基于变分水平集的图像分割模型

基于传统的变分水平集方法的图像分割,水平集函数必须周期性地重新初始化使之保持为符号距离函数,这存在如何选择重新初始化的时间和方式的难题.Li模型通过在能量泛函中引入一个内部约束能量,去除了水平集函数在演化过程中需重新初始化的难题.通过对Li模型的分析,提出了一个新的变分水平集的分割模型.该模型通过在能量泛函中加入一个较简单的内部约束能量,同样可以实现水平集演化过程中的无需重新初始化.并且通过对边缘停止函数的重新定义,引入了新的外部能量,使得本文模型对噪声图像的分割更具鲁棒性.实验表明无论是在收敛速度上,还是在对噪声图像的分割质量上,本文模型和Li模型相比都具有一定的优势.     

改进的双水平集医学图像分割方法

由于基于简化M_S模型的多相水平集图像分割模型仅仅利用了图像的区域信息,对图像的另一个重要信息(边缘信息)没有有效的利用,同时在分割的过程中需要对水平集函数不断进行重新初始化.为了解决上述模型的不足,本文提出改进的双水平集医学图像分割方法.该方法主要是在基于简化M_S模型的多相水平集图像分割模型的基础上将图像的边界信息项和为避免重新初始化水平集函数的惩罚项加入模型中.实验结果表明,添加了边界信息后的模型能够在边界位置定位更容易,同时改进后的双水平集模型在实现多目标分割时,无需重新初始化水平集函数,减少了计算量,简化了算法实现的复杂度.     

选择性自适应水平集演化模型

自适应距离保持水平集演化模型是在无需初始化模型基础上引入了可变权系数,从而很好地摆脱了演化曲线对初始位置的依赖。该模型存在着一些明显的不足:一是对噪声比较敏感;二是对灰度不均图像分割不准确。基于自适应距离保持水平集演化模型,引入了一个新的可变权系数,据此定义了一个新的边缘停止函数。实验表明,新的自适应距离保持水平集演化模型较好地克服上述两点不足。     

应用改进的C-V模型分割牛肉眼肌图像

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。     

一种改进的活动区域轮廓模型 ——无需水平集重新初始化

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。     

一种基于水平集的图像分割新方法

首先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,该模型对一些具有不光滑的尖角的图像分割时,捕捉这些尖角往往不精确甚至失败。然后通过修正边缘检测函数,则能准确地捕捉到物体的尖角,保证了分割的准确性。实验证明了该方法的可行性。     

一种全局LBF主动轮廓模型

LBF模型的能量函数对于水平集函数是非凸的,从而导致应用LBF模型分割的最终结果对水平集函数的初始化非常敏感。通过凸化LBF模型的能量函数,提出一种全局的LBF模型(GLBF)。该模型针对水平集函数是凸的,从而可以通过任意初始化水平集函数得到全局最优解。此外,该模型不必重新初始化水平集函数为符号距离函数,从而极大地提高运算效率。对灰度不均匀医学图像的分割结果表明,GLBF模型对水平集函数的初始化不敏感,优于传统的LBF模型以及目前具有代表性的LIF模型。     

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。     

结合图像过渡区的变分水平集模型

为解决无需重新初始化水平集演化模型对初始轮廓敏感的问题,基于过渡区提出一个变分水平集模型。首先从形态学角度提取图像的过渡区,从而获得分割图像的阈值;然后根据这个阈值,加权面积项前的尺度参数修改为一个函数,它在感兴趣的目标内外有相反符号,水平集函数可初始化为一个常值函数。提出的模型不但从根本上解决了对初始轮廓敏感的问题,而且能够实现对图像的快速分割。对合成和真实的图像的实验验证了该模型的有效性。     

一种新的水平截集函数初始化和重新初始化方法——距离函数光滑法

水平截集(LevelSet)方法是求解曲线进化方程的一种重要方法,该方法主要缺陷是每隔一定时间需要重新初始化水平截集函数,使水平截集函数具有距离函数和充足光滑性的特征。现有各种重新初始化方法均不能使水平截集函数同时具有这两种特性。论文提出了一种新的水平截集初始化和重新初始化方法-距离函数光滑法,该方法可使初始化和重新初始化后的水平截集函数同时具有上述两种特性。该方法适用于数值求解精度为网格的界面运动问题的初始化和重新初始化,也可作为任意数值求解精度界面运动问题的初始化方法。数值试验表明了所建议方法的有效性,也表明了该方法可降低重新初始化的次数以及数值计算达到稳态的时间。     

分数阶微分的边缘活动轮廓模型

边缘停止函数在边缘活动轮廓模型中是十分重要的,它通常是由图像的整数阶梯度定义的。这种整数阶边缘停止函数有两个缺点：一是对噪声敏感,不能较好地分割噪声图像;二是在分割弱边缘图像时容易产生边缘泄漏。针对这个问题,提出一个基于分数阶微分的边缘停止函数。实验表明,使用新的边缘停止函数的活动轮廓模型对噪声图像和弱边缘图像具有较好的分割效果。     

基于区域GAC模型的二值化水平集图像分割算法

针对测地线主动轮廓(GAC)模型进行了改进,提出了一种基于区域的GAC模型.通过构造基于区域统计信息的符号压力函数取代边界停止函数,有效解决了弱边界目标或离散状边界目标的分割问题.该模型采用二值化水平集方法实现,避免了传统实现方法水平集函数需要重新初始化为符号距离函数,从而导致稳定性差、计算量大、实现复杂等缺点.对不同类型图像的试验结果表明:该算法迭代收敛速度比GAC模型传统实现方法明显加快,且可有效防止边界泄漏,分割效果优于传统GAC模型与C-V模型.     

不用高斯平滑的边缘活动轮廓模型

在基于边缘的活动轮廓模型中,边缘停止函数的选择是十分重要的。边缘停止函数是一个单调递减的正函数和高斯平滑后的图像梯度模的复合函数。基于这种边缘停止函数的活动轮廓模型存在两个缺点：一是在同质区域演化速度慢;二是图像需要预先进行高斯平滑（滤波）,但平滑噪声的同时,也平滑了目标边缘,可能使分割不够准确。提出一个新的不用高斯平滑的边缘停止函数。实验表明,基于这种边缘停止函数的活动轮廓模型能够减少迭代次数与分割时间约50%。     

结合自适应变化停止函数的边缘活动轮廓模型*

在基于边缘的活动轮廓模型中,边缘停止函数的选择将直接影响模型的分割效果。传统的边缘停止函数仅仅是基于梯度模型建立的一个单调递减的正函数,基于这种边缘停止函数的活动轮廓模型存在两个缺点:一是对噪声比较敏感;二是对灰度不均图像分割不准确。为此,提出一个自适应变化边缘停止函数。实验表明,使用该边缘停止函数构造的边缘活动轮廓模型能够较好地克服上述不足。     

基于交叉视觉皮层模型的边缘检测算法

交叉视觉皮层模型(ICM)在处理图像时,会因连接矩阵权值设置不当而产生错误。为此,提出一种新的连接矩阵设置方式,介绍基于交叉视觉皮层的边缘检测算法,确定神经元点火范围。将该算法应用于模糊医学图像的边缘提取中。实验结果表明,与其他边缘检测算法相比,该算法能够较好地提取模糊医学图像边缘,具有较高的精度。     

结合小波变换的边缘活动轮廓模型

在基于边缘的活动轮廓模型中,边缘停止函数的选择是十分重要的。传统的边缘停止函数依赖于图像高斯平滑后的梯度模,这容易导致模型分割速度慢,无法准确分割被噪声严重污染或背景复杂的图像。结合小波变换,提出一个新的边缘停止函数。实验表明,基于该函数的边缘模型可以有效地解决上述问题,而且可以应用于多目标的选择性分割。     

Neural edge enhancer for supervised edge enhancement from noisy images

We propose a new edge enhancer based on a modified multilayer neural network, which is called a neural edge enhancer (NEE), for enhancing the desired edges clearly from noisy images. The NEE is a supervised edge enhancer: Through training with a set of input noisy images and teaching edges, the NEE acquires the function of a desired edge enhancer. The input images are synthesized from noiseless images by addition of noise. The teaching edges are made from the noiseless images by performing the desired edge enhancer. To investigate the performance, we carried out experiments to enhance edges from noisy artificial and natural images. By comparison with conventional edge enhancers, the following was demonstrated: The NEE was robust against noise, was able to enhance continuous edges from noisy images, and was superior to the conventional edge enhancers in similarity to the desired edges. To gain insight into the nonlinear kernel of the NEE, we performed analyses on the trained NEE. The results suggested that the trained NEE acquired directional gradient operators with smoothing. Furthermore, we propose a method for edge localization for the NEE. We compared the NEE, together with the proposed edge localization method, with a leading edge detector. The NEE was proven to be useful for enhancing edges from noisy images.     

活动轮廓模型基于结构张量的边缘停止函数

所有边缘活动轮廓模型都依赖边缘停止函数,该函数通常是高斯平滑图像的梯度模的单减函数。梯度能够刻画图像的局部边缘特征,但忽略了边缘的“分叉点”、“角点”等重要信息,这导致了边缘定位不准甚至产生错误的分割。基于图像结构张量的一个局部相干性度量,提出一个新边缘停止函数。实验结果表明,基于这个边缘停止函数,活动轮廓模型能够精确定位目标边缘,同时大大减少了迭代次数并具有较强抗噪性。     

基于位错理论的距离正则化水平集图像分割算法

把材料科学中的位错理论引入到水平集方法中.图像中水平集曲线的演化被看作刃位错中位错线的滑移过程,运用位错动力学机制推导出驱使水平集曲线演化的位错组态力.结合距离正则化水平集方法,把水平集方法的边缘检测函数替换为基于位错动力学理论的速度停止函数,并构建了新的距离正则化水平集函数演化方程.水平集曲线在位错组态力和速度停止函数的驱使下移动.位错组态力反映了单位长度曲线上的平均受力情况,不仅包括了图像梯度信息,也包括了位错组态力的作用范围等信息,因此可以有效地避免在局部图像梯度异常的情况下发生曲线停止演进的现象,或者避免在弱边缘处由于图像梯度较小发生局部边界泄漏的现象.实验结果表明,本文算法对弱边缘图像具有较好的分割效果.     

红外图像活动轮廓分割算法

红外图像通常存在边缘模糊、对比度低、背景复杂等特点,传统的活动轮廓模型难以达到理想的分割效果。针对这种情况,提出了一种能够用于红外图像分割的边缘活动轮廓模型。该模型采用了结合图像局部熵信息定义的边缘停止函数,同时提出了一种针对红外图像的自动选取初始轮廓的方法,进一步提高了算法的效率。实验结果表明,采用该模型能够有效分割红外图像。