LATE水平集图像分割模型的矩形窄带法

窄带法是水平集图像分割的一种常见的加速方法.传统窄带仍然存在冗余的计算区域;传统窄带法与LATE （Local Approximation of Taylor Expansion）水平集模型结合时,图像分割效率反而可能下降.针对这些问题,本文提出了一种基于LATE水平集图像分割模型的矩形窄带法.在每次LATE水平集迭代之前,对水平集做如下窄带处理.首先找出水平集的所有过零点;然后对过零点做活动约束,剔除不活动的过零点,有效缩小窄带范围;再对活动约束的过零点生成矩形窄带;对重叠的矩形窄带进行合并优化,使得矩形窄带总面积尽可能小.最后,在矩形窄带范围内求解水平集微分方程,更新水平集,完成本次迭代.在水平集演化的不同阶段,对传统窄带法的窄带面积与本文矩形窄带面积进行了比较.随着迭代次数增加,矩形窄带面积与传统窄带法的窄带面积之比逐渐减小到0,说明矩形窄带法有效地减少了冗余计算量.针对不同程度的灰度不均匀图像,本文方法与LATE方法、结合LATE模型的直接窄带法、以及结合LATE模型的DTM窄带法进行了比较.直接窄带法和DTM窄带法的分割速度反而慢于LATE方法.对灰度严重不均匀的图像,直接窄带法和DTM窄带法的分割质量受到了较大影响.本文方法在保持较好分割效果的条件下,分割速度快于LATE方法.本文的矩形窄带方法有效地降低了算法复杂度,提高了图像分割效率.     

分水岭算法和基于MRF的层次聚类相结合的混合无监督图像分割算法

提出一种新的混合多阶段无监督图像分割算法。在第一阶段，通过分水岭算法得到一幅过度分割的图像，该图像中的所有小区域作为初始聚类状态将在接下来的层次聚类阶段中被合并。在第二阶段，一种新的启发式的基于Bayesian方法和Markov随机域的计算模型被用于基于区域的层次聚类算法，该算法用来合并初始分割结果中的邻接区域，以改进分水岭算法的分割效果。深入分析了该计算模型中两个相互作用的部分。通过对多种不同种类图像使用该算法进行分割，表明这种多阶段的方法适合无监督分割，它按照视觉一致的方式合并区域，并且比传统的层次聚类算法快很多。     

基于局部奇异值分解和D-S理论的人脸识别方法

;提出了基于局部奇异值分解和D-S证据理论的人脸识别方法.首先分割出人脸图像的5个特殊区域并分别进行奇异值分解,提取一些较大的奇异值构成每一区域的特征向量;在识别阶段,计算待识别人脸图像每一区域对所有训练样本人脸图像相应区域的隶属度,最后由D-S理论的组合规则做出判断.基于ORL人脸数据库的实验结果证明了本文方法的有效性和可行性.     

基于窄带水平集的曲线演化与左心室MRI图像分割

文章研究了基于窄带水平集的曲线演化方法并应用于心脏的MRI图像分割。分析了窄带的生成技术,提出了基于模板的距离函数生成方法;针对MRI图像的特点,给出了一种分割MRI图像的水平集速度函数,以处理图像中出现的区域灰度不一致性以及弱边界现象。MRI图像的分割实验证明了该文算法的有效性。     

采用窄带图切割的多目重构方法

针对目前多目重构研究中物体表面获取和凹陷区域恢复的难题,提出采用窄带图切割的可见外壳和多目立体匹配相融合的方法.在可见外壳的拓扑约束下,通过最小化能量泛函使得重构表面与多目立体匹配得到的稠密点云形状一致;并利用窄带图切割计算能量泛函的全局最优解.实验结果表明,该方法能重构封闭表面和凹陷区域;窄带图切割在获得最优解的同时提高了计算效率,与全图切割相比速度提高了3倍以上.     

基于一个水平集函数的多相图像分割方法

利用多个特征函数标记不同区域的方法进行图像分割时,需要对多个函数求极值,导致计算量增大。针对该问题,设计一个函数在多层水平集标记的方法,通过求解一个标记函数的极值问题实现对图像不同区域的分割。总结区域标记函数规律,得到多项图像分割模型表达式,将其与变分水平集方法相结合,运用交替方向乘子法加速求解能量泛函极值问题。实验结果表明,该方法能够实现图像多个区域的分割,并且保证分割结果的鲁棒性和计算高效性。     

联合吸收马尔可夫链和骨架映射的视频分割

因严重遮挡和剧烈形变等挑战长期共存,精准鲁棒的视频分割已成为计算机视觉的热点之一.构建联合吸收马尔可夫链和骨架映射的视频分割方法,经由“预分割—后优化—再提升”逐步递进地生成精准目标轮廓.在预分割阶段,基于孪生网络和区域生成网络获取目标感兴趣区域,建立这些区域内超像素的吸收马尔可夫链,计算出超像素的前景/背景标签.吸收马尔可夫链可灵活有效地感知和传播目标特征,能从复杂场景初步预分割出目标物体.后优化阶段,设计短期时空线索模型和长期时空线索模型,以获取目标的短期变化规律和长期稳定特征,进而优化超像素标签,降低相似物体和噪声带来的误差.在再提升阶段,为减少优化结果的边缘毛刺和不连贯,基于超像素标签和位置,提出前景骨架和背景骨架的自动生成算法,并构建基于编解码的骨架映射网络,以学习出像素级目标轮廓,最终得到精准视频分割结果.标准数据集的大量实验表明:所提方法优于现有主流视频分割方法,能够产生具有更高区域相似度和轮廓精准度的分割结果.     

基于感兴趣窄带区域的同步分割与配准方法及在IGRT中的应用

医学图像分割与配准是图像引导放疗(Image guided radiation therapy, IGRT)系统中的关键技术. 为提高基于CBCT (Cone beam CT)的IGRT系统实施胸腹部肿瘤放疗的实时性与自适应性, 特别是实现重要危及器官肝脏区域照射剂量的合理控制, 本文提出一种基于感兴趣窄带区域的同步分割与配准方法, 目标是实现放疗计划系统中计划CT和CBCT图像目标区域的分割与配准. 通过构建感兴趣窄带模型, 并且与活动轮廓模型相结合实现初始分割, 然后与基于光流场(Optical flow field, OFF)的形变配准方法进行循环迭代, 从而构造ASOR分割与配准同步模型(Active contour segmentation and optical flow registration synchronously, ASOR). 在方法实施时, 首先利用非线性扩散模型和窄带活动轮廓模型在CT图像中提取肝脏空间初始位置信息, 为同步模型提供合理的肝脏初始轮廓. 然后将该轮廓及相应窄带区域经仿射变换映射到CBCT图像, 进而结合构造的ASOR同步模型, 用光流场确定活动轮廓水平集的运动情况, 使分割与配准在同一个演化过程中完成迭代. 实验结果和临床应用表明, 本文提出的方法应用于基于CBCT的IGRT系统时, 可实现肝脏组织的自动分割与放疗剂量分布的快速计算. 同时, 我们将同步过程中获得的形变域用于实现肝脏与肿瘤靶区等剂量线从计划CT到CBCT的自适应转移, 进行自适应放疗效果的临床测评.     

一种利用灰度信息和二值信息的手写字符分割

在字符识别系统中，字符的有效分割是识别的关键。该文描述了一种两阶段的手写字符分割方法。根据字符倾斜角度将原字符串图像划分出若干个形状不规则的区域，每个区域含有一条分割线；针对现有分割方法的某些局限性，提出采用字符图像灰度信息和二值信息相结合的方式来求取分割区域中的分割路径。实验结果表明了该方法对于手写字符分割的有效性。     

基于密集多尺度空洞卷积的脑胶质瘤图像语义分割方法

对脑胶质瘤核磁共振图像进行语义分割是医学图像处理的一个研究热点。目前的分割方法均使用池化层进行下采样，存在空间位置信息损失问题，导致分割结果不精确、无效计算量高。为了提高分割效果和计算效率，提出一种新的语义分割方法。该方法使用空洞卷积代替池化层，获得了信息更丰富的特征图，进行多尺度空洞卷积改进，消除空洞卷积中网格问题和边缘特征无效问题，使用密集连接获取不同尺度的特征，保证方法的鲁棒性并降低计算量。使用Brats2017的数据进行实验验证，结果表明，该方法在分割整体肿瘤区域和增强肿瘤区域时效果良好，dice相对性系数分别达到0.912和0.88。     

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。     

基于水平集的医学图像快速分割方法

针对高噪声、低对比度的医学图像难以快速准确分割的问题,结合基于像素的传统方法和基于水平集的活动轮廓模型,提出了一种混合的医学图像分割新技术.首先依据待分割对象的先验知识交互选取感兴趣区域.然后由传统的方法和基于水平集的C-V模型结合实现感兴趣区域图像的预分割.预分割的结果直接作为窄带变分水平集模型的初始轮廓,演化曲线在很短的时间内准确收敛到待分割物体的边缘.     

基于窄带M-S模型的猪序列切片图像的交互式分割

提出了一种基于窄带M-S模型的图像交互式分割方法,解决了简化M-S的C-V方法针对图像全局,迭代速度慢和不能直接利用窄带法的问题;通过交互标记点和样条插值在目标附近建立初始曲线,以此曲线作为零水平集曲线,建立窄带,克服了窄带法局部求解的不足;实验表明,该方法大大提高了分割速度和精度,将此方法用于猪序列切片图像的分割,取得了较好的效果.     

一种新的窄带快速区域水平集C-V模型图像分割方法

Chan-Vese提出了区域水平集图像分割C-V模型,该模型随着水平集函数的演化,演化曲线能自然地改变其拓扑结构,因而在很多研究领域有着广泛的应用,特别是在图像分割、目标跟踪领域取得了显著的效果。基于区域的水平集函数比基于梯度的水平集函数在抗噪声方面也表现得更优秀,但是其演化水平集函数也更复杂,主要缺点是演化速度特别慢,限制了在大型高分辫率图像分割中的应用。针对此问题,提出了一种窄带快速区域水平集C-V模型,即先利用GV水平集在低分辨率的图像上检测出大致的边缘,然后映射到高分辨率的图像上,在其边缘的一个窄带内检测更为精确的边缘,其检测速度有了很大的提高。采用高分辫率的大型合成孔径雷达(SAR)遥感图像进行的实验证明了该方法能够快速而有效地提取出海岸线,满足工程中的实际应用。     

基于先验知识水平集方法的草莓图像分割

在实际应用中,当目标本身含有一些固有的颜色纹理特征时,可将这些特征作为一种先验信息,这样可以大大提高分割的准确性.为此,本文提出了一种基于先验信息的改进水平集图像分割方法.首先,利用传统的C-V模型能量项的构造思想构建了基于颜色信息的局部能量项,该项是用于处理彩色图像;然后将颜色分量引入到传统的结构张量中构建出新的扩展型结构张量,该项是用于处理纹理信息;最后,将上述新构造的能量项以及Li模型约束项引入到传统C-V模型中得到新的水平集模型.鉴于草莓果实所具有的颜色信息和纹理信息,本文将上述改进水平集方法应用到农业自动化应用中草莓果实分割中.对实验室环境与草莓生长环境下的草莓图像进行分别实验,结果显示该方法能够不仅能够分割出草莓果实且能够很好地处理草莓表面的纹理信息.另还与OTSU算法、传统C-V模型、改进C-V模型对草莓图像作对比实验,结果表明本文算法均比上述三种算法具有更好的分割效果.     

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.     

CUDA加速工业DR图像分割*

对DR ( Digtal Radiography数字辐射成像)图像进行分割是工业DR图像处理中一项重要内容。C-V算法对DR图像分割效果较好, 但该算法计算量大, 在工业应用中达不到实时处理要求。本文结合高性价比CUDA（计算机统一设备架构）技术实现C-V算法对DR图像分割并行化,并采用共享内存技术、独立计算与合并计算结合的方法,较大地提高了C-V方法的计算效率。对实际工业DR图像分割实验结果显示,本文方法加速比可达到32到44倍,表明使用CUDA并行化C-V方法分割DR图像高效可行。     

基于C-V模型的脑白质疏松症磁共振图像病变区域分割

针对脑白质疏松症病变区域在磁共振图像的T₂加权像上呈现斑块状或融合成片状的高亮信号这一特点,提出了一种基于C-V模型的水平集分割方法对病变区域进行图像分割。首先,对C-V模型进行改进以避免重新初始化问题;然后,使用Otsu阈值法对图像进行预分割,将预分割的结果直接作为改进C-V模型的初始轮廓;最后,利用水平集方法进行曲线演化,得到最终的分割轮廓。实验结果表明,该方法能较为准确地分割出病变区域,实现病变区域的计算机自动快速分割,对脑白质疏松症临床辅助诊断和预后判断有一定的应用价值。     

数字式射线图像缺陷检测的C-V方法

数字式射线图像（DR图像）缺陷检测主要是进行缺陷区域的分割和测量,分割精度将直接影响到测量精度。C-V模型是一种新的基于曲线演化理论和水平集方法的图像分割模型,它结合区域信息使得分割结果全局最优,可以很自然地处理轮廓线拓扑结构的变化。针对工件DR图像特点,研究了一种DR图像缺陷检测的C-V方法：首先应用C-V模型进行DR图像缺陷区域的分割,在此基础上,完成缺陷区域几何参数的测量。实验表明,C-V方法能准确地分割出DR图像中的缺陷区域,并获得缺陷形心和面积等参数。