结合小波变换的边缘活动轮廓模型

在基于边缘的活动轮廓模型中,边缘停止函数的选择是十分重要的。传统的边缘停止函数依赖于图像高斯平滑后的梯度模,这容易导致模型分割速度慢,无法准确分割被噪声严重污染或背景复杂的图像。结合小波变换,提出一个新的边缘停止函数。实验表明,基于该函数的边缘模型可以有效地解决上述问题,而且可以应用于多目标的选择性分割。     

活动轮廓模型基于结构张量的边缘停止函数

所有边缘活动轮廓模型都依赖边缘停止函数,该函数通常是高斯平滑图像的梯度模的单减函数。梯度能够刻画图像的局部边缘特征,但忽略了边缘的“分叉点”、“角点”等重要信息,这导致了边缘定位不准甚至产生错误的分割。基于图像结构张量的一个局部相干性度量,提出一个新边缘停止函数。实验结果表明,基于这个边缘停止函数,活动轮廓模型能够精确定位目标边缘,同时大大减少了迭代次数并具有较强抗噪性。     

结合自适应变化停止函数的边缘活动轮廓模型*

在基于边缘的活动轮廓模型中,边缘停止函数的选择将直接影响模型的分割效果。传统的边缘停止函数仅仅是基于梯度模型建立的一个单调递减的正函数,基于这种边缘停止函数的活动轮廓模型存在两个缺点:一是对噪声比较敏感;二是对灰度不均图像分割不准确。为此,提出一个自适应变化边缘停止函数。实验表明,使用该边缘停止函数构造的边缘活动轮廓模型能够较好地克服上述不足。     

分数阶微分的边缘活动轮廓模型

边缘停止函数在边缘活动轮廓模型中是十分重要的,它通常是由图像的整数阶梯度定义的。这种整数阶边缘停止函数有两个缺点：一是对噪声敏感,不能较好地分割噪声图像;二是在分割弱边缘图像时容易产生边缘泄漏。针对这个问题,提出一个基于分数阶微分的边缘停止函数。实验表明,使用新的边缘停止函数的活动轮廓模型对噪声图像和弱边缘图像具有较好的分割效果。     

基于各向异性主动轮廓模型的图像分割方法研究

摘 要：分割的作用是将数字图像分割为多个简单区域,并根据区域中图像的某种特征提取和分离出的目标区域,便于图像识别与理解分析。主动轮廓模型(snake)是一条可变形的参数曲线及相应的能量函数,广泛应用于医学领域的图像分割。主动轮廓模型是以最小化能量函数为目标,控制参数曲线变形,最后具有最小能量的闭合曲线就是所需分离的目标轮廓。在采用主动轮廓模型进行分割之前,通常都采用高斯滤波器对图像进行滤波,在对图像进行平滑的同时,也会使边缘模糊化,从而影响分割效果。本文将各向异性滤波和主动轮廓模型结合起来,充分利用各向异性滤波在平滑图像的同时能保持边缘的特点,在利用主动轮廓模型进行分割之前使用各向异性滤波代替传统的高斯滤波对图像进行预处理。实验结果表明：与传统方法相比,在主动轮廓模型的预处理阶段,采用本文所提出的算法平滑噪声图像,提高了后续图像分割的准确性。     

红外图像活动轮廓分割算法

红外图像通常存在边缘模糊、对比度低、背景复杂等特点,传统的活动轮廓模型难以达到理想的分割效果。针对这种情况,提出了一种能够用于红外图像分割的边缘活动轮廓模型。该模型采用了结合图像局部熵信息定义的边缘停止函数,同时提出了一种针对红外图像的自动选取初始轮廓的方法,进一步提高了算法的效率。实验结果表明,采用该模型能够有效分割红外图像。     

高斯混合函数区域匹配引导的Level Set纹理图像分割

基于高斯混合模型颜色匹配及多尺度图像增强,文中提出了有效的边缘停止函数用于引导level set函数演化,有效地解决了纹理图像的分割问题.文中首先提出基于高斯混合模型颜色分布的边缘停止函数,通过计算level set演化窄带区域与用户给定交互区域的相似性,根据其相似性来引导level set快速演化;然后,提出一个定义在多尺度图像梯度上的边缘停止甬数,使得level set能精确地分割出图像的边缘;最后,结合以上两种边缘停止函数的优点,提出一个边缘停止函数的混合模型,根据图像颜色、边缘特征自适应地引导level set函数演化.实验结果表明,文中提出的算法不仅能有效地检测出纹理目标区域,同时需要计算出纹理区域精确、光滑的边界.     

基于贝塞尔滤波改进的测地活动轮廓图像分割模型

活动轮廓模型广泛应用于图像分割和目标轮廓提取,基于边缘的测地活动轮廓（GAC）模型在提取边缘明显的物体时得到广泛的应用,但GAC演化过程中,迭代次数较多,耗时较长。针对这一问题,结合贝塞尔滤波理论,对GAC模型改进。首先,利用贝塞尔滤波对图像进行平滑处理,降低噪声;其次,基于贝塞尔滤波的边缘检测函数,构建新的边缘停止项,且并入到GAC模型中;最后,在构造的模型中同时加入反应扩散（RD）项以避免水平集重新初始化。实验结果表明,与多个基于边缘的模型相比,所提模型在保证分割结果精确度的同时,提高了时间效率,更适用于实际应用。     

基于改进测地线模型的医学图像分割

提出了一种由测地线活动轮廓模型GAC（Geodesic Active Contour）和局部区域信息相结合的图像分割新方法LGAC（Local Geodesic Active Contour）。构造了基于图像局部信息的演化曲线符号压力函数和演化模型,用水平集方法演化实现,零水平集能准确地在目标边缘收敛,对目标背景对比度较低的图像的分割达到理想效果。利用高斯核函数对水平集函数平滑处理以维持演化稳定,节省了计算时间。实验结果证明了该方法的可行性。     

一种新的结合图像梯度的局部活动轮廓模型

基于区域的局部二值拟合模型只考虑图像灰度的平均值统计信息,然而由于图像中的噪声改变了图像的灰度分布,该类方法对于包含大量噪声的图像往往很难获得理想的效果。为了提高模型对于噪声的鲁棒性,提出了一种结合图像统计信息和梯度信息的局部活动轮廓模型。该模型在图像灰度的统计信息的基础上,加入图像梯度信息,分别构造以高斯函数为核函数的局部二值灰度拟合能量和局部二值梯度拟合能量,得到最终的能量泛函,并通过最小化该能量函数,驱使活动轮廓向目标边缘演化。实验结果表明,基于图像灰度和梯度的局部活动轮廓模型能够有效克服图像中弱边缘以及强噪声对于分割结果的影响,其分割精度高于同类方法。     

基于符号压力函数的几何活动轮廓模型

针对几何活动轮廓(GAC)模型的诸多缺点,提出一种基于符号压力(SPF)函数的活动轮廓模型。采用一种基于区域统计信息的符号压力函数作为边界指示,能够提高演化曲线在运动过程中对模糊边界的识别能力和抗噪能力。相对于传统几何活动轮廓模型,所提模型具有如下特点：一是能够有效分割边界模糊的目标;二是更具抗噪能力;三是轮廓线运动具有双向性。实验结果表明了所提模型的有效性。     

改进符号压力函数的区域活动轮廓模型

利用具有图像增强能力的局部区域信息,定义一种新的符号压力函数(SPF)。用该SPF函数取代GAC模型中的边界停止函数,对GAC模型进行改进,提出一种新的区域活动轮廓模型,从而解决了非同质或弱边界图像的分割问题。继续采用Selective Binary and Gaussian Filtering水平集方法,避免水平集函数的重新初始化,简化新模型。真实图像和合成图像的实验结果表明,新模型与LBF模型具有相同的分割效果,但在计算效率上远优于LBF模型。新模型不仅能够分割非同质或弱边界图像,且具有亚像素分割精确性、抗噪性、局部全局选择分割性等性质。     

基于LBF方法的测地线活动轮廓模型

经典的测地线活动轮廓模型分割含有弱边界的目标时,难以得到真实边界。为解决这一问题,文中将结合局部二元拟合(LBF)方法和测地线活动轮廓模型的优点,提出一种基于LBF方法的测地线活动轮廓模型。首先,将LBF方法的能量泛函进行归一化处理,取代测地线活动轮廓模型的边缘停止函数。其次,构建梯度下降流,促使轮廓曲线运动到目标边界上。最后,对5组含有弱边界的图像进行仿真实验。实验结果表明,文中模型能准确分割含有弱边界的目标,具有抗噪性,同时对初始曲线的位置不敏感,优于其它常见改进的测地线活动轮廓模型。     

A scalable region-based level set method using adaptive bilateral filter for noisy image segmentation

Image segmentation plays an important role in the computer vision . However, it is extremely challenging due to low resolution, high noise and blurry boundaries. Recently, region-based models have been widely used to segment such images. The existing models often utilized Gaussian filtering to filter images, which caused the loss of edge gradient information. Accordingly, in this paper, a novel local region model based on adaptive bilateral filter is presented for segmenting noisy images. Specifically, we firstly construct a range-based adaptive bilateral filter, in which an image can well be preserved edge structures as well as resisted noise. Secondly, we present a data-driven energy model, which utilizes local information of regions centered at each pixel of image to approximate intensities inside and outside of the circular contour. The estimation approach has improved the accuracy of noisy image segmentation. Thirdly, under the premise of keeping the image original shape, a regularization function is used to accelerate the convergence speed and smoothen the segmentation contour. Experimental results of both synthetic and real images demonstrate that the proposed model is more efficient and robust to noise than the state-of-art region-based models.

     

基于高斯混合模型的活动轮廓模型脑MRI分割

传统的活动轮廓模型用于图像分割往往基于目标的边界信息,在图像含有强噪音或目标具有弱边界时很难得到真实解.引入高斯混合模型构造新的约束项,在新的约束项作用下模型可以减少噪音的影响,并防止从弱边界泄漏.高斯混合模型求解通常使用Expectation-maximization(EM)算法,该算法是局部优化算法,且对初值敏感.因此引入粒子群算法,并提出一种改进的算法,利用该算法的全局优化性求解高斯混合模型的参数,以提高参数精度.对脑核磁共振图像(MRI)分割实验表明该模型具有较好的分割效果.