一种基于AOS格式的多相水平集快速分割方法

采用迎风格式的水平集算法实现需要在曲线演化过程中重新初始化水平集函数的要求,为保证算法的稳定,时间步长选取较小值,算法运行速度较慢。文中基于无须重新初始化的水平集方法,在算法数值实现中引入AOS半隐格式,对基于不同统计模型的水平集分割算法给出统一的数值实现。以二相水平集分割算法为基础提出一种新的多相水平集分割方法。该方法采用一个水平集函数进行多次演化实现多区域分割,其优点包括：1)采用AOS半隐格式,该格式无条件稳定,可采用较大的时间步长;2)对多个统计模型进行统一处理;3)采用单一的水平集函数进行演化,减少水平集演化方程的数量,算法更加灵活。实验结果表明,该方法具有较快的分割速度,对具有多个区域的图像能够进行较准确的分割。     

基于Chan-Vese模型与形态学的医学图像分割算法

针对传统的多相Chan-Vese模型在进行多区域分割时容易产生空相位的问题,提出了一种改进的新的医学图像分割算法;该算法结合Chan-Vese模型、数学形态学、复合多相水平集分割算法,通过迭代腐蚀操作提取医学图像的轮廓,利用添加了复合多相水平集算法的Chan-Vese模型对医学图像进行分割,通过迭代膨胀操作复原图像;实验结果和分析表明,采用该算法很好地解决了医学图像分割过程中容易出现的多区域分割问题,减少了空相位的产生,而且对图像边缘有很好的分割效果。     

多速度函数水平集算法及在医学分割中的应用

以往的水平集算法都只有一个单一的速度函数,在零水平集的演化过程中,能量函数最小化是一个很复杂的过程,而单一的速度函数存在很多问题.在此基础上,根据不同分割区域属性的异同,提出了一种具有多个速度函数的多水平集分割算法:以不同的待分割区域构造多个不同的水平集函数,相应地构造多个不同的速度函数.多个零水平集同时演化,相互作用,以达到分割的目的.该方法不但提高了分割的精度,而且能够很好地解决单一速度函数水平集算法难以处理的边界缺口问题.将此算法应用于医学MRI和CT的图像分割,得到了很好的分割结果.     

融合显著性分析与图割的姿态无关服装区域分割算法

提出了一种针对多姿态人的服装区域分割算法,通过融合显著性分析和图割方法有效地提高了服装区域分割的性能.首先,提出一种基于滑动窗口的视觉显著性区域分析方法,计算前景?背景种子区域初始定位,实现种子区域定位的姿态无关性;然后,通过基于图的分割方法对初始种子区域进行矫正;最后,通过将种子区域作为输入的迭代图割方法——GrabCut获得服装区域分割.实验结果表明,文中算法具有较好的分割性能,具有应用前景.     

基于水平集的医学图像分割改进算法

医学影像分割是图像分割中的难点,具有重要的应用价值。针对医学影像的特点和图像分割算法的性能差异,提出了一种水平集医学图像分割改进算法。首先通过曲线演化仿真,得出水平集算法核心-速度函数;其次选定速度函数实现对图像的粗略分割,将灰度值较大的区域设置成灰度值较小的值,通过仿真演化准确找到图像中目标区域;最后利用选定的速度函数通过初始算法,经过一定次数的迭代操作后实现了医学影像的准确分割。实验结果表明:该算法可以精确地找到肿瘤所在区域,具有较好的分割性能和一定的鲁棒性。
     

BEMD-分层水平集侧扫声纳图像快速分割算法

针对侧扫声纳图像不同区域的像素分布特点,提出了一种改进的BEMD(二维经验模态分解)-分层水平集分割算法。介绍了CV(Chan和Vese)水平集模型和分层水平集模型,利用分层水平集模型进行三类分割。为了提高分割精度,利用BEMD重新描述模型的能量函数。通过BEMD的加权参数,在不影响分割精度的前提下提高模型的抗噪性能。分析了c-均值算法与水平集算法的联系,利用改进的c-均值算法初始化水平集演化曲线,以减少迭代次数。对水平集能量函数添加惩罚项,以提高水平集演化速度。利用改进的BEMD-分层水平集分割算法进行无监督的图像分割实验并与其他算法比较,验证了该算法的抗噪性、分割的准确性和快速性。     

模糊C 均值聚类与多相水平集图割优化相结合的图像分割

针对在分割多个目标时多相水平集模型对初始轮廓曲线敏感且计算量大的问题, 提出采用模糊C 均值聚类算法将图像进行粗分割,初始化多相水平集函数,使用图割算法分割 出多相结果的方法。该方法能有效减小多相水平集算法对初始轮廓曲线的敏感性,使图割算法 在分割图像时更容易分割出理想的目标轮廓;同时,采用图割算法可使水平集函数很快收敛到 能量最小值,有效减少计算量,提高计算效率。实验表明该方法具有较好地分割效果和较高地 分割效率。     

基于区域信息的水平集模型

水平集模型在对具有细长拓扑结构和弱边界的核磁共振图像分割时得不到真实解,针对这一问题,提出一种新的基于区域信息的水平集分割模型.首先运用形态学方法预估计初始背景,采用差分算法提取最终背景,原始图像与背景图像作减法得到含有待分割目标的图像,定义一个新的相似度以及基于相似度信息的水平集速度函数取代传统水平集的速度函数.结果表明这种方法具有很好的分割效果.     

基于交叉熵及曲线进化的图像分割算法

该文提出一种新的图像分割算法,从目标和背景区域的差异性出发,利用信息论中的交叉熵作为衡量标准,构造能量函数,通过最小化能量即可得到分割结果。在最小化能量函数时,运用最陡梯度下降法导出曲线进化方程,然后考虑噪声的影响提出了改进模型,并用水平集方法来表示此曲线进化方程,利用快速水平集方法来进行数值求解。最后的仿真结果证明了本文算法的有效性。     

基于贝塞尔滤波的水平集正则化图像分割方法

针对水平集函数在演化过程中的初始化敏感和数值稳定性问题,提出了一种新的基于贝塞尔滤波的正则化方法,并将其嵌入到经典的可变区域拟合(Region-Scalable Fitting,RSF)模型中,从而构成新的能量模型。首先,利用K均值算法进行自动初始化,再加以修正生成标准的初始水平集函数,以解决RSF模型对初始化敏感的问题;其次,利用RSF模型自身优点对图像进行迭代分割,同时在迭代过程中利用提出的方法对水平集函数进行正则化处理,保持迭代过程中的稳定性;最后,实现精确的分割效果。实验结果表明,提出的正则化方法有效地保持了水平集函数的稳定性。将新的模型与多种基于区域的模型进行对比,仿真实验表明,提出的方法具有较高的算法效率与分割精度。     

基于Generalized Region Loss的代价函数及在图像分割中的应用

针对图像分割中的困难样本,提出了一种对像素区域细分计算的Generalized Region Loss的新的代价函数;首先通过引入一项参数,改变了以往代价函数主要通过设置权重或Focal等关注困难样本的方法,其次通过对标签图像和预测图像进行区域划分,并且对划分四区域的困难样本分类关注,最后分别计算其四区域绝对损失,进而进行加权组合;为验证算法性能,使用CamVid数据集作为实验数据,该代价函数在FCN和U-Net两种图像分割网络上得到验证,同当前图像分割领域常用的12种代价函相比,IoU指标分别提高1.93%和2.99%,由此证明此代价函数优于大多数图像分割代价函数;最终实验结果表明,提出的基于像素区域细分计算的代价函数能够有效提高图像分割精度,为图像分割的研究提供借鉴。     

A variational framework for multiregion pairwise-similarity-based image segmentation

Variational cost functions that are based on pairwise similarity between pixels can be minimized within level set framework resulting in a binary image segmentation. In this paper we extend such cost functions and address multi-region image segmentation problem by employing a multi-phase level set framework. For multi-modal images cost functions become more complicated and relatively difficult to minimize. We extend our previous work, proposed for background/foreground separation, to the segmentation of images in more than two regions. We also demonstrate an efficient implementation of the curve evolution, which reduces the computational time significantly. Finally, we validate the proposed method on the Berkeley Segmentation Data Set by comparing its performance with other segmentation techniques.     

基于多层水平集函数的三维多相图像分割

多相图像分割通常利用多个水平集函数分别定义不同区域的特征函数,其极值求解问题需要对多个函数分别求极值,计算效率较低。针对三维多相图像,提出一种改进的变分水平集模型,采用一个多层水平集函数的n层水平集隐式曲面,将图像划分为n个区域,通过对一个水平集函数求极值,实现三维多相分段常值图像的快速分割与重建。将能量泛函表达为数据项和规则项,借助规则化Heaviside函数设计区域划分的通用特征函数,采用Split-Bregman投影方法进行能量最小化求解。实验结果表明,该模型可以有效地实现三维多相图像分割,与Chan-Vese模型相比,其迭代步数较少,分割速度较快。     

基于粗糙集和新能量公式的水平集图像分割

为了提高水平集图像分割的质量和减少水平集迭代次数,本文提出了新的能量公式和水平集函数.在粗糙集数据离散化基础上引入了针对图像数据的离散化方法,根据图像离散区域的信息对新能量函数进行直接加权并且对核函数进行间接加权,使用加权的核映射函数将原始离散图像数据映射到高维空间,从而使得该模型可以处理多种类型的图像甚至是一定信噪比的噪声图像.新的能量公式联合由它导出的区域参数能够更好地表达同质区域的灰度信息,从而能够更精确地分割图像.与传统水平集图像分割不同,在迭代过程中新的水平集函数中的水平集元素可以拥有不同的步长,步长越大水平集元素的更新速度越快并且水平集函数能够快速达到收敛状态,实现快速图像分割.人工合成图像和真实图像的分割实验表明本文方法可以获得更好的分割效果.     

三维图像多相分割的变分水平集方法

变分水平集方法是图像分割等领域出现的新的建模方法,借助多个水平集函数可有效地实现图像多相分割.但在区域/相的通用表达、不同区域内图像模型的表达、通用的能量函的设计、高维图像分割中的拓展研究等方面仍是图像处理的变分方法、水平集方法、偏微分方程方法等研究的热点问题.文中以三维图像为研究对象,系统地建立了一种新的三维图像多相分割的变分水平集方法.该方法用n-1个水平集函数划分n个区域,并基于Heaviside函数设汁出区域划分的通用的特征函数;其能量泛函包括通用的区域模型、边缘检测模型和水平集函数为符号距离函数的约束项3部分;最后,针对所得到的曲面演化方程,采用半隐式差分格式进行离散,并对多种类型三维图像进行分割验证了所提出模型的通用性和有效性.     

一种隐式曲面多相图像分割的变分水平集模型

隐式曲面上的图像处理,与曲面的性状和特征息息相关,运用多个函数标记不同区域来进行图像分割计算量大。针对上述问题首先借助遥感图像提出了一种隐式曲面构建方式,利用图像中的高程数据来构建山体曲面模型,进而计算山体区域的曲面面积。其次将基于一个水平集函数的多相图像分割的模型推广到隐式曲面上,并设计了相应的交替方向乘子法,通过求解一个函数的极值实现对图像多个区域的分割,最后多个数值实验对该方法和模型的高效性和鲁棒性进行了验证。     

A fast level set method for segmentation of low contrast noisy biomedical images

This paper presents a new fast front propagation algorithm for image segmentation. To approximate the partial differential equation (PDE) in level set algorithm, instead of moving the front in a small constant time step, the point with a minimum arrival time will be touched in one iteration. Only in a neighbourhood of this point, should the level set function be updated. Like the previously proposed level set methods, it is a robust method for image segmentation with capabilities to handle topological changes, significant protrusions and narrow regions. It is faster than the narrow band algorithm and more robust than the monotonically advancing scheme in image segmentation. The effectiveness and the capabilities of the algorithm were verified by simulated and real experiments.     

Fast level set image and video segmentation using new evolution indicator operators

We propose an effective level set evolution method for robust object segmentation in real images. We construct an effective region indicator and an multiscale edge indicator, and use these two indicators to adaptively guide the evolution of the level set function. The multiscale edge indicator is defined in the gradient domain of the multiscale feature-preserving filtered image. The region indicator is built on the similarity map between image pixels and user specified interest regions, where the similarity map is computed using Gaussian Mixture Models (GMM). Then we combine these two methods to develop a new mixing edge stop function, which makes the level set method more robust to initial active contour setting, and forces the level set to evolve adaptively based on the image content. Furthermore, we apply an acceleration approach to speed up our evolution process, which yields real time segmentation performance. Finally, we extend the proposed approach to video segmentation for achieving effective target tracking results. As the results show, our approach is effective for image and video segmentation and works well to accurately detect the complex object boundaries in real-time.     

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。