含边缘信息的C-V模型

边缘信息对图像分割是十分重要的。把图像的边缘信息融入C-V模型（active contours without edges）,提出一个新的几何模型,它同时利用同质区域信息和边缘信息使演化曲线在目标边缘处停止。实验显示：新模型能够克服C-V模型的一些缺点;在减少分割时间的同时,对目标灰度不均匀或背景灰度不均匀、含弱边缘或强噪声的图像,分割效果不仅优于C-V模型,也优于C-V模型的两个最新改进模型（LBF和GACV）。     

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。     

改进的几何活动轮廓模型图像分割算法

针对C-V模型不能有效地分割多灰度级图像以及抗噪性不强的问题,分别引入了一个以高斯函数为核函数的局部二值拟合能量项和一个边缘停止函数。利用局部窗函数内的加权均值取代C-V模型的全局均值,并加入了距离函数补偿项,避免了水平集函数的重新初始化,同时将图像的边缘信息融入到C-V模型中,克服了传统的C-V模型无法利用图像梯度信息的不足。实验证明,改进的模型和LBF模型在血管图的分割的效果明显好于C-V模型,在分割时间上,改进的模型也少于LBF模型和C-V模型;对于灰度分布不均匀以及含有噪声的图像,无论是在分割的速度还是分割的效果上,改进的模型均明显优于C-V模型和LBF模型。     

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。     

基于边缘约束局部区域MRF的图像分割方法

针对常规马尔科夫随机场（MRF）模型对复杂自然图像分割时,存在对噪声敏感且边缘模糊的问题,构建一种基于边缘约束局部区域MRF（ECLRMRF）的图像分割模型。利用欧氏距离度量局部区域内邻接像素的相似度,依据其相似度构建局部空间来约束高斯混合模型,有效描述丰富的局部区域统计特征,并建立MRF模型的局部区域一致性约束项。利用Canny边缘检测算子提取图像的边缘特征,并在分割过程中建立图像分割区域的边缘约束,通过在MRF模型框架下将局部区域统计特征和图像边缘特征相融合,解决局部区域MRF模型对图像分割边缘模糊的问题,再采用Gibbs采样算法实现对复杂自然图像的准确分割。实验结果表明,该模型能够更好地保留图像边缘信息,并且具有更好的分割效果。     

结合核方法的选择性各向异性扩散去噪算法

在低信噪比图像噪声抑制处理中,为了有效地保持图像边缘,在基于多相位分层分割算法的各向异性扩散模型的基础上,提出一个基于核方法的选择性各向异性扩散去噪算法。该算法根据图像数据的线性不可分特点,首先利用核方法把多相位分层分割算法中的数据项从线性不可分的低维空间推广到可实现线性可分的高维特征空间,在特征空间中实现图像分割;然后根据分割得到的同质区域的梯度信息改进了P-M模型中的扩散系数;最后,在同质区域中采用改进的P-M模型平滑噪声。实验结果表明,该算法无论在噪声去除还是边缘保持上都具较好的效果。     

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。     

加移动因子的C-V模型

在变分水平集方法中,C-V模型的优点之一是能够提取以非梯度形式定义的图像边界,然而,在提取该类型边界时,模型仅考虑了图像各区域的均值信息而没有考虑图像的局部信息,因此尽管C-V模型能够得到渐进型边界图像的分割结果,但是存在分割误差。将移动因子引入到C-V模型以解决上述问题。其中移动因子定义为图像局部凸凹性的函数,通过该因子可以调整模型0-水平面的高度,进而使得解平面与目标所在平面更加接近或重合,以达到消除分割误差的目的。文中给出了偏微分形式的模型,并通过实验验证了模型的有效性。     

基于局部区域力的活动轮廓模型图像分割研究

研究活动轮廓模型的分割效果问题.针对目前测地线活动轮廓模型对初始化位置十分敏感,在穿越边界的初始化条件下易产生错误分割,以及耦合曲线活动轮廓模型在灰度分布不均匀时易做出错误分割的问题.提出由活动曲线附近的区域信息决定的局部区域力的新测地线活动轮廓模型,可以被图像梯度和区域信息的外力所驱动,达到有效地驱动活动曲线收敛到物体边缘的目的.新模型结合了测地线活动轮廓模型和局部信息的活动轮廓模型的优点.实验证明,新模型可以跨边界进行初始化操作,同时对弱边缘图像有更好的分割效果.     

基于Chan-Vese水平集的梯度加速分割模型

为了提高图像分割的速度和精度,提出了一种新的基于Chan-Vese水平集模型(C-V模型)的梯度加速分割模型.首先,在C-V模型的能量函数中加入一个内部能量项,抵消演化过程中水平集函数和符号距离函数的偏差,从而消除分割中周期性重新初始化的过程;其次,提出了梯度加速项,通过感兴趣区域的图像特征,快速得到该区域的边界,且能够提高弱边界的分割精度.实验证明,提出的方法不仅能够加速特定区域的分割、提高分割精度,还能保持分割过程的稳定性.     

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.     

Geometric active contours without re-initialization for image segmentation

A geometric active contour model without re-initialization that can be used for grey and color image segmentation is presented in this paper. It combines directional information about edge location based on Cumani operator as a part of driving force, with the improved geodesic active contours containing Bays error based statistical region information. Moreover, an extra term that penalizes the deviation of the level set function from a signed distance function is also included in the model, thus the costly re-initialization procedure can be completely eliminated and all these measures are integrated in a unified frame. Experimental results on real grey and color images have shown that our model can precisely extract contours of images and its performance is much better and faster than the geodesic-aided C-V (GACV) model.     

结合全局与局部信息活动轮廓的非同质图像分割

目的 通过对现有基于区域的活动轮廓模型能量泛函的Euler-Lagrange方程进行变形,建立其与K-means方法的等价关系,提出一种新的基于K-means活动轮廓模型,该模型能有效分割灰度非同质图像。方法 结合图像全局和局部信息,根据交互熵的特性,提出新的局部自适应权重,它根据像素点所在邻域的局部统计信息自适应地确定各个像素点的分割阈值,排除灰度非同质分割目标的影响。结果 采用Jaccard相似系数-JS(Jaccard similarity)和Dice相似系数-DSC(Dice similarity coefficient)两个指标对自然以及合成图像的分割结果进行定量分析,与传统及最新经典的活动轮廓模型相比,新模型JS和DSC的值最接近1,且迭代次数不多于50次。提出的模型具有较高的计算效率和准确率。结论 通过大量实验发现,新模型结合图像全局和局部信息,利用交互熵特性得到自适应权重,对初始曲线位置具有稳定性,且对灰度非同质图像具有较好地分割效果。本文算法主要适用于分割含有噪声及灰度非同质的医学图像,而且分割结果对初始轮廓具有鲁棒性。     

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。     

改进C-V模型的木材缺陷彩色图像分割研究

分析了木材节子缺陷图像的特点,将彩色图像作为一个整体的图像进行处理,保护了彩色图像信息的特性,提出了一种基于AOS的扩展C-V矢量模型及背景填充耦合的木材节子缺陷彩色图像分割算法。对Chan-Vese提出的基于Mumford-Shah模型的水平集矢量图像分割模型进行了改进,使分割速度得到了提高;用AOS算法改进了原模型的差分格式,使得差分格式无条件稳定;结合背景填充技术,使得到的新图像缩减了目标与背景间的特征差别。实验结果表明该方法可以较好地实现对木材死节、活节和虫眼等缺陷的彩色图像分割,也可实现对单板多节子缺陷彩色图像的分割,为木材缺陷边缘检测提供一种行之有效的方法。     

C-V模型在红外视频火灾图像分割中的应用

针对大空间中红外视频火灾图像边缘模糊,不易准确分割问题,研究了一种基于背景差分和C-V模型的分割方法。通过背景差分得到运动图像;利用形态学处理得到完整的运动区域,并获得其外接矩形;以外接矩形作为C-V模型的初始轮廓曲线进行分割,得到封闭、完整的运动目标轮廓。该算法避免了对整幅图像分割,减少了运算量。通过实验仿真并与阈值分割算法比较,证明了该算法的准确性和有效性,有利于下一步火灾特征提取与识别。