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.     

大结构元素二值形态学基本操作改进算法

二值图像的数学形态学方法应用广泛,但当涉及的图像和结构元素较大时,操作速度变慢。针对结构元素参考点包括在结构元素中且为单一连通区域的大结构元素,提出了二值形态学膨胀操作的改进算法,首先提取待膨胀二值区域的轮廓,然后对轮廓进行膨胀,再将膨胀结果与原二值区域取并集得到总的膨胀结果;证明了改进膨胀算法与标准膨胀操作的等价性;基于膨胀与腐蚀操作的对偶关系给出了改进的腐蚀算法;给出了改进的开、闭运算算法。在80张高分辨率植物叶片二值图像上进行了腐蚀、膨胀、开运算和闭运算标准方法和改进算法的对比实验,结果表明改进算法可显著提高二值形态学处理的速度。     

引入分数阶微分的局部高斯分布拟合能量模型

局部高斯分布拟合能量(LGDF)模型缺乏全局信息,对初始轮廓曲线选取较敏感,特别在分割弱边缘和弱纹理区域图像时,容易陷入局部极值,对噪声的鲁棒性不好.针对上述问题,文中提出引入分数阶微分的LGDF模型.在LGDF模型中引入全局的Grümwald-Letnikov(G-L)分数阶梯度拟合项,增强弱边缘和弱纹理区域的梯度信息,提高对初始轮廓曲线和噪声的鲁棒性.采用自适应权重函数确定全局项和局部项的系数,提高对灰度不均匀图像的分割效率和分割精度.根据图像的梯度模值、信息熵和对比度构建自适应分数阶阶次的函数,提高分割效率.理论分析和实验均表明,文中模型可以用于灰度不均匀、弱纹理、弱边缘图像的分割.合成图像和真实图像的实验表明文中模型可以提高图像的分割精度和效率.     

一种新的灰度非均匀图像分割模型

基于局部区域的主动轮廓分割模型在针对灰度非均匀图像进行分割时,容易受到初始轮廓曲线位置的影响,且基于水平集模型的数值实现速度较慢。为此,提出一种新的图像分割模型。该模型采用局部符号差能量项作为曲线演化的驱动力,为减少模型对初始轮廓曲线位置的依赖,采用全局凸分割策略,得到一个离散化的凸分割模型,该模型包含Mumford-Shah分割模型中的二次光滑项,使分割后的区域更加平滑,使用split Bregman迭代算法进行数值实现。实验结果表明,与局部二值拟合模型、局部符号差能量模型相比,该模型能对灰度非均匀图像进行较准确的分割,具有较快的运算速度和较好的鲁棒性。     

基于边力函数能量泛函的图像分割算法

针对传统图像分割算法中存在的图像分割速度慢以及初始轮廓和参数鲁棒性差等问题，提出一种基于边力函数能量泛函的图像分割算法。通过顺序统计滤波边力函数进行数据拟合，提出边力函数能量泛函的概念，从而使得曲线快速自适应地向目标边界靠近。为了有效地调节水平集函数，引入优化后的长度项对曲线进行平滑和缩短处理，另外利用梯度下降法实现能量泛函的极小化。实验结果显示所提出的方法图像分割速度较快，分割精度较高，且对于初始轮廓与参数具有较强的鲁棒性。实验结果验证了该方法的有效性。     

基于标记的分水岭图像分割算法研究

本文针对分水岭算法的过分割问题,设计了一种结合形态学运算的基于标记的分水岭算法.算法首先对梯度图像进行形态学开重建运算和形态学闭重建运算滤波平滑;然后去掉图像中像素个数小于20的局部极小值区域,提取前景标记;用Otsu法求阈值,对二值图像进行距离变换,分水岭分割,得到的分水线图像作为背景标记;最后用强制最小技术修改梯度图像,进行分水岭分割.实验结果表明,此方法能有效抑制过分割,得到与人工标注的分割目标更接近的结果.     

噪声鲁棒的水平集演化模型

针对噪声图像,基于曲线演化理论与水平集方法,提出一个对噪声鲁棒的水平集分割模型。利用图像局部和全局信息,构造一个新的速度函数,得到一个水平集演化偏微分方程。实验表明,该模型对含有高噪声的合成和真实图像有很好的分割效果,同时能准确提取弱边缘和模糊边缘,而且对轮廓初始化有很强的鲁棒性。     

灰度差能量函数引导的图像分割自适应C-V模型

作为几何活动轮廓模型(GACM)的一个标志性模型,C-V模型在图像分割应用中因具有对目标遮挡和边缘噪声的鲁棒性而受到关注.然而该模型通常不能较好地处理复杂的异质图像,并且有对演化曲线的初始位置较为敏感和计算复杂度高等弱点.依据演化曲线内、外区域平均灰度值差的绝对值越大,演化曲线越靠近准确目标边缘的特性,提出一种基于灰度差能量函数引导的图像分割自适应C-V模型.该模型通过构造基于轮廓曲线内、外区域平均灰度差引导函数自适应地调整演化曲线的运动趋势,使得曲线演化可在一个有效的"窄带"范围内进行,保证轮廓曲线内、外部区域灰度计算的局部均一性,增强对目标细节信息的捕捉能力,同时也在一定程度上提高模型的计算速度和对轮廓曲线初始位置的适应性.大量的仿真实验验证该模型的有效性.     

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.     

自适应尺度的局部强度聚类图像分割模型

针对传统活动轮廓模型无法精确分割强度不均匀图像，并且对尺度参数比较敏感的问题，提出了一种基于区域信息的自适应尺度的活动轮廓模型。根据图像的局部熵构建自适应尺度算子，利用图像的局部强度聚类性质构建能量函数。使用一组平滑基函数的线性组合来表示偏移场，这样可以增加模型的稳定性。通过最小化该能量，所提模型能够同时分割图像和估计偏移场，并且估计的偏移场可以用于强度不均匀校正。实验结果表明，与其它4种模型相比，该模型拥有更高的分割精确度，且分割结果对水平集函数的初始化和噪声具有鲁棒性。     

A local region-based Chan–Vese model for image segmentation

In this paper, a new region-based active contour model, namely local region-based Chan–Vese (LRCV) model, is proposed for image segmentation. By considering the image local characteristics, the proposed model can effectively and efficiently segment images with intensity inhomogeneity. To reduce the dependency on manual initialization in many active contour models and for an automatic segmentation, a degraded CV model is proposed, whose segmentation result can be taken as the initial contour of the LRCV model. In addition, we regularize the level set function by using Gaussian filtering to keep it smooth in the evolution process. Experimental results on synthetic and real images show the advantages of our method in terms of both effectiveness and robustness. Compared with the well-know local binary fitting (LBF) model, our method is much more computationally efficient and much less sensitive to the initial contour.     

基于区域混合活动轮廓模型的医学图像分割

针对变分水平集算法在图像分割过程中计算量较大且收敛速度慢的现象, 在一些基于区域的活动轮廓模型基础上提出了一种新的基于区域混合模型的非凸正则化活动轮廓模型。该模型构造了一个新的能量泛函,该能量泛函结合了考虑图像局部聚类性质的LBF模型和测地线模型,增加了非凸正则化项,加快了轮廓曲线的收敛速度,可以很好地保持区域形状并能防止边缘过平滑,然后通过经典有限差分法求得能量泛函的极小值。最后,在合成图像和医学图像上做了仿真实验,结果表明,该算法具有较快的收敛速度 和很好的鲁棒性,分割结果也较准确。     

An efficient local Chan-Vese model for image segmentation

In this paper, a new local Chan-Vese (LCV) model is proposed for image segmentation, which is built based on the techniques of curve evolution, local statistical function and level set method. The energy functional for the proposed model consists of three terms, i.e., global term, local term and regularization term. By incorporating the local image information into the proposed model, the images with intensity inhomogeneity can be efficiently segmented. In addition, the time-consuming re-initialization step widely adopted in traditional level set methods can be avoided by introducing a new penalizing energy. To avoid the long iteration process for level set evolution, an efficient termination criterion is presented which is based on the length change of evolving curve. Particularly, we proposed constructing an extended structure tensor (EST) by adding the intensity information into the classical structure tensor for texture image segmentation. It can be found that by combining the EST with our LCV model, the texture image can be efficiently segmented no matter whether it presents intensity inhomogeneity or not. Finally, experiments on some synthetic and real images have demonstrated the efficiency and robustness of our model. Moreover, comparisons with the well-known Chan-Vese (CV) model and recent popular local binary fitting (LBF) model also show that our LCV model can segment images with few iteration times and be less sensitive to the location of initial contour and the selection of governing parameters.     

小邻域统计信息核磁共振医学图像分割模型

目的 提出局部统计信息测地线活动轮廓图像分割方法。方法 该方法采用高斯分布拟合图像局部灰度统计特征信息,构造了方向性驱动项。在此基础上,建立了局部统计信息测地线能量泛函。通过极小化该泛函,来驱动演化曲线有序地向目标边界逼近,最后,整个分割过程采用二值水平集方法实现。结果 本文方法降低了灰度不均匀信息影响,达到提取感兴趣区域轮廓目的,提高算法效率和稳定性。结论 实验结果表明,该方法可以快速准确地分割医学感兴趣目标边界。     

结合全局与局部信息活动轮廓的非同质图像分割

目的 通过对现有基于区域的活动轮廓模型能量泛函的Euler-Lagrange方程进行变形,建立其与K-means方法的等价关系,提出一种新的基于K-means活动轮廓模型,该模型能有效分割灰度非同质图像。方法 结合图像全局和局部信息,根据交互熵的特性,提出新的局部自适应权重,它根据像素点所在邻域的局部统计信息自适应地确定各个像素点的分割阈值,排除灰度非同质分割目标的影响。结果 采用Jaccard相似系数-JS(Jaccard similarity)和Dice相似系数-DSC(Dice similarity coefficient)两个指标对自然以及合成图像的分割结果进行定量分析,与传统及最新经典的活动轮廓模型相比,新模型JS和DSC的值最接近1,且迭代次数不多于50次。提出的模型具有较高的计算效率和准确率。结论 通过大量实验发现,新模型结合图像全局和局部信息,利用交互熵特性得到自适应权重,对初始曲线位置具有稳定性,且对灰度非同质图像具有较好地分割效果。本文算法主要适用于分割含有噪声及灰度非同质的医学图像,而且分割结果对初始轮廓具有鲁棒性。     

无需初始轮廓的图像分割模型

为了增强对初始轮廓的鲁棒性并提高对灰度不均图像、噪声图像的分割效率,提出一种基于区域的活动轮廓模型。首先分别构造全局灰度拟合力与局部灰度拟合力,然后用线性组合获得模型的拟合项,并通过调整拟合力之间的权重提高模型对初始轮廓的鲁棒性,最后利用演化曲线的长度项保持曲线的光滑性。通过实验结果可以看出：与区域可变灰度拟合（RSF）模型和选择性局部或全局分割（SLGS）模型相比,所提模型的迭代步数分别减少了约57%和31%,分割时间分别减少了约62%和14%。所提模型在无需初始轮廓的情况下,不仅可以快速、准确地分割灰度不均图像和噪声图像,而且对医学图像和红外图像等一些实际应用图像也有很好的分割效果。     

ORACM: Online region-based active contour model

A new online region-based active contour model (ORACM) is proposed in this paper. The classical geodesic active contour (GAC) model has only local segmentation property, although the Chan–Vese (C–V) model possesses global. An up-to-date active contour model (ACM with SBGFRLS) proposed in Zhang, Zhang, Song, and Zhou (2010) both has the properties of global/local segmentation and incorporates the GAC and the C–V models to raise active contours’ performance on image segmentation. However it has two major disadvantages. First, it deforms the active contour model just using the gradient of current level set iteratively and so works too slowly. Second, it needs a parameter α which plays major impact on the results and to be tuned according to input images. The proposed model ORACM eliminates these two disadvantages by using a new binary level set formula and a new regularization operation such as morphological opening and closing. Without changing segmentation accuracy, ORACM requires no parameter and less time over the traditional ACMs. Experiments on synthetic and real images demonstrate that the computational cost of ORACM with the morphological operations is 3.75 times less than the traditional ACMs on average.     

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.