一种改进的图像分割活动轮廓模型

C-V模型具有计算复杂度低、对初始化和噪声不敏感等优点,在处理图像的时候总是从全局的角度去考虑图像区域的灰度变化,从而导致难以分割灰度不均的图像。局部二元拟合(LBF)模型在处理灰度不均匀的图像分割方面有很大优势,但是LBF模型存在依赖初始轮廓大小、位置等缺点。针对C-V模型不能分割灰度不均图像和LBF模型敏感于轮廓初始化的问题,给出一个用偏微分方程表示的新的融合局部(LBF模型)和全局信息(改进的C-V模型)的活动轮廓模型。实践结果表明,新的模型对初始轮廓的敏感性低,能分割灰度不均的图像,且优于C-V模型,其分割效率明显高于LBF模型。     

基于CV和LBF模型结合的图像分割算法研究与实现

CV模型和LBF模型是两个著名的图像分割模型,然而它们有各自的缺点。CV模型不能处理灰度不均图像,而LBF模型虽然能处理灰度不均图像,但对活动轮廓的初始化很敏感,且对噪声不具有鲁棒性。为了克服上述缺点,首先对图像进行预处理,然后在得到新的图像的基础上提出与LBF类似的模型,同时将其与CV模型结合,得到全局和局部活动轮廓模型。实验结果表明,所提模型不仅能处理灰度不均匀图像,同时减弱了活动轮廓对初始化的敏感性,并且提升了对噪声的鲁棒性。     

结合全局和局部信息的“两阶段”活动轮廓模型

目的 LBF(local binary fitting)模型用每个像素点的邻域信息来拟合局部能量,对灰度不均匀图像可以得到很好的分割效果。但是LBF模型只考虑了图像的局部信息,没有考虑全局信息,因此它对初始轮廓大小、形状及位置都非常敏感。针对以上问题,结合全局和局部信息,提出"两阶段"活动轮廓模型。方法第1阶段,采用退化的CV(Chan-Vese)模型,利用图像的全局信息(灰度均值)快速为图像的目标大致定位;第2阶段,以第1阶段结束时的水平集函数的零水平集为第2阶段的初始轮廓,利用图像的局部信息(局部高斯拟合)得到更加精确的分割结果。结果实验结果表明,该"两阶段"活动轮廓模型保留了LBF模型分割灰度不均匀图像的能力。结论改进后的模型较LBF模型对各种初始轮廓(大小、形状、位置)有较强的鲁棒性,以及较强的抗噪性。     

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。     

快速稳定的局部二元拟合分割算法

基于局部区域信息的局部二元拟合(LBF)模型在处理弱边界或灰度不均匀的图像分割方面有一定优势,但该方法非常依赖于初始轮廓,不当的初始轮廓不仅会导致分割时间较长,甚至分割失败。针对这一不足,提出一种快速稳定的LBF模型。首先通过添加带有变权系数面积项的LBF模型进行初始分类以获取较好的初始轮廓,然后采用传统的LBF模型对图像进行进一步的分割。实验证明,在保证良好分割效果的前提下,该方法对初始轮廓的选择更加灵活,分割速度明显快于传统的LBF模型。     

融合局部和全局高斯概率信息的图像分割模型

在现有的活动轮廓中,LBF模型、LIF模型和LGDF模型是著名的基于区域的模型。虽然能分割灰度不均匀的图像,但对活动轮廓的初始化和噪声较为敏感。针对该问题,提出一种融合全高斯和局部高斯概率信息的活动轮廓模型。首先由全局高斯模型的全局灰度拟合力和局部高斯模型的局部灰度拟合力的一个线性组合来构造水平集演化力,然后引入这两个拟合力的动态权重以达到该模型的灵活性,实验结果表明,该模型能分割灰度不均的图像,且允许灵活的轮廓初始化,抗噪声性强。     

结合全局和局部信息的水平集图像分割方法*

LBF模型对初始轮廓大小和位置非常敏感,并且只考虑了图像的局部信息,没有考虑图像的全局信息。CV模型利用图像全局信息,对初始轮廓具有较强的鲁棒性。两种模型对椒盐噪声污染的图像不能取得令人满意的结果。针对以上问题, 在原有CV模型和LBF模型能量函数基础上,各自构造一个新的能量拟合项,增强对高斯噪声和椒盐噪声的抗噪性。采用新构造的CV模型,使用图像的全局信息得到粗分割轮廓。以粗分割轮廓作为新构造LBF模型的零水平集,利用图像的局部信息得到图像的精确分割结果。同时提出一种新的边缘检测算子,重新定义边缘停止函数,进一步提高模型的抗噪性。相较于CV模型,LBF模型,结合全局和局部信息的Wang模型和Qi模型,提出模型能得到更优的图像分割结果,具有较强的抗噪性。     

结合局部熵能量泛函与非凸正则项的图像分割

为了克服灰度不均匀对图像分割的影响，结合CV模型的全局能量项和LBF模型的局部能量项，引入图像局部熵信息和非凸正则项，构造新的能量泛函，提出了结合局部熵的局部能量泛函与非凸正则项的图像分割算法。该算法首先采用CV模型中的全局能量泛函得到图像的大致演化轮廓；通过构建具有局部熵信息的局部能量泛函，实现对图像的精确分割。然后，利用非凸正则项作为图像演化过程中零水平集逼近目标的又一驱动力驱动曲线演化和边缘保护。该算法利用变分水平集方法将这一新构建的能量泛函进行最小化，通过迭代更新水平集函数，完成曲线演化。最后，对比实验表明，所提出的算法可以高效、准确地分割灰度不均匀图像。     

基于双重轮廓演化曲线的相似图像组分割模型

ACGS(Active Contours With Group Similarity)模型在CV模型的基础上结合了矩阵的低秩性约束,能较好地分割目标特征缺失或错误的相似图像组,但对于灰度不均的相似图像组分割效果较差。而双重轮廓演化曲线的图像分割水平集模型在LBF模型的基础上引入了目标内外两条轮廓曲线,很好地克服了LBF模型对于初始轮廓的敏感性,对于灰度不均的单张图像分割效果较好。受此启发,本文提出了基于双重轮廓演化曲线的活动轮廓模型来分割相似图像组。该模型首先结合LBF模型来更好地分割灰度不均的图像;其次利用ACGS模型的低秩性质来保持图像间的相似程度,从一定程度上改善了LBF模型在能量函数最小化时易陷入局部极小值的情形;最后引入目标内外的两条轮廓曲线,通过两曲线在演化过程中分别对局部像素的直接作用而产生间接的相互联系,从而有效地克服LBF模型对于初始轮廓的敏感性问题,使得该模型改善了对于灰度不均的相似图像组的分割效果。实验结果表明,与CV、LBF、ACGS以及双重轮廓演化曲线模型的分割结果相比较,本文模型对于灰度不均的相似图像组的分割效果具有优越性。     

LBF活动轮廓模型的改进

LBF模型是一个著名的基于区域的活动轮廓模型。与PC（Piecewise Constant）模型不同,该模型引入了一个以高斯函数为核函数的局部二值拟合（Local Binary Fitting,LBF）能量。因为LBF能量能够获取图像的局部信息,所以LBF模型解决了PC模型不能处理灰度不均一图像的分割问题。提出了一个改进的LBF模型,它使用一个新的核函数代替高斯核函数。实验表明：与LBF模型比较,新模型减少分割时间约50%。     

LCV模型在医学图像分割中的应用

针对C-V模型不能充分利用图像局部区域灰度变化信息从而导致难以准确分割灰度不均物体等缺陷,提出一种基于局部区域的C-V(LCV)模型。利用计算局部窗函数内的加权灰度均值来取代全局均值,并加入约束水平集函数为符号距离函数的能量项,从而避免水平集函数的重新初始化。对医学图像的分割结果证明LCV模型在分割灰度不均物体方面优于C-V模型,其分割效率高于LBF模型。     

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.     

基于核特征距离的局部活动轮廓模型

提出了一种基于核特征距离局部活动轮廓分割模型。在模型中使用核特征距离来构造局部拟合能量,从而可以获取精确的局部图像特征,可以分割存在灰度不均匀的图像。并通过引入水平集规范项以避免水平集演化的重新初始化,提高了分割的效率。实验结果表明,本模型可以很好地克服灰度不均匀性,同时在分割精度上有了较大的提升,特别是分割速度比LBF模型快1.3～1.5倍。     

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。     

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.     

Hybrid geodesic region-based active contours for image segmentation

In this paper, we propose novel hybrid edge and region based active contour models. First, we consider geodesic curve and region-based model, and evolve contours based on global information to segment images with intensity homogeneity. Second, we extend the global model to the local intensity fitting energy for segmenting the images with intensity inhomogeneity. Moreover, the level set regularization term is added to the energy functional to ensure accurate computation and avoid expensive re-initialization of the evolving level set function. Experimental results indicate the proposed method has advantage over the geodesic active contour (GAC) model, the Chan–Vese (C–V) model, the Lankton’s method and the local binary fitting (LBF) model in terms of efficiency and robustness.     

基于局部熵的主动轮廓模型

针对传统C-V模型对灰度分布不均匀图像分割效果不理想的问题,研究了一种基于局部熵的主动轮廓模型.首先,算法将局部熵的概念引入到C-V模型中,通过核函数获得局部区域的不均匀信息,来构建局部熵能量函数;其次,采用变分水平集的方法,最小化局部熵能量泛函,得到水平集的梯度下降流,根据梯度下降流不断更新水平集,获得目标轮廓图;最后,对4组灰度严重不均匀的图像进行仿真实验,并将本文算法与LBF方法和LGDF方法进行对比.实验结果表明,与LBF方法和LGDF方法相比,本文算法实现了灰度不均匀的图像的精确分割.     

Active contours driven by local image fitting energy

A new region-based active contour model that embeds the image local information is proposed in this paper. By introducing the local image fitting (LIF) energy to extract the local image information, our model is able to segment images with intensity inhomogeneities. Moreover, a novel method based on Gaussian filtering for variational level set is proposed to regularize the level set function. It can not only ensure the smoothness of the level set function, but also eliminate the requirement of re-initialization, which is very computationally expensive. Experiments show that the proposed method achieves similar results to the LBF (local binary fitting) energy model but it is much more computationally efficient. In addition, our approach maintains the sub-pixel accuracy and boundary regularization properties.