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。     

基于符号压力函数的几何活动轮廓模型

针对几何活动轮廓(GAC)模型的诸多缺点,提出一种基于符号压力(SPF)函数的活动轮廓模型。采用一种基于区域统计信息的符号压力函数作为边界指示,能够提高演化曲线在运动过程中对模糊边界的识别能力和抗噪能力。相对于传统几何活动轮廓模型,所提模型具有如下特点：一是能够有效分割边界模糊的目标;二是更具抗噪能力;三是轮廓线运动具有双向性。实验结果表明了所提模型的有效性。     

基于混合主动轮廓模型和区域间差别最大化的细胞弱边界分割

准确分割是图像处理与分析的关键。然而显微细胞图像的目标轮廓模糊、存在弱边界等问题,使得分割结果往往不尽人意。针对这一问题,提出基于混合主动轮廓模型和区域间差别最大化的细胞弱边界分割方法。该模型根据区域最大化的原则,并采用局部和全局灰度信息作模型的驱动力,在确保检测出全局差异的同时,捕捉到局部差异性。模型的能量泛函是由局部和全局拟合项组成的,并引入策略权重参数,这个参数利用梯度信息来解释局部拟合项和全局拟合项是如何组成混合拟合项的。实验结果表明,这种基于混合主动轮廓模型和区域间差别最大化的细胞分割方法能有效地捕获弱边界并分割出细胞核。     

基于双水平集的图像分割模型

针对水平集模型对于具有细长拓扑部分的目标和弱边界目标进行分割时存在的问题，提出了双水平集方法．在新的方法中通过两条水平集之间的相互吸引来加速解的收敛，同时提出了一种快速有符号距离函数生成方法，提高了计算效率．传统的水平集通常利用图像边界信息来构造速度函数进行求解，但在待分割目标具有很强噪音或具有弱边界时往往得不到真实解，对此，提出了一种新的基于区域信息的速度构造方法．将双水平集模型应用到合成图像与左心室MR图像的分割实验，结果表明该方法具有较好的分割效果和较高的分割效率．     

情境相关的室内空间群组Top-k查询

几何主动轮廓（GAC）模型根据曲线的几何特性可以避免演化过程中重新参数化，但其分割模糊边界对象的效果不佳，而Chan-Vese（CV）模型通过最大化目标与背景的灰度差可以有效地区分图像的模糊边界。基于此，提出一种GAC-CV混合模型，即将图像的边缘信息与区域信息融合进入同一个"能量"泛函，并对不同的分割目标采取不同的分割策略，提高凹形边缘的捕获能力。对绝缘子7种等级的憎水性图像的分割结果表明，该混合模型具有优越的分割性能，对水珠亮点的检测率高达95%。     

一种基于统计信息的Snake运动目标跟踪算法

传统Snake模型采用基于轮廓的图像能,分割结果受图像噪声和强边界的影响较大。本文在Snake模型中引入区域统计信息,并对弹性能做了改进,克服了仅用边界信息描述目标轮廓的不足。把改进的Snake模型用于运动目标的跟踪,提高了跟踪的准确性。     

基于先验知识和区域信息的Snake模型图像分割研究

提出基于先验知识和区域信息的参数活动轮廓模型(Snake模型)图像分割.用包含先验知识和区域信息的变力替换在气球力Snake模型中的恒定气球力,并应用于模糊边界图像分割.实验结果表明,该模型与初始轮廓曲线位置无关,能完成自动分割模糊边界图像的任务.另外,对于均值相等、方差不同的目标和背景两区域图像实行分割,该模型也能获得正确的分割结果.     

基于改进符号压力函数的变分水平集图像分割算法

为了更好地解决含有弱边界、灰度不均匀的图像在分割时出现的轮廓线错误移动而导致分割结果错误的问题,结合图像的统计信息,构造出一种新的符号压力(SPF)函数,提出了一种基于改进的压力符号函数的变分水平集图像分割算法。首先,利用新的压力符号函数代替边缘函数,构造了新的活动轮廓模型;其次,该算法保持了测地线活动轮廓(GAC)模型和chan-vese(C-V) 模型的优点,使水平集函数演化到目标的边界上;最后,对一些弱边界、灰度不均匀的图像进行仿真实验,结果表明提出的算法能够精准地分割目标,并且具有一定的抗噪性。     

基于ROI信息的活动轮廓模型MR图像分割

参数活动轮廓模型和几何轮廓模型是目前常用的图像分割方法。传统的参数活动轮廓模型在曲线演化过程中仅使用了梯度信息,在处理具有强噪音或弱边界的目标时往往得不到理想的结果,且不具有拓扑可变性。为此,构造一种基于区域信息约束力的参数活动轮廓模型,在新的约束力的作用下,模型可以有效降低噪音的影响并防止曲线从弱边界泄漏,且提高曲线进入细窄区域的能力,将参数模型几何化,使该模型具有拓扑可变的能力。实验表明,该模型具有较好的分割效果。     

基于变分水平集的目标轮廓分割方法

针对风洞试验摄影测量技术中标识点图像边缘模糊,难以快速、准确分割的难题,设计了一种基于变分水平集的目标轮廓自动分割方法.分割模型根据图像域内零交叉曲线两侧二阶微分值符号相反的特性,构造了新的曲线演化引导函数,位于标识点内部、外部,甚至与标志点轮廓相交叉的初始曲线,在该引导项的指引下均可自动收敛到标识点边界处.同时,模型中引入新的边界函数,解决了标识点弱边缘分割过程中演化曲线边界泄露的问题.在合成图像和实际风洞模型图像上的仿真实验结果表明了该方法的准确性与优越性.     

应用主动轮廓线生长模型的细胞核自动分割

提出了一种改进的主动轮廓线模型应用于细胞核的分割。在利用极限腐蚀检测到每个细胞核的种子点后，以种子点为中心点分别建兢一个基于极坐标描述的生长Snake模型，加入了一个基于区域相似度的生长能量，克服了传统模型须将初始轮廓置于真实边界附近的缺点；在应用贪心算法求解时，搜索空间由常规的8邻域减少为径向的两个相邻量化点，提高了计算效率。     

基于目标模糊置信度描述驱动的区域能量进化增长图像分割算法

为了克服经典区域增长算法在复杂目标与背景分布情况下, 停止条件难以确定的不足, 提出基于目标模糊置信度描述驱动的区域能量进化增长图像分割算法. 该算法结合了主动轮廓模型(Active contour model, ACM)、目标数据分布域描述与区域增长三者的优点, 首先利用分割目标的支持向量数据域描述将待分割图像转化为相对于分割目标的模糊置信度表示, 因为分割过程充分利用了有监督学习策略得到的目标特征分布情况, 使得本文提出的算法具有更高的稳定性和更加广泛的适用范围, 特别是对目标灰度分布不均或存在多纹理的目标也可以得到较好的分割结果. 在区域增长进行分割时, 引入了新的区域能量表示模型作为区域增长的结束判决条件, 分割时逐渐降低目标模糊置信度的门限, 通过对区域能量模型的动态优化来逼近最佳分割结果. 对比实验结果表明本文提出的算法具有更大的灵活性和更好的分割性能.     

Hybrid Active Contour Mammographic Mass Segmentation and Classification

This research implements a novel segmentation of mammographic mass. Three methods are proposed, namely, segmentation of mass based on iterative active contour, automatic region growing, and fully automatic mask selection-based active contour techniques. In the first method, iterative threshold is performed for manual cropped preprocessed image, and active contour is applied thereafter. To overcome manual cropping in the second method, an automatic seed selection followed by region growing is performed. Given that the result is only a few images owing to over segmentation, the third method uses a fully automatic active contour. Results of the segmentation techniques are compared with the manual markup by experts, specifically by taking the difference in their mean values. Accordingly, the difference in the mean value of the third method is 1.0853, which indicates the closeness of the segmentation. Moreover, the proposed method is compared with the existing fuzzy C means and level set methods. The automatic mass segmentation based on active contour technique results in segmentation with high accuracy. By using adaptive neuro fuzzy inference system, classification is done and results in a sensitivity of 94.73%, accuracy of 93.93%, and Mathew’s correlation coefficient (MCC) of 0.876.     

一种基于主动轮廓模型的医学图像序列分割算法

介绍了一种结合live wire算法和活动轮廓模型的医学图像序列的分割方法.通过把live wire算法和图像分割中一般的区域增长方法结合,对传统live wire算法进行了改进,并用改进后的算法对医学图像序列中的单张或多张切片进行交互式地准确分割.然后计算机利用活动轮廓模型自动分割相邻的未分割切片.还通过在活动轮廓模型的边缘点中引入记录已分割物体边缘附近局部区域特征的灰度模型,把已分割切片中的物体与背景的局部区域特征带入相邻的未分割切片中,并用由灰度模型定义的区域相似性代替活动轮廓模型中的外能来引导边缘轮廓收敛到物体的实际边缘.最后介绍了一种基于live wire算法思想的简单的分割结果交互式修复方法.实验结果表明该算法仅需少量用户交互就能快速准确地从医学图像序列中分割出感兴趣的物体,在医学图像分析中具有实用价值.     

结合MRF能量和模糊速度的乳腺癌图像分割方法

乳腺癌灶的精确分割是乳腺癌计算机辅助诊断的重要前提. 在动态对比增强核磁共振成像(Dynamic contrast-enhanced magnetic resonance imaging, DCE-MRI)的图像中, 乳腺癌灶具有对比度低、边界模糊及亮度不均匀等特点, 传统的活动轮廓模型方法很难取得准确的分割结果. 本文提出一种结合马尔科夫随机场(Markov random field, MRF)能量和模糊速度函数的活动轮廓模型的半自动分割方法来完成乳腺癌灶的分割, 相对于专业医生的手动分割, 本文方法具有速度快、可重复性高和分割结果相对客观等优点. 首先, 计算乳腺DCE-MRI图像的MRF能量, 以增强目标区域与周围背景的差异. 其次, 在能量图中计算每个像素点的后验概率, 建立基于后验概率驱动的活动轮廓模型区域项. 最后, 结合Gabor纹理特征、DCE-MRI时域特征和灰度特征构建模糊速度函数, 将其引入到活动轮廓模型中作为边缘检测项. 在乳腺癌灶边界处, 该速度函数趋向于零, 活动轮廓曲线停止演变, 完成对乳腺癌灶的分割. 实验结果表明, 所提出的方法有助于乳腺癌灶在DCE-MRI图像中的准确分割.     

Detection of an ellipse by use of a recursive least-squares estimator

A method for detecting an ellipse in an image by use of a recursive least-squares estimator is described. This method is based on classifying the behavior of parameters in a quadratic equation estimated by the estimator. The segmentation of an image is executed using a statistical measure called the adjacent separability factor. Noise elimination is performed by the expansion-contraction method and a contour for each region is extracted. Points on the contour are supplied to a recursive least-squares estimator in succession and the parameters in a quadratic equation are estimated recursively. It is possible to decide whether the contour is an ellipse by analyzing the behavior of an estimated parameter. A main feature of this method is the generality and the simplicity of the procedure.     

一种基于模糊主动轮廓的鲁棒局部分割方法

针对局部分割方法对初始轮廓敏感的问题,本文提出一种基于模糊主动轮廓的鲁棒局部分割方法.该方法利用图像的局部信息,定义一种新的平均模糊能量函数.通过对演化曲线进行形态学膨胀和腐蚀运算构建窄带,并在窄带范围内求解模糊能量函数的最小值来实现局部分割.为防止演化曲线陷入局部极小值,在迭代过程中加入对比度约束判断条件,进一步提高了分割方法对初始轮廓的鲁棒性.对合成图像和医学图像的分割实验结果表明,与已有的几种局部分割方法相比,本文方法在分割精度和鲁棒性等方面都有较大提高.     

基于模糊速度函数的活动轮廓模型的肺结节分割

肺结节是肺癌在早期阶段的表现形式. 利用计算机辅助诊断(Computer-aided diagnosis, CAD)技术对血管粘连型肺结节和磨玻璃型肺结节进行检测, 需要对这两类肺结节进行准确的分割. 目前基于传统活动轮廓模型的肺结节分割算法, 存在边界泄露现象. 对此, 本文提出一种基于模糊速度函数的活动轮廓模型的肺结节分割算法. 首先, 采用结合灰度特征和局部形态特征的模糊聚类算法, 计算模糊速度函数中的模糊隶属度; 其次, 将模糊速度函数引入到活动轮廓模型中, 在肺结节的边界处, 该速度函数为零, 轮廓曲线停止演变, 从而完成肺结节的分割. 实验结果表明, 本文提出的算法可以精确地分割血管粘连肺结节和磨玻璃型肺结节.     

基于核模糊聚类的变分水平集医学图像分割方法

针对现有无须重新初始化的变分水平集分割模型, 存在对边缘模糊、对比度差等图像不是很敏感、分割效果不理想的问题, 提出了一种基于核模糊聚类的变分水平集医学图像分割方法。将原始图像进行核模糊C-均值聚类, 把得到的聚类结果带入初始化水平集函数得到初始轮廓, 最后利用李模型的分割方法实现最终的图像分割。实验结果表明, 该方法具有良好的分割质量, 适应性强, 同时可减少迭代次数。     

基于自监督学习的病理图像层次分割

在苏木精-伊红(HE)染色病理图像中，细胞染色分布的不均匀和各类组织形态的多样性给病理图像的自动分割带来极大挑战。为解决该问题，提出了一种基于自监督学习的病理图像三步层次分割方法，对病理图像中各类组织进行由粗略到精细的全自动逐层分割。首先，根据互信息的计算结果在RGB色彩空间中进行特征选择；其次，采用K-means聚类将图像初步分割为各类组织结构的色彩稳定区域与模糊区域；然后，以色彩稳定区域为训练集采用朴素贝叶斯分类对模糊区域进行进一步分割，得到完整的细胞核、细胞质和胞外间隙这三类组织结构；最后，对细胞核部分进行结合形状和色彩强度的混合分水岭分割得到细胞核间的精确边界，进而量化计算细胞核个数、核占比、核质比等指标。对脑膜瘤HE染色病理图像的分割实验结果表明，所提方法对于染色和细胞形态差异保持较高的鲁棒性，各类组织区域分割误差在5%以内，在细胞核分割精度的对比实验中平均正确率在96%以上，满足临床自动图像分析的要求，其量化结果可以为定量病理分析提供依据。