王 升1，谢 立1*，刘 军2

针对传统Snake模型在图像目标检测和分割时不能处理拓扑变化以及不能反映出演化曲线的内在几何特性,提出了一种改进模型——基于水平集的测地主动轮廓模型。该模型采用测地主动轮廓模型,并结合水平集方法,即用水平集函数表示测地主动轮廓模型的曲线演化方程,来模拟初始曲线沿能量下降最快的方向演化的过程。对该模型进行研究,将其应用于细胞图像的目标检测和分割实验中,实验结果表明,所提出的新方法具有良好的检测效果,对多目标进行了有效分割,并且能清晰反映出演化曲线的内在几何特性以及具有良好的拓扑处理能力,这些特性是传统Snake模型所不具有的。     

一种引入Chebyshev距离的改进的无边活动轮廓模型

无边活动轮廓模型(C-V模型)是水平集分割方法中的一种经典模型.传统的无边活动轮廓模型将灰度同质作为区域分割准则,这使其对于仅含两个同质区域且灰度变化不大的图像能够取得很好的分割效果,但对灰度渐变图像分割时,该模型往往无法得到正确结果.本文针对这一问题,通过引入Chebyshev距离构造一种新的相似度,以此来表征演化曲线内外灰度差异,修改了传统无边活动轮廓模型中均值取值的定义,使得演化曲线在图像灰度变化缓慢区域获得较大的驱动力.新模型克服了传统无边活动轮廓模型不能正确分割灰度渐变图像的不足.实验对比及分析表明,新模型能够更准确地分割灰度渐变图像,同时对噪声有一定的鲁棒性.     

基于简化Mumford-Shah模型的水平集图像分割算法

为解决传统图像分割方法受噪声和边界轮廓影响而使分割效果不佳问题，基于简化的Mumford Shah模型的水平集图像分割算法通过将曲线嵌入水平集函数，利用函数的求解以达到曲线演化和图像分割的目的。试验表明此分割算法与初始轮廓线位置无关、不受边界轮廓线连续性限制、对图像噪声具有很强的鲁棒性，对均质灰度目标分割效果良好。     

边缘与区域联合活动轮廓模型研究

图像分割在计算机视觉和模式识别中起着重要的作用,近年来基于活动轮廓和水平集方法的图像分割模型得到了广泛的研究。提出一种新的边缘与区域相结合的活动轮廓模型,并利用水平集方法来进行曲线的演化。通过合成图像和真实图像的实验,提出的模型与经典的Chan-Vese模型相比,不但提高了抗噪能力,而且可以更准确地检测图像的边缘,同时分割精度也得到了较大的提高。     

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。     

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.     

基于改进活动轮廓模型和视觉特性的图像分割方法

提出一种基于改进活动轮廓模型和视觉显著性分析的图像分割方法。与传统的水平集模型不同,改进的活动轮廓模型不需要进行初始化和计算符号距离函数,从而有效地提高曲线演化效率。在此基础上,提出了基于标记的多相水平集分割方法,有效地解决了复杂图像存在的灰度不均性问题。另外,为避免初始轮廓位置对分割结果的影响,采用视觉显著图获取水平集初始轮廓位置,通过对该显著图进行OSTU分割提取初始轮廓。通过实验分析,提出的方法在分割结果、速度和复杂度上较之传统的CV模型都有明显的改进。     

基于变动权值的混合水平集图像分割模型

基于局部区域的活动轮廓模型(LRAC)分割图像时对初始轮廓的严重依赖性,提出一种基于局部和全局区域结合的水平集图像分割算法。结合Chan-Vese水平集模型和LRAC模型的特点,在构造水平集函数时定义了变动的权值参数,将水平集函数的局部和全局能量泛函项结合起来,其中,权重参数由图像梯度和图像演化曲线内外局部均值定义。另外,在水平集函数演化时采用窄带法,以减小计算的时间复杂度。实验结果表明,该算法模型兼有CV模型和LRAC模型的优点,比LRAC模型对初始轮廓选取的依赖性低,收敛速度快;比窄带CV模型的对目标边缘分割效果好。     

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。     

在图像分割中对水平集函数应用的研究

图像分割是从图像处理到图像分析的关键技术,几何活动轮廓模型是为解决图像处理和计算机视觉领域广泛存在的图像分割问题而提出来的。水平集函数是在研究几何活动轮廓模型时将界面或者演化曲线看成高一维空间中某一函数山原型。文章在分析传统水平集函数和距离保持水平集函数优缺点的基础上,引入图像相依的权系数v（I）代替常值权系数,提出了一种自适应距离保持水平集函数。然后通过对水平集函数求其偏微分方程,经过数值实现并求出其解,从而得出图形界面的基本形状和特征。     

几何活动轮廓模型中停止速度函数的尺度变换

近年来,通过水平集方法实现的几何活动轮廓模型（GAC）已成为图像处理和计算机视觉领域里十分流行的图像分割方法。几乎所有的GAC模型都依赖于停止速度函数,该函数通常是基于图像梯度定义的,其作用是使活动轮廓（演化曲线）停止在所希望的目标边界上。为了加快活动轮廓的演化速度,提出对停止速度函数进行尺度变换的方法。对4幅人工和自然图像的实验结果显示,所提出的方案能够大大减少分割时间,同时,对于凹陷边界和弱边界的分割取得了更好的效果。     

Fast Global Minimization of the Active Contour/Snake Model

The active contour/snake model is one of the most successful variational models in image segmentation. It consists of evolving a contour in images toward the boundaries of objects. Its success is based on strong mathematical properties and efficient numerical schemes based on the level set method. The only drawback of this model is the existence of local minima in the active contour energy, which makes the initial guess critical to get satisfactory results. In this paper, we propose to solve this problem by determining a global minimum of the active contour model. Our approach is based on the unification of image segmentation and image denoising tasks into a global minimization framework. More precisely, we propose to unify three well-known image variational models, namely the snake model, the Rudin–Osher–Fatemi denoising model and the Mumford–Shah segmentation model. We will establish theorems with proofs to determine the existence of a global minimum of the active contour model. From a numerical point of view, we propose a new practical way to solve the active contour propagation problem toward object boundaries through a dual formulation of the minimization problem. The dual formulation, easy to implement, allows us a fast global minimization of the snake energy. It avoids the usual drawback in the level set approach that consists of initializing the active contour in a distance function and re-initializing it periodically during the evolution, which is time-consuming. We apply our segmentation algorithms on synthetic and real-world images, such as texture images and medical images, to emphasize the performances of our model compared with other segmentation models. Research supported by NIH U54RR021813, NSF DMS-0312222, NSF ACI-0321917 and NSF DMI-0327077.     

显著性驱动的局部相似拟合模型分割算法研究

灰度不均匀和噪声图像的分割是计算机视觉中的难点。现有的活动轮廓模型尽管能够取得较好的分割效果,但仍然对噪声图像分割效果不理想,初始轮廓曲线的选取敏感,优化易陷入局部极小导致演化速度慢等问题。针对该问题,首先使用局部区域灰度的均值和方差拟合高斯分布,构建新的能量泛函,均值和方差随着能量的最小化过程而变化,从而增强了灰度不均匀和噪声图像的分割能力。此外,结合视觉显著性检测算法获取待分割目标的先验形状信息,并自适应地创建水平集函数,从而降低了初始轮廓位置敏感性及计算时间复杂度,实现全自动的图像分割。实验结果证明,提出的算法可以用于灰度不均匀和噪声图像分割,并取得了较好的分割性能,消除了算法对初始轮廓位置敏感性,减少了迭代次数。     

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。     

基于主动轮廓模型和水平集方法的图像分割技术

图像分割是计算机底层视觉中首要解决的关键问题。为了使人们对该领域现状有个概略了解。首先回顾了近十几年来基于主动轮廓模型的图像分割技术的发展概况；然后分类介绍了基于边界、基于区域和基于边界与区域的主动轮廓模型技术的演变及各自的优缺点，以及相应的能处理轮廓拓扑变化的稳定数值求解方法——水平集方法；最后展望了主动轮廓模型在图像对准中的应用。     

结合显著性的主动轮廓图像分割

传统的主动轮廓方法无法突出分割区域的显著性,同时在由显著性检测算法所得到的显著图中目标具有较高的信噪比,因此提出结合显著性的主动轮廓图像分割。通过线性光谱聚类分割得到超像素,以超像素为处理单位利用基于图论的流形排序算法获得较好的显著图;将高斯混合模型引入到主动轮廓的曲线演化过程中,计算曲线内外的平均灰度值,从而通过高斯混合模型和显著性信息得到了新的主动轮廓能量方程,并运用水平集方法指导分割,获得最终的分割结果。实验结果表明,提出的图像分割方法可以对图像进行快速和有效的分割。     

变分水平集方法在灰度不均图像分割中的应用

灰度不均严重影响图像分割的准确性,主动轮廓模型广泛应用于图像分割中。为了克服灰度不均对图像分割的影响,提出了一种基于变分水平集的主动轮廓模型。该模型利用了图像局部统计信息的均值和方差,适合对灰度不均图像分割。为了检验算法的性能,利用该算法和经典算法作对比实验,结果表明,不管是对合成图像还是真实图像的分割,都验证了该方法的有效性,而且该方法在曲线演化过程中无需重新初始化水平集函数,在一定程度上减少了计算量。     

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.