共查询到20条相似文献,搜索用时 156 毫秒
1.
2.
一种基于区域竞争的水平集快速图像分割算法 总被引:1,自引:1,他引:0
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。 相似文献
3.
一种改进的活动区域轮廓模型——无需水平集重新初始化 总被引:1,自引:0,他引:1
基于区域的活动区域模型已经成功应用在图像分割、目标跟踪等领域,较之基于梯度的活动轮廓模型具有很多优点。但是,这些水平集模型在演化过程中,为了保持为符号距离函数,必须对其重新初始化,降低了曲线演化速度,增加了实现复杂度。为了解决重新初始化问题,在测地活动区域模型的能量函数中,加入惩罚项来约束水平集保持为符号距离函数,无需再重新初始化,极大地提高了演化速度。将其运用在纹理图像、脑MR图像分割以及视频跟踪中,实验证明该模型是有效的。 相似文献
4.
5.
牛肉眼肌图像的分割是牛肉自动分级的重要步骤。基于水平集的C-V模型采用两个具有不同均值的分块连续区域分割图像,在迭代过程中,为了约束水平集保持为符号距离函数,必须对其进行重新初始化,大大增加了计算量,降低了曲线演化速度。为此,通过加入边缘检测函数和惩罚项因子,提出了改进的C-V水平集模型,并用于牛肉图像分割,同时与模糊C均值聚类、阈值分割法进行了对比。结果表明:采用改进的C-V模型对牛肉图像进行分割,准确提取了眼肌边缘,分割出了脂肪和肌肉区域,准确率高;曲线演化过程中无需对水平集函数符号初始化,加快了曲线演化速度。 相似文献
6.
在充分利用矢量图像各通道区域和边缘信息的基础上,变分IAC(集成活动轮廓)模型引入了非线性热方程的符号距离函数约束项,使水平集不用耗时的重新初始化而始终保持符号距离函数的特性。对非线性热方程传导率的均衡化,使水平集的演化分割过程快速稳定。另外,算法改进了曲线2维梯度和散度算子传统离散化方式,使梯度和散度算子保持空间旋转不变性。实验结果表明,该方法是有效的,提高了分割的准确性和鲁棒性。 相似文献
7.
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。 相似文献
8.
利用图像梯度和几何曲率等信息可以准确定位分割图像的边缘。基于此,在对图像分割典型变分模型有效性及所存在问题分析和讨论的基础上,提出了一种演化曲线自适应驱动的图像分割水平集模型。模型通过调整演化曲线长度项和面积项的权重函数,使演化曲线能够根据图像当前的状态自适应地调整演化幅度和方向,不仅提高了图像分割的准确度,还大大缩减了图像分割时间;模型在利用图像局部区域信息的同时,也利用全局化的正则函数来兼顾模型能量泛函的全局性,使模型有了对异质区域边界的捕捉能力。经试验验证,文章所提出的新模型有效可靠。 相似文献
9.
为了解决测地线模型和CV模型无法同时对弱边界、灰度不均匀图像进行分割的问题,提出一种基于双符号压力函数的活动轮廓图像分割方法。首先,基于图像统计信息定义分割灰度不均匀图像的符号压力函数,基于内部和外部灰度均值给出轮廓曲线内外的全局区域灰度均值的加权组合函数,运用图像全局信息定义分割弱边界图像的符号压力函数;然后,结合统计信息的符号压力函数和全局信息的符号压力函数(简称“双符号压力函数”),通过增加组合的权值系数,设计新的水平集演化方程;最后,将双符号压力函数引入到二值选择和高斯滤波正则化水平集模型中,构建一种基于双符号压力函数的活动轮廓图像分割算法。仿真实验结果表明,该算法能够有效地分割弱边界、灰度不均匀的图像,同时对噪声也有一定的抗干扰性。 相似文献
10.
11.
Region-driven distance regularized level set evolution for change detection in remote sensing images
Change detection is a fundamental task in the interpretation and understanding of remote sensing images. The aim is to partition the difference images acquired from multitemporal satellite images into changed and unchanged regions. Level set method is a promising way for remote sensing images change detection among the existed methods. Unfortunately, re-initialization, a necessary step in classical level set methods is known a complex and time-consuming process, which may limits their practical application in remote sensing images change detection. In this paper, we present an unsupervised change detection approach for remote sensing image based on an improved region-based active contour model without re-initialization. In order to eliminate the process for re-initialization and reduce the numerical errors caused by re-initialization, we describe an improving level set method for remote sensing images change detection. The proposed method introduced a distance regularization term into the energy function which could maintain a desired shape of the level set function and keep a signed distance profile near the zero level set. The experimental results on real multi-temporal remote sensing images demonstrate the advantages of our method in terms of human visual perception and segmentation accuracy. 相似文献
12.
针对星载合成孔径雷达 (Synthetic aperture radar, SAR) 图像信噪比低、建筑物目标几何变形大以及周围背景复杂的特点, 本文提出了一种基于能量最小化的星载SAR图像建筑物分割方法.基于星载SAR图像数据构造条件概率能量项, 推动变形曲线向建筑物目标边界演化; 在能量泛函模型中定义长度能量项以保证变形曲线的平滑; 在水平集方法获取的SAR图像初始分割结果的基础上, 以高分辨率光学遥感影像中建筑物目标的轮廓作为先验信息, 构造先验形状能量项约束曲线在第二阶段的演化, 最终实现SAR图像建筑物的分割.实验结果表明, 该方法显著提高了建筑物目标轮廓的分割精度. 相似文献
13.
14.
15.
水平集方法已被广泛地应用在图像分割中,传统的水平集方法需要通过周期性的初始化水平集函数使得它一直保持在符号距离函数附近,然而初始化与水平集理论和实现相违背。最近,Li C等人提出一种完全不需要初始化的变分模型,该模型的主要不足就是单方向演化,即演化曲线或收缩或扩张到目标边界。针对二值图像提出一种新的基于距离保持水平集方法的活动轮廓模型,它不依赖于初始位置,演化曲线准确地收敛在目标边界,更重要的是曲线演化只需一次迭代。 相似文献
16.
遥感影像数据因其固有的不确定性与复杂性,导致传统的无监督分类算法难以对其准确建模。基于模糊集理论的模式识别方法可以有效地表达数据的模糊性,其中二型模糊集能更好地刻画类间多重不确定性,而半监督法可以利用少量先验知识来解决算法对数据的泛化性问题,因此提出一种基于半监督的自适应区间二型模糊C均值遥感影像分类方法(SS-AIT2FCM)。首先,结合半监督和进化论思想,提出一种新的模糊权重指数选取方法,以提升自适应区间二型模糊C均值聚类算法的鲁棒性与泛化性,使算法更适用于光谱混叠严重、覆盖面积大、地物丰富的遥感数据分类;然后,通过对少量标记样本的软约束监督,对区间二型模糊算法迭代过程进行优化指导,来挖掘数据的最优表达。实验选用了北京颐和园区域的SPOT5多光谱遥感影像数据和广东横琴岛区域的Landsat TM多光谱遥感影像数据,对现有流行的模糊分类算法和SS-AIT2FCM的分类结果进行了比较。结果表明,SS-AIT2FCM获得了更高的分类精度与更清晰的类别边界,且有较好数据泛化能力。 相似文献
17.
提出了一种由测地线活动轮廓模型GAC(Geodesic Active Contour)和局部区域信息相结合的图像分割新方法LGAC(Local Geodesic Active Contour)。构造了基于图像局部信息的演化曲线符号压力函数和演化模型,用水平集方法演化实现,零水平集能准确地在目标边缘收敛,对目标背景对比度较低的图像的分割达到理想效果。利用高斯核函数对水平集函数平滑处理以维持演化稳定,节省了计算时间。实验结果证明了该方法的可行性。 相似文献
18.
19.
提出了一种基于主成分分析(PCA)的彩色区域生长算法,并将该方法与水平集方法相结合用于高分辨率遥感影像中城市道路的提取。首先利用区域生长方法分割出大致的道路区域;然后利用预分割的结果构造初始水平集函数,进一步利用一种消除重新初始化操作的水平集方法进行道路边缘演化;最后,提出了一种不用反复初始化的水平集局部边缘修正算法,并利用该方法对因障碍物影响而错分的局部道路边界进行修正。实验结果表明,该方法能完整、有效地提取高分辨率遥感影像中的道路目标,且人工干预较少,具有较强的实用性和抗噪能力。 相似文献
20.
Xin Yi Yingjie Hu Zhenhong Jia Liejun Wang Jie Yang Nikola Kasabov 《Concurrency and Computation》2014,26(18):2893-2906
The level set method has been widely used in image segmentation; however, the complexity of the computation has restricted its application field. Also, it is a big challenge to segment remote sensing image mainly because of the complex terrain. In this paper, an enhanced multiphase phase level set method based on the Chan–Vese (C‐V) model is proposed for segmenting remote sensing images. Compared with the C‐V model, two main contributions of the proposed model mainly include the following: First, we introduce a new strategy of initialization in which the contours of the first k biggest connected regions are extracted as the initial curves (k is the number of level set functions); Second, to increase the accuracy, a morphological gradient component is added to the original intensity image. To investigate the effectiveness and efficiency of the proposed model, we have applied it to analyze different kinds of images, including synthetic, real, and remote sensing images. The experimental results have shown that our method is able to achieve better segmentation with less computational consumption compared with the traditional multiphase C‐V model and local and global intensity fitting model. Copyright © 2013 John Wiley & Sons, Ltd. 相似文献