基于图割优化的能量最小化模型图像分割方法

针对主动轮廓模型中利用梯度下降法求解能量函数容易陷入局部极小的不足,设计了一个离散化最小能量函数模型。该模型以Chan-Vese模型为基础,利用图割方法优化能量泛函,实现能量的全局最优解。新模型首先将图像映射为图,将基于像素的能量泛函转换为可用图表示的离散化能量函数,通过计算节点及其邻域关系权值,迭代求解最小化能量并将其作用于形变轮廓曲线,直至达到稳定状态。新模型改进了主动轮廓模型对弱边界图像初始轮廓敏感的问题,提高了分割精度和运行速度。     

一种基于主动轮廓模型的蚁群图像分割算法

通过对主动轮廓模型进行图像分割的过程研究发现,其多阶段决策问题与蚁群算法的决策过程非常相似．文中根据主动轮廓模型的特点构建了一类新的蚁群求解算法,把图像分割问题转化成最优路径的搜索问题,为获取精确的图像轮廓提供了新方法．证明了该方法以概率1收敛到最优解,即可以在能量函数的约束下找到最好的边界．本方法还可以推广到其他主动轮廓模型的图像分割问题中．仿真结果表明,本文提出的分割方法比文献中的遗传算法更为有效．     

深度图辅助的主动轮廓分割算法

针对由前后背景相似而导致从图像中很难分割出精确图像的问题,以主动轮廓分割方法为基础,结合深度图为辅助,提出了一种新的深度图辅助的基于区域的主动轮廓图像分割方法。首先,使用滤波算法对深度图进行修补,得到较为完善的深度图;然后使用混合高斯模型计算得到彩色图和深度图的置信图;最后使用置信图,计算给定区域中颜色与深度的权重,从而指导分割过程。提出的算法能够正确使用彩色信息和深度信息来指导分割,更准确地实现前后背景的分离。实验结果表明,该方法得到的分割结果较为接近真实情况,提高了图像分割的准确率。     

基于改进Snake模型的图像分割方法

Snake（主动轮廓线）模型即能量最小化运动曲线模型,最初由Kass在1987年提出,具有良好的获取特定区域内目标边缘的能力,是一种极为有效的图像分割方法。针对传统Snake模型对初始轮廓的依赖性问题,利用围绕目标形心的圆环间平均灰度差异来确定初始轮廓点,对噪声的干扰有一定的抑制作用,并减少了人工选取的工作量。通过离散Snake算法与分段DP算法的有效结合来获取图像的特征边缘点,以提高Snake算法的收敛速度。最后利用单调性原则对边缘点进行分区,在各个单调区间内采用曲线拟合的方法来获得连续的图像边缘。实验结果表明,基于改进Snake模型的图像分割方法可以从图像中提取连续、封闭的边缘曲线,能够较好的将目标从图像中提取出来。     

基于改进Snake的多目标分割算法

为了实现对包含在一个Snake区域内的多个目标进行分割的目标,对传统Snake算法进行了改进,抛弃了与轮廓的弹性力和弯曲力有关的内能,由图像的相对黑像素点数构成图像力.变形中追求图像力的最大值,找到了使Snake收缩变形的方法.针对收缩过程中自身缠绕问题提出了判别方法,这种判别方法也即本研究的分裂方法,从而使Snake具有演化分离的功能,即每一个目标都被一个Snake包围分割.试验结果表明,变形后的模型具有如下的特点:能够分割多目标,图像力能量项物理意义直观清晰,且易于实现,对初始轮廓不太敏感,收敛速度快,具有一定的价值.     

活动轮廓模型在医学图像分割中的应用及发展

图像分割是医学三维重建、医学可视化等的基础,对疾病的诊断和治疗有着重要的临床意义,目前,用于医学图像分割的算法很多,而活动轮廓模型(Active Contour Model)的提出则是这个领域的一个重大突破。介绍活动轮廓模型从参数活动轮廓模型到几何活动轮廓模型的发展过程及发展现状,提出活动轮廓模型的研究和发展方向。     

活动轮廓模型在医学图像分割中的应用及发展

图像分割是医学三维重建、医学可视化等的基础,对疾病的诊断和治疗有着重要的临床意义,目前,用于医学图像分割的算法很多,而活动轮廓模型（Active Contour Model）的提出则是这个领域的一个重大突破。介绍活动轮廓模型从参数活动轮廓模型到几何活动轮廓模型的发展过程及发展现状,提出活动轮廓模型的研究和发展方向。     

分水岭算法应用于主动轮廓模型能量分割算法的研究

主动轮廓模型(snake模型)被广泛应用于边缘提取、图像分割等领域。该模型能对目标适当初始化,并进行自主收敛,使得能量处于极小值状态,以达到目标分离的效果。当目标初始位置敏感时,需要依赖其他机制对内部能量进行合理初始化,由于模型的非凸性,它有可能收敛到局部极值点甚至发散。将分水岭算法应用于主动轮廓模型的能量分割算法,通过改进的分水岭算法确定主动轮廓模型的初始轮廓,利用迭代完成对轮廓点周围的局部近邻点的检索,以选取更小的轮廓模型,当获得最小值时完成目标轮廓的提取。     

基于图割和改进的变分水平集的图像分割方法

文章在图割理论的基础上,引入了一种新的方法将图割理论和改进的变分水平集模型结合起来,先利用图割理论对目标形成一个初始轮廓,并在得到的轮廓线上定义能量函数,通过能量函数的最小化,从而使得到的轮廓线最终收敛到目标边界,这样在保证分割精度的同时大大简化了计算量.     

统计相似度特征的医学图像分割

基于偏微分方程和图论两类图像分割方法的一个共同之处是将分割问题转换成了能量函数的模型建立及其最优化过程。从这一共同点出发,将图像的局部统计分布特征和Bhattacharyya相似度信息相结合并引入到测地线主动轮廓模型(GAC)和图切分(GC)模型的能量函数构造中。改进后GAC算法相当于为模型引入了一个基于似然比检验的回拉力,可有效阻止弱边界处泄露;基于非参数估计的能量函数构造更适用于小样本和分布函数不恒定的情况,使得改进GC模型更完整地提取图像目标的细节部分。将改进GAC和GC模型应用至膝关节MRI序列分割,提出完整分割各骨骼与半月板等结构的框架。在实验与分析部分,进行了定量与定性的实验对比。对噪声与局部体效应影响下的膝关节MRI序列及其他医学图像的实验,结果表明本文方法能够有效提高分割精度。     

一种结合图割与双水平集的图像分割方法

针对水平集方法在图像分割中需要多次迭代,且计算量大的问题,提出一种基于图割与双水平集的图像分割方法。首先在目标边界内外部各设置一条初始轮廓线和一个阈值,通过双水平集方法对轮廓线进行演化。当轮廓线的能量变化率小于给定阈值时,终止水平集演化。将得到的两条轮廓线化为源点和汇点,通过图割方法得到最终目标边界。该方法有效减少了水平集迭代次数,提高了分割效率,而且给出了一种终止水平集迭代的方式。实验表明该方法具有较好的分割效果和较高的分割效率。     

先验形状力场参数活动轮廓模型及其医学图像分割

先验形状参数活动轮廓模型是一种抗噪声干扰稳定的图像分割方法.它具有对弱边缘、凹区域进行分割的能力,同时有较大的边缘捕捉范围.通过引入一种非距离性的先验形状力场,构建一种新的能反映先验形状的参数活动轮廓模型.新的先验形状活动轮廓模型避免了曲线之间距离的计算,减少了模型的复杂性.新的方法可以较好地解决传统型参数活动轮廓模型的一些本质缺陷.实验对带噪声且为弱边缘的医学CT图像和超声图像进行分割能得到理想的边缘轮廓.     

基于K均值聚类的图割医学图像分割算法

图割是一种同时基于区域和边界的交互式图像分割算法。传统的基于高斯混合模型的图割具有时间慢和描述组织中灰度分布不准确的缺点。为此,提出一种基于K均值聚类的图割算法。通过用改进的图割来分割仿体的和真实的脑部核磁共振图像,显示出该方法的有效性。该方法不但能提高图割在分割时的速度,在有噪音和灰度不均匀的图像上也能在较短的时间内得到更准确且鲁棒的结果。     

基于多分辨统计模型和曲面恢复的腹部图像分割算法

针对腹部器官边缘模糊、形状差异大、小样本集合难建立统计模型等问题,提出了基于多分辨率统计集成模型和曲面缺失数据恢复的混合图像分割算法。该算法根据器官模型的纹理特征,建立外观轮廓模型;并定义标志点自信度。对于自信度较高的点,使用基于主动图像搜索和模型变形的方法进行分割;将自信度较低的点视为未知点,利用统计模型和自信度高的已知点进行数据恢复。实验结果表明,该混合算法可成功地降低器官分割的平均误差。     

Deformable M-Reps for 3D Medical Image Segmentation

M-reps (formerly called DSLs) are a multiscale medial means for modeling and rendering 3D solid geometry. They are particularly well suited to model anatomic objects and in particular to capture prior geometric information effectively in deformable models segmentation approaches. The representation is based on figural models, which define objects at coarse scale by a hierarchy of figures—each figure generally a slab representing a solid region and its boundary simultaneously. This paper focuses on the use of single figure models to segment objects of relatively simple structure.A single figure is a sheet of medial atoms, which is interpolated from the model formed by a net, i.e., a mesh or chain, of medial atoms (hence the name m-reps), each atom modeling a solid region via not only a position and a width but also a local figural frame giving figural directions and an object angle between opposing, corresponding positions on the boundary implied by the m-rep. The special capability of an m-rep is to provide spatial and orientational correspondence between an object in two different states of deformation. This ability is central to effective measurement of both geometric typicality and geometry to image match, the two terms of the objective function optimized in segmentation by deformable models. The other ability of m-reps central to effective segmentation is their ability to support segmentation at multiple levels of scale, with successively finer precision. Objects modeled by single figures are segmented first by a similarity transform augmented by object elongation, then by adjustment of each medial atom, and finally by displacing a dense sampling of the m-rep implied boundary. While these models and approaches also exist in 2D, we focus on 3D objects.The segmentation of the kidney from CT and the hippocampus from MRI serve as the major examples in this paper. The accuracy of segmentation as compared to manual, slice-by-slice segmentation is reported.     

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。     

基于SIFT特征和图割算法的图像分割方法研究

图割算法是图像分割方法中的一种高效的最优化计算方法,针对图像中目标物体的旋转尺度光照变化导致的分割不准确问题,提出了一种基于SIFT(Scale-Invariant Feature Transform)特征的图割(Graph Cuts)算法;该方法将SIFT特征的尺度旋转不变性和图割算法的准确快速性结合在一起,通过提取图像中物体SIFT特征点做为图割算法的种子点,求解最小能量函数快速从而获得该图像的最优分割;实验结果表明,该方法鲁棒性较好,能准确地分割出目标物体在图像中的轮廓。     

基于图割的图像分割方法及其新进展

鉴于图割的理论意义和实际应用价值,系统综述了基于图割的图像分割方法. 首先,深入分析了基于图割的图像分割方法的基本原理,主要从定性和定量角度剖析了图割与能量函数最小化之间的关系, 然后,概括了基于图割的图像分割方法的基本步骤,包括能量函数的设计、图的构造和最小割/最大流方法, 其次,系统梳理和评述了基于图割的图像分割方法的国内外研究现状,最后,指出了基于图割的图像分割方法的发展方向.