基于核函数的活动轮廓模型

为了改善活动轮廓模型的分割精度和效率,提出一种基于核函数的活动轮廓模型.该模型采用鲁棒的非欧氏距离度量构造能量泛函,提高了模型的分割精度;使用指数类型的核特征函数来提升收敛速度;最后在模型中还加入了水平集正则项,以避免水平集的重新初始化.实验结果表明,文中模型在分割精度和分割效率上都要强于Chan-Vese模型.     

基于K-means聚类的灰度图像分割

图像分割是图像分析的关键步骤,具有十分重要的应用价值和研究价值。本文K-means聚类的特点,叙述了应用K-means聚类算法进行灰度图像分割,经实验结果表明,此算法能较好的用于图像分割上。     

基于几何活动轮廓模型的图像分割

为降低噪声对图像分割的影响,提出一个几何活动轮廓模型,并应用变分方法求解出模型对应的水平集曲线演化的偏微分方程。该模型考虑到图像区域和边缘的先验信息,并充分考虑图像的统计信息。引入一个惩罚项作为内部能量项,以避免耗时的重新初始化过程。为了验证模型的有效性,文中基于简单的高斯型概率密度函数建立分割实例,结合应用高效且无条件稳定的AOS算法进行分割实验。实验结果表明,模型准确性较高,具有良好的抗噪性、高效性。     

自适应尺度的局部强度聚类图像分割模型

针对传统活动轮廓模型无法精确分割强度不均匀图像，并且对尺度参数比较敏感的问题，提出了一种基于区域信息的自适应尺度的活动轮廓模型。根据图像的局部熵构建自适应尺度算子，利用图像的局部强度聚类性质构建能量函数。使用一组平滑基函数的线性组合来表示偏移场，这样可以增加模型的稳定性。通过最小化该能量，所提模型能够同时分割图像和估计偏移场，并且估计的偏移场可以用于强度不均匀校正。实验结果表明，与其它4种模型相比，该模型拥有更高的分割精确度，且分割结果对水平集函数的初始化和噪声具有鲁棒性。     

基于全局极小解Chan-Vese模型的SAR图像分割

活动轮廓模型是近年来最成功的分割模型之一。但由于SAR图像存在较强的斑点噪声,使用传统的Chan-Vese模型水平集分割方法会产生很多误分割。因此,需要对传统Chan-Vese模型进行改进,将非凸的Chan-Vese模型转换为凸优化问题,得到Chan-Vese模型的全局极小解。对凸优化Chan-Vese模型引入边缘检测算子,得到基于边缘和区域信息的全局极小解Chan-Vese模型。在水平集演化迭代过程中,引入一个新的迭代终止条件,可以敏感地判断演化曲线的变化幅度,根据设定条件,自动的停止迭代计算。针对合成图像和真实SAR图像进行分割实验,实验结果表明,提出的改进Chan-Vese模型能够快速、准确地提出图像中感兴趣目标,并具有较强的抗噪性。     

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Chan-Vese模型的医学图像分割算法

在二维Otsu方法和Chan-Vese模型的基础上,提出了一种新的医学图像分割算法。首先用二维Otsu方法将图像分成目标、背景、边缘和噪声等4部分,然后通过一个能量函数来判断边缘和噪声区域中各像素点属于背景还是目标,并利用同质区域的全局信息对初始分割结果进行微调,得到更精确的分割效果。该算法优化了初始轮廓位置,有效地解决了初始位置影响曲线演化速度问题,并通过逐点代入法来极小化能量函数,减少了计算量,提高了图像分割的速度。实验结果表明,提出的算法具有抗噪性,分割效果良好,有很好的实际意义。     

基于改进活动轮廓模型的图像分割

针对图像分割中的灰度不均匀和轮廓初始化问题,提出一种基于区域的活动轮廓模型。将图像的全局信息和局部信息作为能量项驱动活动轮廓向目标边缘演化,以有效分割灰度不均匀图像,为保证图像分割的速度和精度,在能量方程中加入长度项和惩罚项,并采用梯度下降法得到该模型的最小化能量方程。实验结果表明,和局部二值拟合模型、局部图像拟合模型相比,该模型能分割灰度不均匀的图像,对初始轮廓曲线大小和位置更不敏感,且分割图像所需的迭代次数、迭代时间更少。     

基于改进的K-means聚类算法在图像分割中的研究

图像分割是由图像处理到图像分析的关键步骤。传统的K-means聚类算法在进行图像分割处理时,由于其算法本身的一些缺陷,使得图像颜色像素在进行聚类时会出现比较高误分类率,为了降低这一比率本文将一种改进的K-means聚类方法应用于图像分割研究中,取得了明显的效果。     

用于图像分割的活动轮廓模型综述

图像分割和边界提取对于图像理解、图像分析、模式识别、计算机视觉等具有非常重要的意义,而活动轮廓模型(Active Contour Model)则是图像分割和边界提取的重要工具之一,它主要包括参数活动轮廓模型和几何活动轮廓模型两类。相对于参数活动轮廓模型,几何活动轮廓模型具有很多的优点,如计算的简单性和在变形的过程中能够处理曲线的拓扑变化,等等。近年来,几何活动轮廓模型在理论和应用方面的研究都有很大的发展,令人关注。为了使人们对这一技术有一概略了解,首先提出了一种新的分类方式用来描述参数活动轮廓模型、几何活动轮廓模型以及它们之间的联系,然后通过重点分析几个经典的活动轮廓模型及其算法实现来综述活动轮廓模型的研究、发展及其应用情况,最后指出了进一步进行活动轮廓模型理论与应用研究的方向。     

活动轮廓模型的图像分割方法综述

基于活动轮廓模型的图像分割方法作为计算机视觉应用领域的一个研究热点而倍受关注。文中首先阐述活动轮廓模型的数学模型及其相关的数值实现方法。然后以参数活动模型和几何活动模型的发展为主线, 对活动模型的发展进行综述, 对其应用于图像分割的经典方法、优势和所存在的问题进行比较性研究。最后对活动轮廓模型的未来发展进行展望。     

An Active Contour Model for Selective Segmentation

In this paper, we develop a new active contour model for image selective segmentation. The model adopts cascade anisotropic diffusion prcprocessing and a selective term in level set function. Cascade anisotropic diffusion filtering is powerful and tlexible to enhance image for various segmentation tasks. The selective term in level set function can evolve a single curve to capture a selective segmentation region which we are interested in. This is useful for intentional segmentatioa tasks. We ,：an al, so realize the multi-region segmentation by varying selecting term conditions. Furthermore, we obviously speed the process of the new algorithm by using AOS scheme in cascade anisotropic diffusion filtering aad discarding mean curvature motiou in level set function. We illustrate the performance of our segmentation method on images generated by different modalities.     

邻域约束高斯混合模型的模糊聚类图像分割*

针对传统模糊聚类分割方法无法有效模拟数据分布特征的问题,提出基于邻域约束高斯混合模型的模糊聚类图像分割算法.利用高斯分布刻画聚类内像素光谱测度统计特征,定义像素与其邻域像素相关性的先验概率,并作为高斯混合模型中各高斯分量权重系数,构建包含特征场邻域作用的高斯混合模型.利用高斯分量描述像素与聚类间的非相似性测度,建立基于高斯混合模型的模糊聚类目标函数.在传统模糊聚类方法基础上,采用高斯混合模型定义像素与聚类间的非相似性测度,并在高斯混合模型中融入邻域作用,有效解决数据具有多峰值特征的问题.最后通过实验验证文中算法的准确性.     

活动轮廓模型在医学图像分割中的应用及发展

图像分割是医学三维重建、医学可视化等的基础,对疾病的诊断和治疗有着重要的临床意义,目前,用于医学图像分割的算法很多,而活动轮廓模型（Active Contour Model）的提出则是这个领域的一个重大突破。介绍活动轮廓模型从参数活动轮廓模型到几何活动轮廓模型的发展过程及发展现状,提出活动轮廓模型的研究和发展方向。     

基于免疫K-means聚类的无监督SAR图像分割

利用图像纹理的信息熵特征,并结合空间矩阵的概念,提出一种基于免疫K-means聚类的无监督SAR图像分割算法.免疫规划的K-means聚类克服收敛结果易陷于局部极值的缺点,且保持K-means算法快速收敛的特点.信息熵的应用可有效抑制相干斑噪声的影响,空间矩阵的引入实现聚类过程中类别的自动合并.该算法执行复杂度不高,对噪声的影响有较强的鲁棒性,分割结果较好,是一种实用的SAR图像分割算法.     

活动轮廓模型在医学图像分割中的应用及发展

图像分割是医学三维重建、医学可视化等的基础,对疾病的诊断和治疗有着重要的临床意义,目前,用于医学图像分割的算法很多,而活动轮廓模型(Active Contour Model)的提出则是这个领域的一个重大突破。介绍活动轮廓模型从参数活动轮廓模型到几何活动轮廓模型的发展过程及发展现状,提出活动轮廓模型的研究和发展方向。     

基于改进的K-均值聚类图像分割算法

K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法,并应用于图像分割。针对K-均值聚类算法对离群点的反应过强的缺点,通过替换中心点,比较代价函数,来达到改进划分结果的目的。实验结果表明,该方法能有效改善聚类中心,提高分类精度和准确性。     

基于改进的K-均值聚类图像分割算法

K-均值聚类是一种被广泛应用的方法。本文提出了基于K-均值聚类的改进算法,并应用于图像分割。针对K-均值聚类算法对离群点的反应过强的缺点,通过替换中心点,比较代价函数,来达到改进划分结果的目的。实验结果表明,该方法能有效改善聚类中心,提高分类精度和准确性。     

基于遗传聚类的彩色图像分割

有效的图像分割是进一步进行图像高层次理解和应用的基础。遗传算法是一种鲁棒性很强的优化算法。该文利用遗传算法对图像进行聚类分析,提出了两种新颖的图像分割算法。染色体码长固定时,按用户指定的特征向量在特征空间内进行聚类分割;染色体码长可变时,可同时对图像应分类数进行动态优化。通过实验对它们各自的优缺点进行了分析,并与其它分割算法的性能进行了比较。利用VisualC++6.0实现了文中的算法,并设计了一具体的小型应用系统。