扩展的Chan-Vese模型在噪声图像分割中的应用

针对带噪声图像分割结果不理想的现象,提出一种对带不同类型噪声的图像都能进行有效分割的变分模型。首先扩展了Chan-Vese(CV)模型的能量泛函,然后在数值求解过程中,引入一个辅助变量与水平集方法相结合,采用高效和无条件稳定的MOS算法,提高精度和计算效率。对带一定强度噪声的图像进行地分割实验,并与CV变分模型的分割结果进行比较。结果表明,该新变分模型较好地克服了噪声干扰的影响,对带噪图像的分割是有效的,迭代次数少,速度快且提高了目标分割的准确性。     

Bregman全散度水平集图像分割方法

由于图像来源的广泛性和成像条件的复杂性,使得图像分割是一个极具挑战性的问题。针对传统活动轮廓模型不适用于噪声、弱边缘图像分割的问题,提出基于Bregman全散度的全局优化分割方法。首先用Bregman全散度替换传统模型中的◢l◣▼2▽测度,构造能量泛函;然后构造全局最优解求解方法,交替迭代求解最优解,得到最终的目标边界;最后在模拟图像、医学图像和自然图像场景下进行实验对比。对比实验结果表明,该分割方法具有较高的鲁棒性和抗噪能力,能准确地分割出具有噪声、弱边缘的目标区域。     

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%。     

高斯混合模型改进的活动轮廓模型MRI分割

引入高斯混合模型逼近图像的直方图概率,利用遗传算法的全局优化特性求解高斯混合模型的参数,以提高参数精度;由此构造新的活动轮廓模型约束项.在新的约束项作用下,活动轮廓模型可以有效地减少噪声的影响,防止从弱边界泄漏.对左心室核磁共振图像的分割实验表明,该模型具有较好的分割效果.     

一种新的几何活动轮廓模型在图像分割中的应用

针对传统几何活动轮廓模型不能准确分割图像内弱边界区域目标以及对噪声的干扰容易使曲线陷入局部极值的情况,提出了一种基于区域梯度流力的几何活动轮廓模型.由于该区域力是对图像进行区域分割后产生的,所以能够从全局的角度为模型提供区域内目标的边界信息,进而达到分割弱边界的目的.通过引入一个扩散方程可以扩大区域力的捕捉范围,达到消除噪声干扰的目的.实验证明,该模型较好地解决了传统活动轮廓模型分割图像目标存在的问题.     

超声图像分割的曲线长度约束的图模型方法

针对超声图像分辨率低、组织和器官间的对比度低,图像具有弱边界并且包含严重的斑点噪声,导致分割非常困难的问题,结合超声图像自身的特点,提出一种适合超声图像的交互式图割的分割方法.首先用各项异性的扩散方法去除斑点噪声;然后构造能量泛函,在能量模型中增加曲线长度的约束,建立源点、汇点和图像的像素点之间的关联,定义泛函模型的数据项和规整化项;最后给出能量泛函能用图割最小化的证明,详细推导了能量泛函模型的求解,根据能量模型的特点构建相应的s-t图,并给出了图割方法步骤.实验结果表明,该方法能够精确、快速地分割出图像中的目标,解决了图割模型容易出现小区域和曲线不光滑的问题,分割效果优于传统的图模型.     

基于变分水平集的图像模糊聚类分割

结合变分水平集方法和模糊聚类,提出了一个基于变分水平集的图像聚类分割模型.该模型引入了一个基于图像局部信息的外部模糊聚类能量和一个新的关于零水平集的正则化能量,使得该模型对噪声图像的聚类分割更具鲁棒性.通过在能量泛函中加入一个内部约束能量约束水平集函数为符号距离函数,可以使水平集演化过程无需重新初始化.进一步提出了一种变分形式的聚类中心更新方法,实现了半监督的图像聚类分割.实验中采用不同类型的图像与FCM聚类模型、CV模型、Samson模型进行了对比实验,实验结果显示,该模型能够克服图像中噪声的影响,取得较满意的聚类分割效果.     

一种具有去噪能力的全局最小值分割模型

几何主动轮廓模型的能量泛函是非凸性的,导致图像分割结果依赖于曲线的初始化条件,对噪声敏感。针对该问题,提出一种全局最小值分割模型,对能量泛函进行凸性非约束改进,利用基于总变分对偶公式的快速数值化算法实现图像的分割。对合成图像和医学图像的分割结果表明,利用该模型可以准确提取出对象的边界,分割速度快,对噪声具有较好的鲁棒性。     

去除阶梯效应和震荡提取的分片变分分解模型

为了去除在变分图像分解中TV模型结构部分出现的阶梯现象和精确地提取震荡部分,提出一个分片变分分解模型.该模型将图像的支撑集聚类为2个不同性质的区域,在平滑区域采用固定边界的Mumford-Shah模型进行分解,以去除平滑区域内的阶梯现象;再在过渡区域采用(BV,G)分解,以此来精确地提取图像的震荡部分;然后对模型存在非平凡解的条件进行了讨论;最后采用梯度下降和有限差分对模型进行交替迭代求解.理论分析和与TV模型的对比实验结果表明,文中模型能很好地去除结构分量中的阶梯现象,并且能精确地提取图像的噪声和纹理.     

基于水平集的新型彩色图像分割算法

由于考虑的泛函变分形式是非凸性质,向量值图像分割模型的计算结果经常会陷入局部最小值。基于活动轮廓的向量值图像的全局图像分割方法,以新型变分形式将向量值图像分割和图像去噪融入具有全局极小能力泛函框架中。新模型具有容易构造和较少计算量的特点,对比经典的水平集方法,可以避免繁琐的距离重复化水平集过程。通过对人工图像和真实图像进行分析,验证新方法具有更好的图像分割效果。