结合高斯过程和形变模型的超声图像分割方法

目标区域的先验形状在基于形变模型的超声图像分割方法中扮演着重要的角色。为了提高先验形状模型对目标轮廓形变细节的建模能力,提出了一种基于高斯过程的统计形状模型。目标的形状被表示成一种离散的随机时间序列;利用高斯过程的性质对训练集中的目标形状变化进行统计学习,从而生成目标的先验形状和先验概率。为给形变模型向目标区域的演化提供观测模型,结合超声图像中目标边缘内外灰度变化特征设计了一种径向纹理特征模型。分割的优化被转化为求最大后验概率的过程。基于真实的临床超声图像实验结果显示,与其他方法相比该方法在复杂形变区域和弱边缘区域提供了更准确和鲁棒的结果。     

利用SIFT特征和群体统计信息进行CT前列腺图像分割

提出了一种采用活动形状模型的图像自动分割方法,用于对放疗中CT前列腺图像的自动分割。活动形状模型的关键问题包括形状模型与表面模型的构建,本文利用尺度不变局部特征在前列腺图像边界上的特异性,建立了精确的前列腺表面模型。为了更好地描述特定病人前列腺形状变化,本文提出了在线学习训练机制,在当前病人样本数较少的情况下,采用群体统计信息建立形状模型,随当前病人样本数的增加,逐步增加当前病人样本统计信息在对构建形状模型的权重。本文对24个病人的共264套图像进行了实验,结果显示平均Dice相似性系数为90.5%,平均表面距离为1.90mm,表明本文方法有很高精确,264套图像中只有一套图像的Dice相似性系数小于70%,表明本方法有很好的鲁棒性。     

基于先验形状的混杂活动轮廓模型及其在图像分割中的应用

提出了一种新颖的基于先验形状学习的混杂活动轮廓(SHAC)模型,该模型采用变分水平集方法,融合自适应区域信息与边界信息,运用主成分分析的方法从给定的含有目标物体轮廓的训练集学习得到最佳形状信息,并将其作为先验形状。将自适应区域特征和轮廓特征作为局部信息,先验形状作为全局信息,在迭代过程中结合全局和局部信息实现对演化曲线的形变进行指导和约束,达到分割目标物体的目的。通过定量和定性地分析低对比度的乳腺核磁共振图像中的乳腺轮廓的分割,以及具有复杂背景的自然图像中感兴趣区域的分割结果,验证了SHAC模型比传统活动轮廓模型具有更高的准确率,表明了该模型不仅提高了图像分割中对弱边界的识别度,减弱了非目标轮廓的干扰,而且具有良好的抗噪能力。     

参数自适应的KPCA先验形状约束目标分割

为克服固定先验形状在分割可变形目标时的困难,提出一种基于核主元分析(KPCA)的参数自适应先验形状约束水平集分割方法.首先使用KPCA变换获取目标先验形状特征空间的基底向量;其次用Parzen窗估计待分割图像的灰度分布以构造图像数据能量项;然后使用仿射变换对齐图像感兴趣区域与先验形状,从而将目标形状先验知识集成到分割模型中;最后在基于水平集方法求解演化方程时自适应地估计参数,实现形变目标的分割.实验结果表明,相比于CV (Chan-Vese)模型和单先验形状约束的水平集方法,该模型能够有效地分割不同姿态的目标形状.     

多先验形状的图割分割方法*

为了分割图像中的多个目标,提出多先验形状约束的多目标图割分割方法。首先,使用离散水平集框架的形状距离定义先验形状模型,并将这一模型合并到图割框架的区域项中,同时通过加入多类形状先验扩展形状先验能量。然后,通过自适应调节形状先验项的权重系数,实现自适应控制形状项在能量函数中所占的比重,克服人工选择参数的困难,提高分割效率。最后,为使方法对于形状仿射变换具有不变性,使用尺度不变特征变换和随机抽样一致结合的方法进行对准。实验表明,文中方法能够较好分割图像中的多个目标,且能较好克服图像的噪声污染、目标被遮挡等信息缺失问题。     

用于图像分割的局部区域一致性流形约束MRF模型

针对区域马尔可夫随机场(MRF)模型难以有效描述图像复杂先验知识的问题,提出一种基于局部区域一致性流形约束MRF(LRCMC-MRF)模型.首先,所提模型利用高维数据的低维流形分布表征图像局部区域的复杂几何结构先验,建立图像局部区域的流形先验约束;其次,基于Pairwise MRF模型,建立一种包含更多图像局部信息的局部空间自适应MRF模型;最后,基于贝叶斯理论,将复杂局部区域几何结构先验和局部空间自适应统计特征融合,利用Gibbs采样算法对所提出模型进行优化.实验结果表明,与基于常规区域的MRF模型相比,所提出的分割算法具有较好的分割效果.     

基于统计先验形状的水平集图像分割综述

对于图像分割来说,常常需要结合尽可能多的先验信息来分割感兴趣组织。对基于统计先验形状的水平集图像分割方法进行了综述。该分割模型的特点是能量函数由两部分组成:首先是基于图像的梯度或区域灰度的数据项;第二项是先验形状项,对处理因遮挡、噪声和裂口而导致的信息缺失的图像具有鲁棒性。深入讨论了如何从感兴趣组织的训练集中构建一个压缩的形状表达——隐含形状模型;如何构建既包括使全局形状一致的隐含曲面约束,又保持了水平集捕捉局部形变的能力的基于先验形状的水平集图像分割模型;介绍了形状对齐和一致性等关键问题。最后指出了目前存在的问题和进一步的发展方向。     

先验形状力场参数活动轮廓模型及其医学图像分割

先验形状参数活动轮廓模型是一种抗噪声干扰稳定的图像分割方法．它具有对弱边缘、凹区域进行分割的能力,同时有较大的边缘捕捉范围．通过引入一种非距离性的先验形状力场,构建一种新的能反映先验形状的参数活动轮廓模型．新的先验形状活动轮廓模型避免了曲线之间距离的计算,减少了模型的复杂性．新的方法可以较好地解决传统型参数活动轮廓模型的一些本质缺陷.实验对带噪声且为弱边缘的医学CT图像和超声图像进行分割能得到理想的边缘轮廓.     

结合形状先验的水平集印刷电路板CT图像分割方法

用CT对印刷电路板(PCB)进行无损检测是近年来发展起来的一种新方法.由于PCB中存在大量的金属元器件,在成像时产生较为严重的金属伪影,导致图像灰度不均匀问题较为严重.为此,提出一种结合形状先验的水平集PCB CT图像分割方法.首先根据PCB CT图像中导线具有明显的方向特征对图像进行不同方向的Gabor滤波并对结果加权求和,获得边缘增强的滤波结果,并通过局部化方法对边缘增强的结果消除背景噪声,经过阈值化处理和形态学闭运算后获得图像形状先验;然后用形状概率表示方法来表示形状先验,并将其作为形状约束项,与CV模型能量项、局部能量一起构成能量函数;最后通过对能量函数最小化实现图像分割.实验结果表明,该方法对多目标及严重灰度不均匀的PCB CT图像具有较好的分割结果.     

基于先验形状约束水平集模型的建筑物提取方法

提出了一种先验形状约束的变分水平集模型, 并将其用于单幅遥感图像多建筑物的自动提取中. 将多个先验形状竞争模型引入水平集方法中, 在标记函数的指导下, 利用先验形状能量来约束曲线的演化, 在对图像进行分割的同时完成建筑物的检测和提取. 标记函数的引入, 加强了先验形状与要检测目标之间的匹配关系. 同时本文提出的模型具有先验形状的旋转、缩放和平移不变性. 最后的实验结果及定量定性的分析说明了本文方法的可行性.     

基于边缘信赖度和形状相似性的超声图像分割方案

为了对低信噪比的超声图像进行有效分割,提出了一种新的超声图像分割方案,该方案由各向异性扩散方程和蛇模型组成。首先通过对蛇模型算法进行改进,并利用预先知道的形状信息,提出了一种基于形状相似性的参数自调整蛇模型;同时还对各向异性扩散方程进行了修正,提出了基于边缘信赖度的改进算法,以提高各向异性扩散方程的去噪能力。实验结果表明,该方法不但缓解了由于超声图像信噪比过低而影响分割的问题,同时实现了蛇模型的参数自适应设置,可见是一种有效的图像分割算法。     

Global structure constrained local shape prior estimation for medical image segmentation

Organ shape plays an important role in clinical diagnosis, surgical planning and treatment evaluation. Shape modeling is a critical factor affecting the performance of deformable model based segmentation methods for organ shape extraction. In most existing works, shape modeling is completed in the original shape space, with the presence of outliers. In addition, the specificity of the patient was not taken into account. This paper proposes a novel target-oriented shape prior model to deal with these two problems in a unified framework. The proposed method measures the intrinsic similarity between the target shape and the training shapes on an embedded manifold by manifold learning techniques. With this approach, shapes in the training set can be selected according to their intrinsic similarity to the target image. With more accurate shape guidance, an optimized search is performed by a deformable model to minimize an energy functional for image segmentation, which is efficiently achieved by using dynamic programming. Our method has been validated on 2D prostate localization and 3D prostate segmentation in MRI scans. Compared to other existing methods, our proposed method exhibits better performance in both studies.     

A Coupled Minimization Problem for Medical Image Segmentation with Priors

We present a coupled minimization problem for image segmentation using prior shape and intensity profile. One part of the model minimizes a shape related energy and the energy of geometric active contour with a parameter that balances the influence from these two. The minimizer corresponding to a fixed parameter in this minimization gives a segmentation and an alignment between the segmentation and prior shape. The second part of this model optimizes the selection of the parameter by maximizing the mutual information of image geometry between the prior and the aligned novel image over all the alignments corresponding to different parameters in the first part. By this coupling the segmentation arrives at higher image gradient, forms a shape similar to the prior, and captures the prior intensity profile. We also propose using mutual information of image geometry to generate intensity model from a set of training images. Experimental results on cardiac ultrasound images are presented. These results indicate that the proposed model provides close agreement with expert traced borders, and the parameter determined in this model for one image can be used for images with similar properties.     

显著性驱动的局部相似拟合模型分割算法研究

灰度不均匀和噪声图像的分割是计算机视觉中的难点。现有的活动轮廓模型尽管能够取得较好的分割效果,但仍然对噪声图像分割效果不理想,初始轮廓曲线的选取敏感,优化易陷入局部极小导致演化速度慢等问题。针对该问题,首先使用局部区域灰度的均值和方差拟合高斯分布,构建新的能量泛函,均值和方差随着能量的最小化过程而变化,从而增强了灰度不均匀和噪声图像的分割能力。此外,结合视觉显著性检测算法获取待分割目标的先验形状信息,并自适应地创建水平集函数,从而降低了初始轮廓位置敏感性及计算时间复杂度,实现全自动的图像分割。实验结果证明,提出的算法可以用于灰度不均匀和噪声图像分割,并取得了较好的分割性能,消除了算法对初始轮廓位置敏感性,减少了迭代次数。     

基于混合高斯模型MRF场的CT图像分割

提出了一种基于混合高斯模型的马尔可夫随机场CT图像分割方法.此方法根据工业CT图像的特点,建立混合高斯逼近的图像灰度统计模型;用混合高斯模型作为Markov随机场的先验模型,提出混合高斯Markov随机场分割模型.实验表明,该方法较单高斯模型有很大的改善,对工业CT图像分割效果好.     

基于多节点拓扑重叠测度高阶MRF模型的图像分割

针对低阶马尔科夫随机场(Markov random field, MRF)模型难以有效表达自然图像中复杂的先验知识而造成误分割问题, 提出一种基于多节点拓扑重叠测度高阶MRF模型(Higher-order MRF model with multi-node topological overlap measure, MTOM-HMRF)的图像分割方法. 首先, 为描述图像局部区域内多像素蕴含的复杂空间拓扑结构信息, 利用多节点拓扑重叠测度建立图像局部区域的高阶先验模型; 其次, 利用较大的局部区域包含更多的标签节点信息能力, 基于Pairwise MRF模型建立基于局部区域的部分二阶Potts先验模型, 提高分割模型的抗噪能力; 再次, 为有效描述观察图像场与其标签场的似然特征分布, 研究利用局部区域内邻接像素的Hamming距离引入图像局部空间相关性, 建立局部空间一致性约束的高斯混合分布; 最后, 基于MRF框架建立用于图像分割的多节点拓扑重叠测度高阶MRF模型, 采用Gibbs采样算法对提出模型进行优化. 实验结果表明, 提出模型不仅能有效抵抗图像强噪声和复杂的纹理突变干扰, 鲁棒性更好, 而且具有更准确的图像分割结果.     

Statistical Model of Shape Moments with Active Contour Evolution for Shape Detection and Segmentation

This paper describes a novel method for shape representation and robust image segmentation. The proposed method combines two well known methodologies, namely, statistical shape models and active contours implemented in level set framework. The shape detection is achieved by maximizing a posterior function that consists of a prior shape probability model and image likelihood function conditioned on shapes. The statistical shape model is built as a result of a learning process based on nonparametric probability estimation in a PCA reduced feature space formed by the Legendre moments of training silhouette images. A greedy strategy is applied to optimize the proposed cost function by iteratively evolving an implicit active contour in the image space and subsequent constrained optimization of the evolved shape in the reduced shape feature space. Experimental results presented in the paper demonstrate that the proposed method, contrary to many other active contour segmentation methods, is highly resilient to severe random and structural noise that could be present in the data.     

基于多尺度局部特征的图像分割模型

为了解决图像分割中灰度不均匀和初始轮廓敏感的问题,提出一种基于多尺度局部特征的图像分割模型.与传统局部邻域定义在方形区域不同,该模型采用圆形区域来获取更多的局部信息;考虑到局部区域灰度的变化程度不一,提出利用多尺度结构与均值滤波器相结合的方法获得多尺度局部灰度信息;通过转换灰度不均匀模型得到一个逼近真实信息的图像,并将其融合进局部高斯分布拟合(LGDF)模型,构造出基于多尺度局部特征的能量泛函.从理论分析和实验结果表明:由于多尺度结构弱化了灰度不均匀的影响,该模型既能快速、准确地分割灰度不均匀图像,又表现出对初始轮廓具有较强的鲁棒性.     

Image segmentation method based on improved fuzzy Chan-Vese model

Medical image segmentation is a hot topic in the field medical image processing. The segmentation methods based on level set and the ones based on fuzzy set are currently very popular in the field of medical image segmentation. But these methods do not balance between global and local features of the image. This paper combines the advantages of these two methods, proposes a fuzzy Chan-Vese model, which introduces fuzzy clustering into Chan-Vese model. This model extends the regional energy part of Chan-Vese model to regional energy based on fuzzy clustering, meanwhile adds fuzzy cluster objects as the constraint of the model, so it can take account of global and local features of the image. In the medical image segmentation experiments, this paper uses OTSU method to execute initial segmentation for getting the initial segmentation curve, and then uses fuzzy Chan-Vese model to realize image segmentation. Experimental results show that, with the help of prior knowledge of segmentation prototypes of medical images, the proposed method has achieved very good segmentation results.