结合边缘和区域的活动轮廓模型SAR图像目标轮廓提取

目的 目标轮廓表征了目标形状,可用于目标方位角估计、自动目标识别等,因此提取合成孔径雷达（SAR）图像中的目标轮廓受到了人们的广泛关注。受SAR图像乘性噪声的影响,传统的目标轮廓提取方法应用在SAR图像时失效。针对这一问题,提出一种将基于边缘的活动轮廓模型和基于区域的活动轮廓模型相结合的活动轮廓模型。方法 以真实SAR图像为基础,分析了向量场卷积（VFC）活动轮廓模型以及区域竞争（RC）活动轮廓模型各自的特点和优势,发现这两个模型存在一定的互补性,因此将这两个模型进行了结合,得到了一种新的SAR图像目标轮廓提取方法。结果 基于真实SAR图像的实验结果表明,本文方法能较好地应对SAR图像信噪比较低、目标边缘模糊等特点,能准确地获得SAR图像目标轮廓。结论 本文方法可用于执行实际的SAR图像轮廓提取任务,为后续的SAR图像自动识别和特征级图像融合等任务提供了较为优良的输入信息。     

基于血液斑点噪声抑制和T-Snake模型的血管内超声图像边缘提取

血管内超声(IVUS)图像冠状动脉血管壁内、外膜的边缘提取对冠状动脉疾病的诊断和治疗有着重要意义。为了更好地抑制血管内超声图像的血液斑点噪声,首先采用一种时/空滤波方法对IVUS图像进行降噪预处理,以抑制其严重的血液斑点噪声;然后,为了更好地提取血管边缘,提出了一种改进的自适应形变模型,并基于该改进的自适应形变模型(T-Snake模型)给出了一种IVUS图像冠状动脉血管壁内、外膜边缘的提取方法。实验结果表明,该边缘提取方法有着较高的准确性和可靠性,对IVUS序列图像处理的可重复性和鲁棒性较好;也表明了改进的T-Snake模型的可实现性,以及IVUS图像血液斑点噪声抑制方法的有效性。     

基于活动轮廓模型的人脸轮廓提取

在传统的snake算法基础上,针对人脸轮廓提取这一课题,提出了一种初始化snake的方法,并对传统的snake算法进行了改进。实验结果表明,该方法能够较好地提取人脸轮廓,并在精确度和计算量方面大大优于边缘检测算子方法。     

血管内超声图像序列的边缘自动检测方法

针对具有强背景噪声及伪影干扰的血管内超声图像,提出一种自动提取血管壁内外膜边缘的新方法.利用图像序列的空间和时间相关性对噪声进行抑制,在GVF-Snake模型中引入调节因子和自适应法向外力,扩大边缘的捕捉范围,以提高活动轮廓对噪声的鲁棒性和提高图像提取精度,同时利用三次B样条增强边缘平滑性,加快收敛速度.实验结果表明,该方法的检测准确性较高,运行时间较短.     

血管内超声图像初始轮廓提取算法的研究

Snake模型在医学图像分割中的应用已经越来越广泛,但在应用该模型时,如何选取合适的初始轮廓是一个难题;在对血管内超声医学图像的研究基础上,提出了一种基于灰度信息与ROI区域的初始轮廓获取方法,根据IVUS图像的灰度特征对其进行自适应阈值分割以及面积滤波,然后获得分割轮廓点集进而得到snake初始轮廓点集;在matlab7.0环境分别对不同类别的2种IVUS图像的中外膜边缘提取进行仿真实验,实验证明该方法获得的初始snake轮廓较为逼近目标真实轮廓且适合于snake模型进行迭代收敛,由于其初始轮廓已较为接近目标真实轮廓,因此节省了snake模型的迭代次数,算法运行效率也优于手工提取初始轮廓的snake方法,可以较为方便的应用于实际领域。     

基于活动轮廓模型的胃窦B超序列图象边缘轮廓的提取和跟踪

提出了玫种基于活动轮廓模型的胃窦Ｂ超序无图象诉提取与跟踪方法,对于序列中的第一幅图象,通过人工取点,Ｂ样条拟合的方法,提取其寝轮廓,再运用活动轮廓模型,进行边缘轮廓的逼近,以获得比较精确的胃窦边缘轮廓,在后续图象２中,将活动轮廓模型与光流模型相结合,实现了轮廓的跟踪。实验的结果证明了该方法的有效性。     

一种基于活动轮廓模型的肺部轮廓提取算法

较详细地介绍了一种图像轮廓的半自动提取算法:活动轮廓模型的原理与实现。在此基础上改进了训练集的构造方法,并将活动轮廓模型与Gaussian金字塔分层算法结合来进行多分辨率下轮廓提取,提高了分割速度与精度。最后应用其对X光胸腔正位片的肺部区域进行了分割实验,实验结果验证了该方法的有效性。     

基于改进Snake模型的超声乳腺肿瘤轮廓提取

二维超声影像中肿瘤轮廓特征是判断乳腺肿瘤的良恶性的重要依据。针对超声医学图像的特点,本研究对经典的Snake模型进行了改进:内部能量中加入轮廓平均长度项的控制;外部能量由基于图像统计特征的区域能量以及梯度方向势能决定,并提出了基于贪婪算法求解模型最小值的快速算法。实验结果显示本算法在噪声强度较大的模拟图像和超声医学图像中均取得了同人工分割近似的结果,而经典的Snake模型和GVF模型受噪声干扰较大。大量的实验证明本算法有效地克服了散斑噪声对分割结果的影响,可准确高效地提取超声图像中的乳腺肿瘤轮廓。     

基于改进Snake模型的超声乳腺肿瘤轮廓提取

二维超声影像中肿瘤轮廓特征是判断乳腺肿瘤的良恶性的重要依据。针对超声医学图像的特点,本研究对经典的Snake模型进行了改进:内部能量中加入轮廓平均长度项的控制;外部能量由基于图像统计特征的区域能量以及梯度方向势能决定,并提出了基于贪婪算法求解模型最小值的快速算法。实验结果显示本算法在噪声强度较大的模拟图像和超声医学图像中均取得了同人工分割近似的结果,而经典的Snake模型和GVF模型受噪声干扰较大。大量的实验证明本算法有效地克服了散斑噪声对分割结果的影响,可准确高效地提取超声图像中的乳腺肿瘤轮廓。     

一种血管内超声图像边缘提取的新方法

血管内超声图像的血管壁内外膜边缘检测是IVUS图像处理中必不可少的步骤与重要环节, 基于主动轮廓模型的血管壁边缘提取的效果好坏很大程度上依赖于初始轮廓能否较为精确的选取. 提出了一种提取血管壁边缘的新方法, 以自适应阈值分割的方式降低目标图像的复杂度, 结合marr边缘检测算子找到血管壁内外膜边缘的初始轮廓, 在此基础之上, 采用改进的GVF-snake算法使初始轮廓线精确收敛于真实的血管壁边缘, 实验结果验证了此方法的有效性.     

基于能量活动曲线的肾脏超声图象的边界提取

与CT和MRI等医学图象相比，超声图象由于图象质量较差，相对难以分割，特别地，由于某些器官的边界不是很明显，尤其是肾脏的组织和组织之间的边界难以区分，因此，肾脏超声图象的边界提取对人们来说更富有挑战性。为了解决这一问题，本文提出了一种半自动的肾脏超声图象的边界提取方法。该算法基于能量活动曲线模型，并做了几点重要的改进，同时利用肾脏超声图象的统计模型，比较好地克服了肾脏复杂边界的影响，有效地提出了超声图象的肾脏边界。     

基于主动轮廓模型的玉米种子高光谱图像分类

提出将主动轮廓模型(Active contour model,ACM)应用于玉米种子的高光谱图像分割中.首先,通过高光谱成像系统获取9个品种共432粒玉米种子的高光谱反射图像,利用基于主动轮廓模型的图像分割法对玉米种子高光谱图像提取目标区域轮廓,得到单波段下每粒玉米种子12个形状特征参数,然后通过主成分分析法(Principal component analysis,PCA)对特征数据降维,结合波段间的相关性选出12个最优波段,最后利用误差反向传播(Back propagation,BP)神经网络模型进行建模分类,与传统的阈值分割法相比,取得了更好的分类效果.研究结果为高光谱图像目标轮廓提取提供了一种新方法.     

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。     

基于局部熵的区域活动轮廓图像分割模型

为解决区域活动轮廓模型不能有效分割灰度不均图像的问题,提出了局部熵约束的区域活动轮廓模型应用于图像分割。首先基于局部熵信息将图像划分为两个特征区域,然后利用局部熵特征信息构造二值拟合能量,并与区域可放缩拟合（Region-scalable fitting,RSF）模型相结合,最后得到水平集演化方程。该模型考虑了图像灰度分布的聚集特征和局部区域统计信息,能有效处理灰度不均匀、弱边缘等图像分割问题,且对轮廓初始位置更具鲁棒性,医学图像实验结果验证了模型的有效性。     

基于活动轮廓技术的边缘检测方法研究

通过对气囊边界检测的分析,研究了基于活动轮廓模型的边缘检测方法,并且对现有的活动轮廓模型进行了改进,完善了模型的内容,提高了其在实际应用中的准确性和强壮性。     

基于形状保持主动轮廓模型长直条的检测

通过形状约束方程(组)与一般主动轮廓模型结合,将目标形状与主动轮廓模型融合到统一能量泛函模型中,提出一种形状保持主动轮廓模型.模型通过参数化水平集函数的零水平集表示某一类特定形状,不仅达到了分割即目标的目的,而且能够给出特定目标的定量描述.根据形状保持主动轮廓模型,建立一个用于长直条状目标检测的统一能量泛函模型,导出相应的Euler-Lagrange常微分方程并用水平集方法实现了长直条状区域的检测.此形状保持模型的一种特殊情况可以用于直线状地平(海天)线提取.实验结果表明,该模型不仅能够准确地检测出给定图像中的长直条状区域而且有很强的抗噪、抗变形及遮挡性能.     

一种改进型多尺度DDCM主动轮廓模型边界检测算法

尽管主动轮廓模型 (Active contour model) ,或称 Snakes,近年来已经在计算机视觉和图象处理领域得到了广泛的应用 ,尤其在边界检测方面也表现出良好的性能 ,但是由于传统的 Snakes图象边界检测对初始轮廓线的位置十分敏感 ,因而限制了它的更广泛应用 .为了克服这一问题 ,提出了一种改进型多尺度 DDCM主动轮廓模型的边界检测算法 ,该算法是首先通过分阶段改变轮廓曲线的内力 ,使轮廓曲线的曲率能自适应地进行多尺度调整 ,进而改变了轮廓线的柔性和刚性 ,使之能够更好地与目标边界匹配 .实验结果证明 ,该算法在计算速度和边界检测精度上 ,均优于传统的主动轮廓边界检测算法 ,因而具有一定的实用价值 .     

基于区域显著性的活动轮廓分割模型

提出一种新的活动轮廓分割模型,结合视觉显著性检测机制自动获取待分割图像中目标物体的先验形状信息,并自适应地构造初始轮廓,从而降低了初始轮廓位置对分割算法的影响.同时实现了活动轮廓模型对图像的自适应分割和自动分割,使得分割结果更符合人类视觉感知特性.实验结果表明,该模型有较好的分割效果,迭代次数少,且运行时间短.     

结合分布度量统计建模的主动轮廓图像分割

图像分割是数字图像处理中不可或缺的关键步骤。为了解决传统主动轮廓模型针对非匀质图像分割结果不准确且分割效率低的问题,提出一种结合分布度量统计建模的主动轮廓图像分割算法。所提算法的能量驱动力兼顾了图像的全局统计建模信息和其他混合灰度分布信息,使得分割曲线能够更加精确地演化至目标边缘。分布度量能量驱动力定义为轮廓内外概率密度函数定义的比率距离的方差,该能量驱动力基于图像全局信息统计建模,能够更加精确地描述轮廓曲线内外的能量变化;混合灰度分布能量驱动力由图像灰度值与融合均值与中值的区域拟合中心的L2范数表示。将分布度量能量驱动力与混合灰度分布能量驱动力组合形成新的能量泛函,利用水平集方法和梯度下降法迭代求得该能量泛函的最小值,以获得最终的图像分割结果。与传统CV（Chan Vese）模型、LBF（Local Binary Fitting）模型等四种算法的图像分割结果相比,所提模型在主观视觉效果、对初始轮廓的敏感性、运行时间和迭次次数方面均具有较大优势。     

基于局部图像拟合偏差的活动轮廓分割模型

针对灰度不均匀图像的分割问题,提出一个基于区域的活动轮廓模型。通过构造包含图像局部信息的局部图像拟合偏差能量泛函,度量真实图像与拟合图像的偏差,并在全局凸分割的基础上,将分裂Bregman技术应用到模型能量泛函的最小化问题中,以提高分割速率。同时引入边界检测函数更加准确地探测边界位置,以提高模型的分割准确性。实验结果表明,该模型不仅可以正确分割灰度不均匀图像和受噪声干扰的图像,而且对于多目标图像以及灰度分布均值相同、方差不同的图像,也能快速、准确地得到分割结果。