了多相图像分割,并利用凸优化方法将该模型的变分问题松弛为一系列凸子优化过程.通过引进辅助变量和Bregman迭代参数设计的Split Bregman方法,将每个子优化问题转化为简单的Poisson方程求解和解析的软阈值公式.数值算例结果表明,文中方法在计算效率方面要优于传统的方法.     

三维图像多相分割的变分水平集方法探究

基于三维图像多相分割问题,采用变分水平集方法,借助能量泛函得出水平函数演化方程,再取值不同的参数构建相应的区域模型.选取虚拟人体下颌骨和牙齿图像进行验证,验证结果证实,该方法具有简单高效的优势,能够快速分割和重建三维图像,并将图像信息真实反映出来.     

变分水平集分割方法

针对三维图像多相分割问题,提出一种变分水平集分割方法。由变分方法和梯度坡降方法得到能量泛函取极小值的水平集函数演化方程,与基于区域模型的参数估计构成一个交替迭代过程。仿真结果表明,该方法简单高效,能快速实现三维图像的轮廓分割与重建,真实反映采集序列断层图像的信息,具有较好的应用价值。     

变分水平集分割方法

针对三维图像多相分割问题,提出一种变分水平集分割方法。由变分方法和梯度坡降方法得到能量泛函取极小值的水平集函数演化方程,与基于区域模型的参数估计构成一个交替迭代过程。仿真结果表明,该方法简单高效,能快速实现三维图像的轮廓分割与重建,真实反映采集序列断层图像的信息,具有较好的应用价值。     

多相图像分割的Split-Bregman方法及对偶方法

变分水平集方法为多相图像分割提供了统一框架,但其能量泛函的局部极值问题和较低的计算效率制约着该类方法的应用,文中针对此问题提出一种改进模型和方法.首先将两相图像分割的全局凸优化模型推广到多相图像分割,建立了多相图像分割的交替凸优化变分模型,以改善传统模型的局部极值问题;然后提出了相应的快速Split-Bregman方法和对偶方法来提高计算效率,其中Split-Bregman方法通过引入辅助变量将凸松弛后的变分问题转化为简单的Poisson方程和精确的软阈值公式,对偶方法则通过引入对偶变量将该问题转化为对偶变量的半隐式迭代计算和主变量的精确计算公式.文中的改进模型适用于任意多相图像分割,且对二维和三维图像分割具有相同形式,可用于三维图像的多对象自动形状恢复.最后通过多个数值算例验证了文中方法的计算效率优于传统的方法.     

隐式曲面上两相图像分割的变分水平集方法

在平面图像分割的Chan-Vese模型基础上,提出隐式曲面上两相图像分割模型。用静态水平集函数的零水平集表达图像所在的闭合曲面,用另一动态水平集函数的零水平集与静态水平集函数零水平集的交线表达静态曲面上图像分割的动态轮廓线。所研究模型的能量泛函的数据项即为曲面上两分割区域的图像强度与对应区域平均图像强度的差的平方,其轮廓线长度项为两水平集函数的零水平集交线的长度。为避免动态水平集函数的重新初始化,在能量泛函中引入水平集函数为符号距离函数的约束惩罚项。通过变分方法得到图像分割空间轮廓线演化的梯度降方程。通过显式差分格式对演化方程进行离散。实验结果表明,该模型能有效实现复杂封闭曲面上图像的两相分割。     

几种基于参数估计的图像分割比较

基于变分水平集方法建立了两相图像分割的通用模型,其区域模型基于图像的一般概率分布函数,通过变分方法得到水平集函数的演化方程和符合常值分布、Gauss分布及Rayleigh分布的参数估计。通过半隐式差分格式对演化方程离散求解,对含不同噪声分布图像采用不同的参数估计模型进行分割,得到了有意义的结论,得出三种模型适用范围,并分析各个模型驱动曲线演化所依据的图像蕴含信息。此外,通过在能量泛函中增加使水平集函数为符号距离函数的约束项,有效地避免了水平集函数需要重新初始化的问题。     

基于变分水平集的图像模糊聚类分割

结合变分水平集方法和模糊聚类,提出了一个基于变分水平集的图像聚类分割模型.该模型引入了一个基于图像局部信息的外部模糊聚类能量和一个新的关于零水平集的正则化能量,使得该模型对噪声图像的聚类分割更具鲁棒性.通过在能量泛函中加入一个内部约束能量约束水平集函数为符号距离函数,可以使水平集演化过程无需重新初始化.进一步提出了一种变分形式的聚类中心更新方法,实现了半监督的图像聚类分割.实验中采用不同类型的图像与FCM聚类模型、CV模型、Samson模型进行了对比实验,实验结果显示,该模型能够克服图像中噪声的影响,取得较满意的聚类分割效果.     

基于改进变分水平集的红外图像分割方法

提出一种基于水平集的红外图像偏微分分割方法,通过改进Chan-Vese模型中的能量函数获得偏微分方程,该能量函数将红外图像边缘与区域信息相结合,取得了全局极小值,该能量模型对水平集初始曲线的位置不敏感,并可定位图像边缘。基于该模型的变分水平集分割方法可分割出红外图像目标。实验结果表明,该方法效果良好,便于下一步的红外目标识别与跟踪。     

An active contour model driven by anisotropic region fitting energy for image segmentation

A novel region active contour model (ACM) for image segmentation is proposed in this paper. In order to perform an accurate segmentation of images with non-homogeneous intensity, the original region fitting energy in the general region-based ACMs is improved by an anisotropic region fitting energy to evolve the contour. Using the local image information described by the structure tensor, this new region fitting energy is defined in terms of two anisotropic fitting functions that approximate the image intensity along the principal directions of variation of the intensity. Therefore, the anisotropic fitting functions extract intensity information more precisely, which enable our model to cope with the boundaries with low-contrast and complicated structures. It is incorporated into a variational formula with a total variation (TV) regularization term with respect to level set function, from which the segmentation process is performed by minimizing this variational energy functional. Experiments on the vessel and brain magnetic resonance images demonstrate the advantages of the proposed method over Chan–Vese (CV) active contours and local binary active contours (LBF) in terms of both efficiency and accuracy.     

一种改进的变分水平集的图像分割算法

为了解决灰度不均匀现象对医学图像的干扰问题,提出了基于局部极性信息的活 动轮廓模型。通过引入局部图像信息,该模型能有效地分割灰度不均匀图像。在规则化项中增 加的能量惩罚项,使得水平集函数在演化过程中保持为近似的符号距离函数。该算法将图像分 割问题归结为曲线能量泛函的最小化,首先建立包含局部灰度信息（极性信息）和改进的符号 距离函数的曲线演化能量泛函;然后采用变分水平集方法求解能量函数的最小值,得到最终的 分割结果。真实医学图像和人工合成图像的实验结果表明,此方法对灰度不均匀的医学图像有 较高的分割精确度,在图像分割速度上有较大提高。由于利用了局部灰度信息,可以有效地分 割灰度不均匀的医学图像,而改进后的变分水平集可以完全避免重新初始化,使得图像分割效 率大大提高了。     

A novel active contour model for image segmentation using distance regularization term

In this paper, a novel active contour model (R-DRLSE model) based on level set method is proposed for image segmentation. The R-DRLSE model is a variational level set approach that utilizes the region information to find image contours by minimizing the presented energy functional. To avoid the time-consuming re-initialization step, the distance regularization term is used to penalize the deviation of the level set function from a signed distance function. The numerical implementation scheme of the model can significantly reduce the iteration number and computation time. The results of experiments performed on some synthetic and real images show that the R-DRLSE model is effective and efficient. In particular, our method has been applied to MR kidney image segmentation with desirable results.     

A Variational Model for Object Segmentation Using Boundary Information and Shape Prior Driven by the Mumford-Shah Functional

In this paper, we propose a new variational model to segment an object belonging to a given shape space using the active contour method, a geometric shape prior and the Mumford-Shah functional. The core of our model is an energy functional composed by three complementary terms. The first one is based on a shape model which constrains the active contour to get a shape of interest. The second term detects object boundaries from image gradients. And the third term drives globally the shape prior and the active contour towards a homogeneous intensity region. The segmentation of the object of interest is given by the minimum of our energy functional. This minimum is computed with the calculus of variations and the gradient descent method that provide a system of evolution equations solved with the well-known level set method. We also prove the existence of this minimum in the space of functions with bounded variation. Applications of the proposed model are presented on synthetic and medical images.     

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。     

基于变分水平集的图像分割模型

基于传统的变分水平集方法的图像分割,水平集函数必须周期性地重新初始化使之保持为符号距离函数,这存在如何选择重新初始化的时间和方式的难题.Li模型通过在能量泛函中引入一个内部约束能量,去除了水平集函数在演化过程中需重新初始化的难题.通过对Li模型的分析,提出了一个新的变分水平集的分割模型.该模型通过在能量泛函中加入一个较简单的内部约束能量,同样可以实现水平集演化过程中的无需重新初始化.并且通过对边缘停止函数的重新定义,引入了新的外部能量,使得本文模型对噪声图像的分割更具鲁棒性.实验表明无论是在收敛速度上,还是在对噪声图像的分割质量上,本文模型和Li模型相比都具有一定的优势.     

结合FCMS与变分水平集的图像分割模型

提出了一个结合融合空间约束的模糊C均值（Fuzzy C means with spatial constraints,FCMS）聚类与变分水平集的图像模糊聚类分割模型.在该模型中引入了一个基于图像局部信息和空间信息的外部模糊聚类能量,从而可以获取精确的局部图像的空间特征,使得本文模型对噪声图像的聚类分割具有较强的鲁棒性.采用不同类型的实验图像,将本文模型与10个不同类型的图像分割模型进行了对比实验,实验结果显示本文模型能克服图像中噪声影响并取得较满意的聚类分割结果.