水平集的图像分割方法综述

图像分割是图像处理中的关键技术之一,Osher和Sethian提出的水平集方法有效地解决了以前算法不能解决在曲线演化过程中的拓扑变化问题。目前,基于水平集方法的图像分割算法很多,对于不同应用领域的图像处理问题,人们都提出了相应的解决方法,而且大量的研究者还在不断改进和提高这些算法的效率和有效性。因此,本文按照水平集算法在图像分割中应用的发展历程将其分为3种情况进行了综述,以此为该领域读者提供借鉴。     

结合图像熵的C-V模型分割算法

C-V模型是水平集分割方法中的一种经典模型,但存在自适应能力不强的问题.医学图像分割对象的特点是具有各种复杂的拓扑结构及变化.根据医学分割算法的自适应要求,在水平集图像分割方法C-V模型算法的研究基础上,引入图像信息熵算法,通过计算演化曲线内外的图像熵,解决曲线演化过程中迭代参数设定问题,达到增强C-V模型分割算法的自适应能力.实验结果表明,结合图像熵的C-V模型算法面对不同的对象具有良好的自适应性.     

一种改进的变分水平集的图像分割算法

为了解决灰度不均匀现象对医学图像的干扰问题,提出了基于局部极性信息的活 动轮廓模型。通过引入局部图像信息,该模型能有效地分割灰度不均匀图像。在规则化项中增 加的能量惩罚项,使得水平集函数在演化过程中保持为近似的符号距离函数。该算法将图像分 割问题归结为曲线能量泛函的最小化,首先建立包含局部灰度信息（极性信息）和改进的符号 距离函数的曲线演化能量泛函;然后采用变分水平集方法求解能量函数的最小值,得到最终的 分割结果。真实医学图像和人工合成图像的实验结果表明,此方法对灰度不均匀的医学图像有 较高的分割精确度,在图像分割速度上有较大提高。由于利用了局部灰度信息,可以有效地分 割灰度不均匀的医学图像,而改进后的变分水平集可以完全避免重新初始化,使得图像分割效 率大大提高了。     

水平集图像分割中重新初始化规避的探索

水平集方法有效地解决了图像分割中曲线演化过程中的拓扑变化问题,其实质是水平集方法与模型的结合,以水平集方法来求解模型得到的偏微分方程的方法.要想约束水平集函数在迭代过程中保持为符号距离函数,保证水平集函数的稳定收敛,就必须对SDF重新进行初始化.但是每次都对SDF重新进行初始化,大大增加了计算量,浪费了宝贵的时间,从而大幅降低了曲线的演化速度.一直以来,大家在不断地改进算法,缩短每次初始化所需的时间,但收效甚微.SDF重新初始化的规避,使图像分割时曲线演化速度加快,实验结果表明这种方法是非常有效的,并且具有很强的鲁棒性.重新初始化的规避,减少了计算量,使水平集图像分割法能满足更多的生活、工业应用中的实时性要求.     

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。     

参数化形态学梯度修正的水平集肝肿瘤分割

针对单一水平集算法处理低对比度或边缘模糊肝脏CT图像时,在梯度局部极小值区域或虚假边缘处常常会出现曲线停止演化现象的问题,提出了一种参数化形态学梯度修正的水平集图像分割方法进行研究.首先对图像进行形态学梯度变换,增强图像的对比度;然后以此为基础,在特定邻域内建立结构元素半径与梯度级的函数关系对图像进行梯度修正,增强目标边缘聚合度并去除图像噪声及非规则细节引起的局部极小值,同时减小目标轮廓位置的偏移;最后根据图像梯度信息运用水平集方法实现图像中单个或多个目标分割.实验结果表明,该算法有效地解决了标准水平集分割方法中存在的伪分割问题,能够对肝脏肿瘤进行较准确分割.     

改进的分级多相图像分割模型及其快速实现

提出一种基于分级C-V模型的改进的快速图像分割算法.针对现有的多相水平集图像分割算法存在的问题,本文从曲线演化方程的平均曲率项、水平集函数Φ的狄拉克(Dirac)函数δ(Φ)等方面进行改进,并引入了一个非线性扩散方程对图像进行预处理,从而优化组合了分级C-V模型的全局特性.实验结果表明,改进的图像分割模型不仅保留了原有方法的优势,而且提高了对多目标图像分割算法的速度与精度,同时也可以有效解决具有弱边界物体的分割问题.     

距离保持水平集演化模型的快速实现算法

针对梯度下降法收敛性较差、对局部极小值比较敏感的问题,提出一种改进NAG算法,并以此替换距离保持水平集演化（DRLSE）模型中的梯度下降算法,进而得到一个基于NAG的图像快速分割算法。首先,给出初始水平集演化方程;其次,用改进NAG算法计算梯度;最后,对水平集函数进行不断更新,从而避免水平集函数陷入局部极小值。实验结果表明,与DRLSE模型中的原算法相比,所提算法迭代次数减少了约30%,CPU运行时间减少了30%以上。该算法实现简单,能够对实时性要求较高的红外图像、医学图像进行快速、有效的分割。     

距离保持水平集演化模型的快速实现算法

针对梯度下降法收敛性较差、对局部极小值比较敏感的问题，提出一种改进NAG算法，并以此替换距离保持水平集演化（DRLSE）模型中的梯度下降算法，进而得到一个基于NAG的图像快速分割算法。首先，给出初始水平集演化方程；其次，用改进NAG算法计算梯度；最后，对水平集函数进行不断更新，从而避免水平集函数陷入局部极小值。实验结果表明，与DRLSE模型中的原算法相比，所提算法迭代次数减少了约30%，CPU运行时间减少了30%以上。该算法实现简单，能够对实时性要求较高的红外图像、医学图像进行快速、有效的分割。     

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。     

基于超像素/像素协同约束和稀疏分解的活动轮廓模型

针对水平集图像分割模型的分割结果不够准确且对初始轮廓位置和噪声敏感问题,提出了超像素/像素协同约束和稀疏分解的活动轮廓模型。首先引入超像素提取图像块信息构造符号压力函数防止轮廓在演化过程中陷入局部最优;其次,构建了基于超像素/像素协同约束的能量泛函以弥补超像素无法保留局部细节的缺陷;同时,为了解决基于非全局信息的活动轮廓模型演化速度慢的问题,提出模型利用超像素块加速轮廓演化;最后引入了稀疏分解对模型进行优化以减弱局部噪声对分割精度的影响。与多种水平集分割模型的实验结果对比,证明了提出方法的有效性,尤其与原始的二值选择和高斯滤波正则化水平集模型相比,提出方法对噪声和初始轮廓位置不敏感,平均Jaccard相似度系数提升了34%。     

Image Segmentation Using Some Piecewise Constant Level Set Methods with MBO Type of Projection

In this work, we are trying to propose fast algorithms for Mumford-Shah image segmentation using some recently proposed piecewise constant level set methods (PCLSM). Two variants of the PCLSM will be considered in this work. The first variant, which we call the binary level set method, needs a level set function which only takes values ±1 to identify the regions. The second variant only needs to use one piecewise constant level set function to identify arbitrary number of regions. For the Mumford-Shah image segmentation model with these new level set methods, one needs to minimize some smooth energy functionals under some constrains. A penalty method will be used to deal with the constraint. AOS (additive operator splitting) and MOS (multiplicative operator splitting) schemes will be used to solve the Euler-Lagrange equations for the minimization problems. By doing this, we obtain some algorithms which are essentially applying the MBO scheme for our segmentation models. Advantages and disadvantages are discussed for the proposed schemes. We acknowledge support from the Norwegian Research Council and IMS of the National University of Singapore.     

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。     

利用ITK和VTK集成实现三维医学图像的分割

ITK是一个对图像进行分割配准处理的开源的、基于对象的软件系统.它提供几乎所有的主流医学图像分割算法,能够解决虚拟手术中三维图像分割问题.讨论了ITK中区域生长和Level set分割算法,对CT序列图像进行分割,最后通过VTK对分割数据进行三维重建.利用ITK和VTK的功能集成,对医学图像三维组织体分割,并实现分割结果的可视化.实验证明这种方法能够满足医生对局部病变区域观测的要求,实时性良好.     

多区域SAR图像分割的改进水平集方法

由于合成孔径雷达（SAR）图像易受相干斑噪声的影响,光学图像的分割方法并不适用于SAR图像,更不能获得精确的分割结果对比,因此,首先基于GA^0统计模型定义能量映射函数以代替像素值进行后续处理,减小相干斑的影响;其次,使用水平集算法对处理后的图像进行分割处理,选用了一种形式更为简单的水平集函数,并可以较容易地推广到多区域SAR图像分割情况。实验结果表明,该方法可以减少相干斑噪声对SAR图像分割过程的不良影响,具有较好的准确性。     

自适应尺度参数的非均匀图像快速水平集分割

由于不同对象区域之间强度范围的重合,在存在强度不均匀的情况下很难分割图像。针对这一问题,提出一种新的水平集分割方法。在非均匀图像模型的基础上,推导出图像域的最优分割平面。在平面上,提出一种新的基于区域的压力函数,并在水平集公式中定义一个能量泛函。通过对能量泛函最小化,在对非均匀图像分割的同时,对偏置场进行估计。另外,为了准确估计偏置场,针对核函数设计一种新的自适应尺度参数。在真实图像和人工合成图像上的实验结果表明,该方法在精度、效率和鲁棒性方面有很好的优越性。     

基于口腔图像的分割算法的研究

针对传统分割算法难以解决多目标分割等问题，提出了一种改进的一维Kaput熵多闽值分割算法。该算法依据Kaput熵阈值选择原理，应用图像灰度直方图信息，利用迭代合并和选择方法建立口腔图像中的阈值分割模型，解决了图像分割中阂值的自动获取问题和多阈值并行选择问题，实现了口腔图像中牙齿和病灶的分离。形状准则和一致性准则评价方法证明了该算法在抗噪声方面明显优于自适应阈值方法。获得的分割结果较好地保留了图像的灰度信息和边缘信息，为后续的图像分析和诊断工作提供了保证。     

基于分组卷积和快照集成的图像隐写分析方法

现存的大多数隐写分析方法的泛化能力较弱,无法对未知隐写算法有效检测,使得其分类的准确性在实际运用过程中大幅度降低。针对这个问题,提出了一种基于分组卷积和快照集成的图像隐写分析方法(snapshot ensembling steganalysis network, SENet)。首先,残差卷积块和分组卷积块对图像的特征进行提取并利用;其次,在每个训练周期中得到性能最好的模型作为快照模型;最后将选定的快照模型进行集成后对图像进行分类。该方法应用分组卷积和快照集成的技术,避免了传统集成方法的高训练成本以及单一分类器泛化能力有限的问题。实验结果表明,该方法可以提升隐写分析模型的准确率,并且在训练集和测试集失配时,也能够有效地进行分类,具有较高的模型泛化能力。     

基于水平集方法的数字胸片图像分割

水平集方法能有效地解决曲线演化过程中的拓扑变化问题，基于全局特性的活动轮廓模型采用水平集方法给出的迭代解，能有效进行分割。用这种方法对CR胸片图像进行分割研究，并根据CR图像的特点，给出了只需一次演化的方法：直接针对原图像可以得到肺部大致区域；而针对CR的局部标准偏差图像可以得到肋骨的边缘图像。实验结果表明，该方法能很好地对CR图像进行分割。