基于圆形保持水平集方法的虹膜分割研究

虹膜分割是虹膜识别系统中最重要的环节,其分割的好坏将影响虹膜识别的准确率,而虹膜识别也是最可靠的人体生物终身身份标志之一。因此,提出了基于水平集算法的虹膜分割算法。此算法是利用水平集隐式特点与圆形形状方程显式的特点相融合确保了演化曲线在演化过程中仍保持圆形,利用其思想分割内边缘。引入自适应面积项到形状约束的CV模型中用来约束外边缘。实验结果表明,尽管眼睛睁开有限、眼镜和睫毛及眼睑等遮挡以及成像设备形成图像的角度等问题,此模型仍能取得很好的分割效果。选用区域相互重叠度——DICE作为分割算法的评价指标,由实验数据可知,提出的算法对虹膜分割是有效的。     

一种基于水平集的图像快速多区域分割方法

提出了一种新的基于水平集的图像快速多区域分割方法。首先,在经典水平集分割算法的基础上,通过使用新的水平集初始化函数,有效地改善了水平集分割算法的时间性能;其次,通过引入区域分割控制条件控制水平集函数的收敛过程,实现多区域分割。实验结果表明,提出的多区域分割方法具有较好的分割性能,并且时间耗费少。     

高分辨率极化SAR图像水平集分割

目的 传统的极化SAR图像分割方法中,由于采用的统计分布模型不能较好地描述高分辨率的图像纹理特征,导致高分辨率极化SAR图像分割效果较差。针对这个问题,本文将具有广泛适用性的KummerU分布嵌入到水平集极化SAR图像分割方法中,提出了一种新的极化SAR图像分割算法。方法 将KummerU分布作为高分辨率极化SAR图像的统计模型,定义一种适用于极化SAR图像分割的能量泛函;利用最大似然法对各个区域的KummerU分布进行参数估计,并通过数值偏微分方程的方法求解水平集函数,实现极化SAR图像的区域分割。结果 分别对仿真全极化数据,真实全极化数据进行分割实验,结果表明本文提出的方法其分割精度高于传统方法,分割精度高于95%,从而验证了新方法的有效性。结论 本文算法能够对各向同质区和各向异质区的极化SAR图像都能取得良好的分割效果,并适应于多种场景,有效地分割出背景和目标。     

Multi-agent stochastic level set method in image segmentation

A stochastic structure for single and multi-agent level set method is investigated in this article in an attempt to overcome local optima problems in image segmentation. Like other global optimization methods that take advantage of random operators and multi-individual search algorithms, the best agent in this proposed algorithm plays the role of leader in order to enable the algorithm to find the global solution. To accomplish this, the procedure employs a set of stochastic partial differential equations (SPDE), each one of which evolves based on its own stochastic dynamics. The agents are then compelled to simultaneously converge to the best available topology. Moreover, the stochastic dynamics of each agent extends the stochastic level set approach by using a multi source structure. Each source is a delta function centered on a point of evolving front. Lastly, while the computational costs of these methods are higher than the region-based level set method, the probability of finding the global solution is significantly increased.     

一种新的水平集图像分割方法

对Chan-Vese提出的基于简化Mumford-Shah区域最优划分模型和测地线主动轮廓模型在水平集框架下的物理机理进行了分析,在充分考虑其模型优点的基础上,通过构造新的能够整合局部边缘信息和全局区域信息的演化函数对上述模型所存在问题进行了针对性处理,得到了一种新的水平集图像分割模型。人工合成图像和红外光学图像的仿真结果表明,在同样的模型参数条件下,该文模型具有比传统CV模型和GAC模型更高的演化效率和分割质量。     

基于水平集的手指静脉图像分割

针对手指静脉图像中存在的弱边缘、灰度不均匀以及低对比度等现象,提出一种结合偶对称Gabor滤波与水平集思想的分割算法,并应用于手指静脉图像的分割。首先,使用偶对称Gabor滤波算法,对手指静脉图像从8个不同的方向分别进行滤波运算;然后,根据8个方向上的滤波结果进行图像重建,得到目标与背景灰度对比度显著提高的图像;最后,应用结合局部与全局信息的水平集方法对手指静脉图像进行分割。将所提算法与Li等水平集算法(LI C, HUANG R, DING Z, et al. A variational level set approach to segmentation and bias correction of images with intensity inhomogeneity. MICCAI'08: Proceedings of the 11th International Conference on Medical Image Computing and Computer-Assisted Intervention, Part II. Berlin: Springer, 2008: 1083-1091)、Legendre水平集(L2S)算法相比,所提算法在分割精度评价标准面积差异(AD)百分比上分别降低了1.116%、0.370%,相对差异度(RDD)分别降低了1.661%、1.379%。实验结果表明,与传统只考虑局部信息或全局信息的水平集图像分割算法相比,所提算法能取得更高的分割精度。     

一种结合图割与双水平集的图像分割方法

针对水平集方法在图像分割中需要多次迭代,且计算量大的问题,提出一种基于图割与双水平集的图像分割方法。首先在目标边界内外部各设置一条初始轮廓线和一个阈值,通过双水平集方法对轮廓线进行演化。当轮廓线的能量变化率小于给定阈值时,终止水平集演化。将得到的两条轮廓线化为源点和汇点,通过图割方法得到最终目标边界。该方法有效减少了水平集迭代次数,提高了分割效率,而且给出了一种终止水平集迭代的方式。实验表明该方法具有较好的分割效果和较高的分割效率。     

基于声纳图像的水平集分割算法研究

针对现有的图像分割方法无法准确地分割声纳图像的问题,提出了一种改进的水平集声纳图像分割方法。介绍了LBF能量模型,借鉴其无重初始化的水平集演化思想。为克服声纳图像中复杂背景带来的负面效应,利用形态学顶帽—底帽变换对声纳图像进行预处理,并在此基础上进行无需初始化的水平集分割。进行仿真对比实验,实验结果显示:与LBF能量模型相比,改进的水平集分割方法更加适应于背景不均匀的声纳图像分割。     

区域信息和水平集方法的图像分割

随着图像处理技术不断发展,图像分割技术也在不断的走向成熟,但是目前比较成熟的分割方法都存在一定的局限性,传统的分割方法一般都难以实现全局分割,而且对目标边缘比较模糊的物体难以实现有效的精确的分割;基于区域信息和水平集方法的图像分割算法弥补了这些缺陷,该算法是在传统的动态轮廓GAC模型和C_V模型的基础上进行改善;通过实验分析,首先,该算法极大提高了图像分割的精确性,使得轮廓线能够在要分割目标的边缘附近停止演化,即使目标的边缘是模糊不清的图像,该算法也能实现精确地分割;其次,该算法还克服了传统动态轮廓分割算     

水平集方法在肝脏CT图像分割中的应用

本文从理论上分析了无需重新初始化的水平集方法的主动轮廓图像分割模型,此模型有很大的优越性,但对于目标与背景对比度较小这种情况不能得到一个好的分割效果。该模型应用于CT图像中肝脏的分割时,主动轮廓曲线会跨越肝脏边界从而导致错误的分割结果。通过修正边缘检测函数,加强了其在目标边界处的约束效果,使得主动轮廓曲线在目标物体边界处停止演化,这样能够准确的将肝脏分割出来,保证了分割的正确性。实验证明了该方法的可行性。