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。     

基于形状保持的CV变分水平集矩形目标分割EI北大核心CSCD

目标在被局部遮挡、与背景灰度信息相似以及纹理比较明显等情况下,传统CV模型无法进行准确分割.为此,将模型中活动轮廓曲线的水平集函数用先验形状的水平集函数来代替,使得曲线在演化过程中始终保持某一类特定形状,从而实现了目标分割过程中的形状保持.根据形状保持的CV变分水平集分割模型建立适用于矩形目标分割的能量函数模型,推导出一组Euler-Lagrange常微分方程;通过水平集函数的不断迭代演化最终实现了矩形目标的分割;最后演化得到的水平集函数是对矩形目标的定量描述.3组实验结果证明,该模型能够解决复杂情况下的矩形目标分割问题,且具有计算量小、鲁棒性强的优点.     

基于圆形约束C-V水平集的肺部CT图像病灶分割

针对肺部CT图像中圆形病灶区域的分割问题,对Chan-Vese水平集图像分割方法进行了分析和改进,提出了基于圆形约束的C-V水平集模型,进而提出了基于圆形约束水平集的肺部图像病灶分割算法,解决了图像中大小不同的多圆检测问题。对合成图像和实际临床肺部CT图像进行了分割实验,结果表明,该方法可以较好地分割出图像中的多个圆形区域,算法具有较好的抗噪性,实现速度较快,有利于实现肺部CT图像肺结节自动检测。     

基于HSI空间彩色差的快速水平集分割方法*

为提高分割速度、改善分割效果,从两方面进行改进:首先对传统的快速水平集分割进行改进,得到基于CV模型的快速水平集;其次,通过引入HSI空间中的彩色差概念,建立一种新的、尤其适合彩色图像的快速水平集分割方法。实验表明,新提出的基于HSI彩色差的快速水平集分割方法,对彩色图像具有良好的分割效果。与传统水平集分割相比,新方法在分割性能和运算时间两方面均有明显提高。     

基于先验形状信息的水平集图像分割

针对现有水平集方法对于具有强噪声或弱边界的目标进行分割时存在的问题,提出了一种基于形状先验的图像分割方法.该模型采用变分水平集方法,融合了区域特征和边界轮廓特征,并通过相似性匹配选择最佳先验形状.该模型不仅对具有强噪声和弱边界的复杂图像具有较好的分割效果,而且有效地解决了曲线演化的初始轮廓的确定问题.与传统方法进行对比实验,结果表明,该方法具有较好的分割效果和较高的准确率.     

结合水平集方法和形状约束Snake模型的左心室MRI图像分割

提出结合水平集方法和形状约束Snake模型的左心室MRI图像分割算法.由于左心室存在弱边缘、与周围的组织之间存在低对比度区域,Snake模型分割左心室MRI图像时,将会出现变形曲线泄漏现象.通过对训练图像的配准、变化模式的分析,定义左心室的边界形状变化允许空间.根据心脏MRI图像的特点,使用水平集方法在平均形状周围构造形状约束能量场.在Snake模型中增加形状约束能量项后,能够有效处理变形曲线的泄漏问题.通过将演化曲线投影到形状允许空间,对其施加形状约束.心脏MRI图像的分割实验证明了模型的有效性.     

变分水平集分割方法

针对三维图像多相分割问题,提出一种变分水平集分割方法。由变分方法和梯度坡降方法得到能量泛函取极小值的水平集函数演化方程,与基于区域模型的参数估计构成一个交替迭代过程。仿真结果表明,该方法简单高效,能快速实现三维图像的轮廓分割与重建,真实反映采集序列断层图像的信息,具有较好的应用价值。     

变分水平集分割方法

针对三维图像多相分割问题,提出一种变分水平集分割方法。由变分方法和梯度坡降方法得到能量泛函取极小值的水平集函数演化方程,与基于区域模型的参数估计构成一个交替迭代过程。仿真结果表明,该方法简单高效,能快速实现三维图像的轮廓分割与重建,真实反映采集序列断层图像的信息,具有较好的应用价值。     

结合形状统计的水平集图像分割

给出了一种结合先验形状统计信息的Mumford-Shah模型的水平集实现方法。结合形状统计的水平集图像分割主要包括先验形状模型的构造和形状能量项的构造,针对这两个主要方面做了如下两点工作：（1）提出了一种简单可行的先验形状模型构造方法;（2）重新构造了形状能量项,它综合考虑了全局和局部形状信息,且不含形状姿态参量,使曲面演化稳定可靠。带标记线左心室核磁共振（MR）长轴图像的实验结果和合成图像的分割结果证明了该方法的有效性。     

一种基于边缘与区域信息的先验水平集图像分割方法

传统的水平集图像分割方法仅考虑了图像的数据信息,因此对被遮盖的目标以及与背景灰度相近的目标无法达到理想的分割效果.针对这个问题,提出了一种基于边缘和区域信息的先验水平集图像分割方法.该方法首先将图像的区域信息融入基于边缘的水平集方法,然后将其与形状先验结合.对比实验表明该文方法由于综合考虑了多种信息,能够更好地完成被遮盖目标的分割,对于与背景灰度相近的目标也能达到更好的效果.     

区域信息和水平集方法的图像分割

随着图像处理技术不断发展,图像分割技术也在不断的走向成熟,但是目前比较成熟的分割方法都存在一定的局限性,传统的分割方法一般都难以实现全局分割,而且对目标边缘比较模糊的物体难以实现有效的精确的分割;基于区域信息和水平集方法的图像分割算法弥补了这些缺陷,该算法是在传统的动态轮廓GAC模型和C_V模型的基础上进行改善;通过实验分析,首先,该算法极大提高了图像分割的精确性,使得轮廓线能够在要分割目标的边缘附近停止演化,即使目标的边缘是模糊不清的图像,该算法也能实现精确地分割;其次,该算法还克服了传统动态轮廓分割算     

复杂背景下基于level set模型的头部分割算法

在办公室环境下,往往出现头部因遮挡、光照变化难以分割的情况。针对此类问题,提出基于level set模型的头部分割鲁棒算法。用符号距离函数建立头部level set模型,将头部level set模型与待分割图像符号距离函数的差异项添加到Chan Vese分割方程中,建立新的Euler Lagrange方程。新的Euler Lagrange方程中符号距离函数进化终止,即为头部的分割结果。将提出的分割算法和Chan Vese分割算法用于两人遮挡、加高斯噪声、光照变化三种办公室背景情况下的分割,结果表明提出的分割算法对于以上三种背景情况下的头部分割是鲁棒的。     

基于Chan-Vese水平集的梯度加速分割模型

为了提高图像分割的速度和精度,提出了一种新的基于Chan-Vese水平集模型(C-V模型)的梯度加速分割模型.首先,在C-V模型的能量函数中加入一个内部能量项,抵消演化过程中水平集函数和符号距离函数的偏差,从而消除分割中周期性重新初始化的过程;其次,提出了梯度加速项,通过感兴趣区域的图像特征,快速得到该区域的边界,且能够提高弱边界的分割精度.实验证明,提出的方法不仅能够加速特定区域的分割、提高分割精度,还能保持分割过程的稳定性.     

基于核模糊聚类的变分水平集医学图像分割方法

针对现有无须重新初始化的变分水平集分割模型, 存在对边缘模糊、对比度差等图像不是很敏感、分割效果不理想的问题, 提出了一种基于核模糊聚类的变分水平集医学图像分割方法。将原始图像进行核模糊C-均值聚类, 把得到的聚类结果带入初始化水平集函数得到初始轮廓, 最后利用李模型的分割方法实现最终的图像分割。实验结果表明, 该方法具有良好的分割质量, 适应性强, 同时可减少迭代次数。     

一种结合图割与双水平集的图像分割方法

针对水平集方法在图像分割中需要多次迭代,且计算量大的问题,提出一种基于图割与双水平集的图像分割方法。首先在目标边界内外部各设置一条初始轮廓线和一个阈值,通过双水平集方法对轮廓线进行演化。当轮廓线的能量变化率小于给定阈值时,终止水平集演化。将得到的两条轮廓线化为源点和汇点,通过图割方法得到最终目标边界。该方法有效减少了水平集迭代次数,提高了分割效率,而且给出了一种终止水平集迭代的方式。实验表明该方法具有较好的分割效果和较高的分割效率。     

基于水平集方法的软组织图像序列分割

医学图像分割是医学图像处理中的关键问题之一.图像序列的分割操作是医学图像三维重建的必要准备,而软组织图像分割则是医学图像分割中的一大难点.基于曲线演化理论的,借助偏微分方程等数学工具的水平集方法已经被广泛应用于医学图像分割领域.介绍了水平集方法的数学模型,并设计了一种基于窄带水平集方法的,专门针对软组织图像分割的算法.用边界追踪等方法提取第一层图片中的软组织相关轮廓;将它们作为初始水平集曲线,再利用窄带水平集方法进行演化;经过两个阶段的迭代处理,最终自动分割出整个软组织图像序列.实验表明该算法具有较高效率、分割结果精确,所产生的分割结果可以作为三维重建的合适的数据集.     

基于水平集的并行融合图像分割

针对复杂背景和多目标空中运动物体的定位和跟踪问题,研究了基于小波变换阈值去噪方法、数学形态学去噪方法与水平集方法结合的图像分割方法,提出了基于小波变换阈值去噪与水平集结合方法以及基于小波变换阈值去噪、数学形态学去噪与水平集结合方法的并行融合图像分割方法,对运动目标进行边缘检测。实验结果说明,基于小波变换、数学形态学与水平集方法结合的并行融合图像分割方法能够有效地提取目标物体的轮廓,抑制背景噪声。     

基于声纳图像的水平集分割算法研究

针对现有的图像分割方法无法准确地分割声纳图像的问题,提出了一种改进的水平集声纳图像分割方法。介绍了LBF能量模型,借鉴其无重初始化的水平集演化思想。为克服声纳图像中复杂背景带来的负面效应,利用形态学顶帽—底帽变换对声纳图像进行预处理,并在此基础上进行无需初始化的水平集分割。进行仿真对比实验,实验结果显示:与LBF能量模型相比,改进的水平集分割方法更加适应于背景不均匀的声纳图像分割。     

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Chan Vese水平集的梯度加速分割模型*

为了提高图像分割的速度和精度,提出了一种新的基于ChanVese水平集模型(CV模型)的梯度加速分割模型。首先,在CV模型的能量函数中加入一个内部能量项,抵消演化过程中水平集函数和符号距离函数的偏差,从而消除分割中周期性重新初始化的过程;其次,提出了梯度加速项,通过感兴趣区域的图像特征,快速得到该区域的边界,且能够提高弱边界的分割精度。实验证明,提出的方法不仅能够加速特定区域的分割、提高分割精度,还能保持分割过程的稳定性。