数字式射线图像缺陷检测的C-V方法

数字式射线图像（DR图像）缺陷检测主要是进行缺陷区域的分割和测量,分割精度将直接影响到测量精度。C-V模型是一种新的基于曲线演化理论和水平集方法的图像分割模型,它结合区域信息使得分割结果全局最优,可以很自然地处理轮廓线拓扑结构的变化。针对工件DR图像特点,研究了一种DR图像缺陷检测的C-V方法：首先应用C-V模型进行DR图像缺陷区域的分割,在此基础上,完成缺陷区域几何参数的测量。实验表明,C-V方法能准确地分割出DR图像中的缺陷区域,并获得缺陷形心和面积等参数。     

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.     

一种改进的快速C-V水平集红外图像分割

当红外图像中包含较强噪声时,C-V模型水平集分割方法会产生大量冗余轮廓;同时,C-V水平集采用偏微分方程(PDE)实现,存在计算量大、分割速度慢的缺点.为此,本文提出了改进的快速算法,该算法保留了C-V模型的全局优化特性,并通过窗口滤波整合图像邻域空间信息来构建曲线进化的外部速度,从而提高C-V模型的抗噪性并减少分割中产生的冗余轮廓;采用基于双链表的快速水平集算法来实现曲线的演化,去除了传统算法中的重新初始化和PDE求解的过程,减少了迭代步数,提高了分割的速度.实验结果表明,本文算法对边缘模糊、噪声较大的红外图像能实现快速而有效的分割.     

基于图像层的双水平集图像分割

传统C-V模型可以将待分割图像分割成目标和背景两区域,但无法实现对多目标图像的分割.多相C-V模型能够对多目标图像进行分割,但需要多次迭代,计算量较大.为了解决上述问题,提出一种基于图像层的双水平集分割算法,该算法通过引入背景填充技术来改变图像背景,从而形成新的图像层,双水平集不断地在新的图像层中进行分割,直到所有目标被分割.这样通过双水平集就可以实现对多目标图像的分割.实验结果表明:该算法能够实现多目标分割,且迭代次数较少,同时具有较强的抗干扰能力和较快的收敛速度.     

基于Mumford-Shah模型的快速水平集图像分割方法

该文对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法做了两方面的改进:首先改进了C-V方法的偏微分方程,使得C-V方法可以快速计算出全局最优分割;其次,采用源点映射扫描方法来快速计算符号距离函数,克服了常规水平集方法中构造符号距离函数计算量大的缺点,并结合该文所提出的基于快速步进法生成符号表的方法,进一步提高了计算稳定性.两方面的改进提高了计算的速度和分割效果,试验统计结果显示,对于512×512的大幅图像,一般只需要10次左右的迭代就可以得到最优的分割效果.对合成图像、生物医学图像的分割结果表明了本文方法的稳健、快速.     

Mean Shift图像分割算法的并行化

图像分割作为高性能并行计算的一个主要应用领域,其算法本身的时间复杂度和实时性需求要求不断改进计算机硬件技术和并行处理的算法。Mean Shift算法是图像分割领域一个比较经典的算法,在图像分割过程中,不需要任何先验知识,是一种无监督的分割过程,在图像分割的具体实现中应用广泛。利用TBB（Threading Building Block）工具和CUDA（Compute Unified Device Architecture）对Mean Shift算法进行多核和GPU(Graphic Processing Unit )并行化改造。文中首先分析出Mean Shift分割过程中最耗时的部分Mean Shift聚类,之后利用TBB和CUDA对Mean Shift聚类进行了并行化改造,并对两种并行方法进行了对比分析。实验结果表明,两种并行方法都取得了较好的加速效果,加速比都随着图像增大和带宽参数的增加而增大,基于TBB的加速比稳定趋于核数。     

基于参数化全散度的C-V模型阈值分割方法

针对传统C-V模型收敛速度慢且不完全适合灰度不均匀图像分割的问题,提出基于参数化全散度的C-V模型及其相应的快速阈值分割算法。将全散度引入传统C-V模型并获得一种改进的区域活动轮廓模型,然后,采用水平集和变分法相结合得到该模型所对应的偏微分方程,并通过数值求解该方程获得适合图像分割的快速迭代算法。实验结果表明,该方法分割效果及收敛速度明显提高,且具有较高的鲁棒性和抗噪性。     

医学DR图像分割处理过程仿真分析

研究医学DR图像准确分割方法.人体组织的分布特征很难运用准确的数学模型进行描述,由于厚度不均匀,在进行CT图像采集的过程中,图像细节信息会被噪声等不利因素埋没,边缘变得不清晰,对比度降低.传统分割算法主要针对像素的某一个具体特征做出判断,在有噪的环境下,像素提纯受到干扰,很难对非可控信息进行模型控制,导致对医学DR图像的分割效果不好.为了避免上述缺陷,提出了一种人工鱼群算法的医学DR图像分割处理方法.通过对采集的DR图像进行增强处理,提高DR图像的对比度,利用SUSAN算子去除干扰信号,准确计算初始病变区域边界,对边界像素运用人工鱼群方法寻求.实验结果表明,利用改进算法能够有效提高医学DR图像分割的准确性,有利于临床医疗诊断.     

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.     

基于C-V模型的眼底图像交互式杯盘分割

针对眼底图像视杯和视盘水平集分割中C-V模型自适应能力不强等问题,提出一种基于C-V模型的视盘和视杯交互式水平集分割算法。该方法通过交互方式给定不同的视盘初始轮廓和C-V模型参数,对眼底图像的杯盘进行精确地分割。实验结果表明,该方法可克服噪声污染、光照不均匀、对比度低等特点对眼底图像分割的影响,对彩色眼底图像中的视杯和视盘进行精确分割。     

改进的C-V水平集模型图像分割算法

复杂的计算限制了基于Chan-Vese（C-V）水平集模型的图像分割方法的应用。为提高图像分割的速度,提出一种基于C-V水平集模型的改进水平集方法。在一般情况下,只需要几次简单迭代就能分割出物体的轮廓。实验表明,该方法简单高效,能够快速有效地实现图像轮廓分割。     

工业CT图像自适应三维裂纹面分割*

在图像分割方法中,CV模型可以得到较好的分割结果,但是模型的收敛速度慢.在三维CV模型检测工件裂纹面的过程中,由于三维CT图像数据量比较庞大且三维CV模型本身分割速度慢,使得检测时间比较长.对于这一问题,研究了一种自适应预处理算法.该算法先对体数据进行三个方向投影,再对投影图利用迭代求最佳阈值的阈值分割方法和自适应矩形框来定位缺陷的大致区域.该方法能够自动适应裂纹面形状变化,同时大幅度减少了需要三维CV模型分割的数据量,可以非常明显地提高分割的速度.实验结果表明利用该预处理算法,三维CV模型的分割裂纹面的速度提高了近8倍.     

基于梯度的混合Mumford-Shah模型医学图像分割

针对C-V法的水平集图像分割法缺少局部控制能力等问题，将基于边缘的几何主动轮廓线模型和基于区域的C-V法两者结合起来，提出了基于梯度的混合Mumford-Shah图像分割模型HMSG。给出了HMSG模型的参数设置准则，在分割的初期加大模型中全局特征项的权值，在分割的后期则加大局部特征项的权值，以提高模型的图像分割能力。对合成图像与医学图像的分割实验结果表明，该方法优于C-V方法对于含有噪声和边缘模糊的非二值图像的分割，能够较为准确地提取图像边界，可以有效提高图像分割整体性能。     

基于先验知识水平集方法的草莓图像分割

在实际应用中,当目标本身含有一些固有的颜色纹理特征时,可将这些特征作为一种先验信息,这样可以大大提高分割的准确性.为此,本文提出了一种基于先验信息的改进水平集图像分割方法.首先,利用传统的C-V模型能量项的构造思想构建了基于颜色信息的局部能量项,该项是用于处理彩色图像;然后将颜色分量引入到传统的结构张量中构建出新的扩展型结构张量,该项是用于处理纹理信息;最后,将上述新构造的能量项以及Li模型约束项引入到传统C-V模型中得到新的水平集模型.鉴于草莓果实所具有的颜色信息和纹理信息,本文将上述改进水平集方法应用到农业自动化应用中草莓果实分割中.对实验室环境与草莓生长环境下的草莓图像进行分别实验,结果显示该方法能够不仅能够分割出草莓果实且能够很好地处理草莓表面的纹理信息.另还与OTSU算法、传统C-V模型、改进C-V模型对草莓图像作对比实验,结果表明本文算法均比上述三种算法具有更好的分割效果.     

C-V模型在红外视频火灾图像分割中的应用

针对大空间中红外视频火灾图像边缘模糊,不易准确分割问题,研究了一种基于背景差分和C-V模型的分割方法。通过背景差分得到运动图像;利用形态学处理得到完整的运动区域,并获得其外接矩形;以外接矩形作为C-V模型的初始轮廓曲线进行分割,得到封闭、完整的运动目标轮廓。该算法避免了对整幅图像分割,减少了运算量。通过实验仿真并与阈值分割算法比较,证明了该算法的准确性和有效性,有利于下一步火灾特征提取与识别。     

具有多指标柔性能量的Mumford Shah模型图像分割

针对Chan和Vese提出的基于Mumford Shah泛函的水平集图像分割算法，做了两方面的改进：首先,构造了具有柔性的演化曲线内外能量取代C V模型中的刚性能量，减少了C V模型求解时的数值不稳定和过度分割等现象；其次，综合图像的多方面特征，提出多指标集能量项构造方法，提升了C V模型的分割能力和精度。综合两方面的工作，提出带多指标柔性能量的C V模型。新模型能有效处理图像受严重噪音污染、目标内部有灰度起伏等情况。对人工合成图像、医学图像和真实世界图像的分割实验均表明了新模型的良好性能，并且算法收敛速度快、数值稳定。     

GACV: Geodesic-Aided C-V method

A novel algorithm for image segmentation is proposed. The proposed method incorporates geodesic curves and C-V method to raise active contours’ performance on image segmentation. Moreover, we extend our method to color images. By practical experiments, it is verified that our model obtains better results than original methods, especially with respect to images within holes, complex background, weak edges, and noise.     

基于C-V模型和MRF的脑部MRI分割

为准确分割脑部磁共振图像(MRI)的灰质、白质和背景,提出一种基于C-V模型和马尔可夫随机场的全自动分割方法。采用C-V模型与形态学相结合的方法对脑MRI进行预处理,去除多余脑组织,获得待分割图像。引入灰度场局部熵的思想对惩罚因子进行估计,利用马尔可夫随机场模型建模实现脑灰白质的分割,并运用形态学方法获得最终分割结果。对96幅IBSR图像和46幅临床图像进行实验,结果表明,该方法能够实现脑部MRI灰白质的全自动分割,且具有较好的分割精度和较快的处理速度。