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。     

融合形状先验的向量CV模型图像分割算法

Chan等人提出的向量CV模型尽管解决了传统CV模型无法分割向量值图像的问题,但是向量CV模型对于含有噪声或遮挡物等复杂的图像,无法正确分割目标。针对此问题提出一种融合形状先验向量CV模型。其能量泛函主要包含形状先验项、图像区域信息项以及距离正则项。此能量函数使得主动轮廓和形状先验位置相近时停止演化。该模型所用形状模板可以与目标形状仿射不同,使得算法更加灵活。该模型对含噪以及目标遮挡的图像具有很好的分割效果。     

基于KFCM与改进CV模型的Split Bregman图像分割方法

针对基于梯度变化的水平集图像分割方法对噪声敏感、计算效率不高、分割结果依赖初始值等问题,提出了一种基于KFCM与改进CV模型的Split Bregman图像分割方法。该算法首先通过核模糊C均值的聚类方法确定出感兴趣区域作为分割初始值,然后采用Split Bregman方法来提高CV模型的迭代计算时间效率。实验结果表明,所提算法不仅保持了CV模型图像分割算法的优势,而且在抗噪性能和分割效率方面有明显效果。     

一种提花织物图像的有限元分割算法

提花织物图像分割是提花图案设计的关键,曲线演化模型是一种流行的图像分割方法,但是该方法无法检测含噪环境下的图像特征.由于Mumford-Shah(MS)模型能够在噪声环境下对不连续边集进行检测,因此它比曲线演化模型更适于对含噪提花织物图像的分割.提出一种结合有限元法和拟牛顿法的MS模型数值求解算法,并有效用于含噪提花织物图像的分割.首先定义了自适应三角剖分空间上的离散MS模型,并在每次迭代前对有限元网格进行自适应调整,以提高迭代的性能.接着采用拟牛顿最小化方法,通过收敛意义上的离散有限元逼近得到离散MS模型的最小值.该算法被用到含噪提花织物图像的分割中,取得了良好的效果.     

扩展无边活动轮廓模型

灰度变化对图像分割是至关重要的。然而,一个著名的基于区域的活动轮廓模型——无边活动轮廓模型（通常称CV模型）完全忽略了这种灰度变化。提出了一个扩展CV模型（ECV）,它利用了图像的灰度变化信息。实验表明：（1）ECV模型能分割CV模型不适用的某些类型的图像;（2）ECV模型也能分割CV模型适用的图像,且对噪声的鲁棒性强于CV模型。     

一种基于 ROEWA 算子改进的 CV 模型用于乳腺超 声图像分割

基于区域的几何活动轮廓(Chan-Vese,CV)模型是乳腺超声图像中常用的一种分割算法.但传统的CV模型不能满足乳腺超声图像分割精度高、速度快的要求.因此,文章提出了一种基于指数加权平均比率(Ratio of Exponential Weighted Averages,ROEWA)算子改进的CV模型,用于乳腺超声图像中病灶区域的分割.首先,计算乳腺超声图像的ROEWA算子.其次,基于图像的ROEWA算子构建边缘指示函数,用于代替CV模型中的Dirac项.最后,去除平滑项,从而提高曲线演化的速度.实验结果表明,文章提出的算法不仅能提高分割的精度,而且能显著提高分割的速度.     

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。     

基于全散度的变分CV模型及其分割算法

CV模型在图像灰度不均匀或有噪声干扰时,易出现错分现象,因此将全散度引入变分CV模型,提出了基于全散度的变分CV模型及其迭代分割算法.分析基于欧氏距离所对应的变分CV模型分割算法存在的问题和不足,通过图示说明全散度相对于欧氏距离在距离计算与坐标系选择无关的优势,将其引入变分CV模型拟合偏差项,来提高图像灰度值与分割区域平均灰度偏差计算的鲁棒性.然后,采用欧拉-拉格朗日变分法获得全散度变分CV模型的偏微分方程,并采用数值计算方法获得该偏微分方程的迭代求解算法.同时在全散度变分CV模型中,增大拟合偏差项的权重系数,加大拟合偏差项在变分模型中的重要性.实验结果表明,全散度变分CV模型具有初始化敏感低、抗噪性强、鲁棒性高等优点.     

改进的公路破损路面图像分割CV模型

针对传统Chan-Vese(CV)模型对公路路面破损图像分割的局限性,将图像梯度信息引入CV模型,利用路面破损区域纹理与背景的不同,对图像进行分割。引入梯度阈值,将图像的灰度信息和纹理信息相结合,从而使分割方法更具灵活性。实验结果表明,改进的CV模型比传统CV模型具有更好的分割效果。     

改进的多目标图像的水平集分割模型

Guo等人利用n个水平集方程构造n个区域提出一种改进的CV模型（简称MCV模型）,该模型需要的迭代次数很少,提高了图像分割的效率,但其分割结果受初始曲线位置的影响较大,极易陷入局部最优,无法分割复杂图像,且利用传统的Heviside函数无法得到准确的均值信息,因此无法保证数值的稳定性。本文对MCV模型进行改进,先对图像进行预分割得到初始曲线以提高分割效率且能保证分割结果全局最优,构造新的符号函数取代传统的Heviside函数改进MCV模型以保证数值稳定性。对MR图像进行的分割实验表明,其在保证迭代次数较少的同时分割更加准确。