一种全局优化的水平集图像分割方法

该文对Chan—Vese提出的水平集图像分割算法进行了改进，提出了分段光滑的Mumford—Shah全局优化的水平集图像分割模型，并对偏微分方程进行了修正，以提高模型的图像分割能力。实验表明，该方法不但解决了C—V方法对于灰度值渐进图像无法正确分割的问题，同时可更精确地描述原图像，是一种高效、稳定的图像分割模型。另外，针对水平集方法中符号距离函数构造计算量大的问题，还提出一种全邻域源点扫描法，以便通过对图像平面网格点的扫描来实现距离函数的快速计算，这种方法不仅计算性能稳定，而且速度快、精度高。     

图像分割中分段光滑Mumford-Shah模型的水平集算法

图像分割和轮廓提取在计算机视觉和模式识别中具有重要意义，基于主动轮廓模型的图像分割和轮廓提取是目前研究热点，分析了Mumford—Shah模型的主动轮廓新的视觉机制；并推导了简化的分段光滑水平集模型,通过构造具有柔性距离函数，对迭代步骤中水平集函数重新初始化，结合本质上无振荡格式(ENO scheme)和预测校正格式，提出了一种新的有限差分算法，该算法不但能提取多个具有不同凹凸拓扑结构和灰度差异物体的轮廓，而且能保持分割后物体的灰度特性。最后给出了若干算例，算例表明，该水平集算法具有数值稳定性，不会出现振荡现象。     

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。     

基于改进能量泛函模型的噪声图像分割算法

针对噪声图像的分割难,分割不准确,以及现有模型无法适应多种噪声环境的问题,提出了一种基于改进的能量泛函模型的噪声图像分割算法,该算法结合各向异性扩散方程和灰度水平集算法,通过对能量泛函的改进实现对噪声图像的准确、快速分割。将非凸泛函引入能量泛函模型,并通过证明不存在全局最小值,利用获得的能量泛函模型得到光滑的目标图像边界。将各向异性扩散模型得到的光滑图像与水平集模型相结合,得到改进的能量泛函模型。通过求解在能量泛函的最小值,得到前景目标的水平集演化的最佳位置。该算法与同类模型的对比实验表明该模型对噪声图像具有较高的分割精度和鲁棒性。     

基于水平集逐层迭代算法的多层Mumford-Shah图像分割、去噪与重建模型

针对能够同时进行图像分割、去噪与重建目的的Mumford-Shah能量泛涵最小值图像模型求解非常困难这一问题,提出了"多层Mumford-Shah图像分割、去噪与重建模型"和求解该多层模型最小值的"水平集逐层迭代算法".该多层模型是Mumford-Shah"最小分割问题"的"多层"模型.实验结果表明,该方法不仅能够同时进行具有T型图像边缘或更复杂拓扑结构图像边缘的图像分割、去噪与重建,而且比Tsai A.等人提出的多层求解轮廓和Chan T.等人提出的多相水平集方法更简单更有效.     

基于图像区域信息与边界的分割方法研究

图像分割是图像研究中的关键步骤,其对相关工程技术领域有着重要的作用。由于图片具有一定的区域信息和边界信息,我们讨论了图像的区域分裂合并算法和边界跟踪算法。并提出了一种结合边缘与区域信息的变分水平集分割方法,通过对DRLSE(距离正则化水平集)模型的能量函数进行改进,引进了CV模型的外部能量项,实验结果表明,新模型继承了两种提取方法的优势,能够正确、快速、鲁棒的分割出目标区域。     

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。     

结合局部熵能量泛函与非凸正则项的图像分割

为了克服灰度不均匀对图像分割的影响，结合CV模型的全局能量项和LBF模型的局部能量项，引入图像局部熵信息和非凸正则项，构造新的能量泛函，提出了结合局部熵的局部能量泛函与非凸正则项的图像分割算法。该算法首先采用CV模型中的全局能量泛函得到图像的大致演化轮廓；通过构建具有局部熵信息的局部能量泛函，实现对图像的精确分割。然后，利用非凸正则项作为图像演化过程中零水平集逼近目标的又一驱动力驱动曲线演化和边缘保护。该算法利用变分水平集方法将这一新构建的能量泛函进行最小化，通过迭代更新水平集函数，完成曲线演化。最后，对比实验表明，所提出的算法可以高效、准确地分割灰度不均匀图像。     

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。     

一种基于区域竞争的水平集快速图像分割算法

从曲线演化的角度提出一种基于Bayesian区域统计和区域竞争的自适应变分图像分割模型,该模型使用水平集描述曲线和区域,得到基于Bayesian区域统计信息的能量函数,利用区域竞争曲线演化模型推导出一种快速曲线演化偏微分方程,实现了图像分割。该方法可以同时提取出多类目标,算法具有快速、分割精度高的特点,且易于综合纹理,形状等多种信息对模型进行扩充。此外,能量函数和曲线演化方程是相对独立的,对于不同类型的图像可选用不同的概率模型。实验表明,所提方法是一种快速、有效、新颖的图像分割方法。     

一种整合单通道各向异性扩散信息的水平集图像分割方法*

在对Chan-Vese提出的基于简化Mumford-Shah模型(C-V模型)改进的基础上,针对彩色图像、多光谱图像等多通道图像,提出了一种多通道C-V模型水平集图像分割方法.首先将多通道图像分解到各单通道,使用一种新的各向异性扩散方法对各通道进行平滑滤波,然后使用能够整合各通道各向异性扩散信息的多通道C-V模型进行分割.普通彩色图像与多光谱图像数据的实验结果表明,该方法分割质量明显优于传统的C-V模型分割.     

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。     

C-V活动轮廓模型的一个注记

Chan-Vese提出的“无边活动轮廓”模型（C-V模型）是一个著名的基于区域的图像分割模型,它是基于Mumford-Shah泛函和二值PC函数（目标区域取一个值,背景区域取另一个值）解决图像分割问题的。在C-V模型中,定义能量泛函的面积项的系数被要求为非负值,这个要求限制了模型适用的范围。实验研究表明：面积项系数取负值时,C-V模型能够分割某些原来不适用的图像。     

基于窄带M-S模型的猪序列切片图像的交互式分割

提出了一种基于窄带M-S模型的图像交互式分割方法,解决了简化M-S的C-V方法针对图像全局,迭代速度慢和不能直接利用窄带法的问题;通过交互标记点和样条插值在目标附近建立初始曲线,以此曲线作为零水平集曲线,建立窄带,克服了窄带法局部求解的不足;实验表明,该方法大大提高了分割速度和精度,将此方法用于猪序列切片图像的分割,取得了较好的效果.     

改进C-V模型的木材缺陷彩色图像分割研究

分析了木材节子缺陷图像的特点,将彩色图像作为一个整体的图像进行处理,保护了彩色图像信息的特性,提出了一种基于AOS的扩展C-V矢量模型及背景填充耦合的木材节子缺陷彩色图像分割算法。对Chan-Vese提出的基于Mumford-Shah模型的水平集矢量图像分割模型进行了改进,使分割速度得到了提高;用AOS算法改进了原模型的差分格式,使得差分格式无条件稳定;结合背景填充技术,使得到的新图像缩减了目标与背景间的特征差别。实验结果表明该方法可以较好地实现对木材死节、活节和虫眼等缺陷的彩色图像分割,也可实现对单板多节子缺陷彩色图像的分割,为木材缺陷边缘检测提供一种行之有效的方法。     

基于PCLSM的M-S模型的视乳头杯盘分割

基于分段常数水平集方法的M—S模型能解决二值M—S模型及其相应的C—V模型不适合包含多个目标（或多相）的图像分割的问题。采用该方法研究青光眼视乳头图像杯盘分割难题,并在此基础上进行杯盘重建。实验表明,该方法能够正确分割不同青光眼病人的视乳头图像。与多层分割方法相比,该方法能同时获得视杯和视盘的形态。     

LCV模型在医学图像分割中的应用

针对C-V模型不能充分利用图像局部区域灰度变化信息从而导致难以准确分割灰度不均物体等缺陷,提出一种基于局部区域的C-V(LCV)模型。利用计算局部窗函数内的加权灰度均值来取代全局均值,并加入约束水平集函数为符号距离函数的能量项,从而避免水平集函数的重新初始化。对医学图像的分割结果证明LCV模型在分割灰度不均物体方面优于C-V模型,其分割效率高于LBF模型。     

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。     

一种提花织物图像的有限元分割算法

提花织物图像分割是提花图案设计的关键,曲线演化模型是一种流行的图像分割方法,但是该方法无法检测含噪环境下的图像特征.由于Mumford-Shah(MS)模型能够在噪声环境下对不连续边集进行检测,因此它比曲线演化模型更适于对含噪提花织物图像的分割.提出一种结合有限元法和拟牛顿法的MS模型数值求解算法,并有效用于含噪提花织物图像的分割.首先定义了自适应三角剖分空间上的离散MS模型,并在每次迭代前对有限元网格进行自适应调整,以提高迭代的性能.接着采用拟牛顿最小化方法,通过收敛意义上的离散有限元逼近得到离散MS模型的最小值.该算法被用到含噪提花织物图像的分割中,取得了良好的效果.     

基于简化Mumford-Shah模型的导航基准图适配区分割方法

基于景象匹配的飞行器导航数字基准地图中需要划分匹配稳定的区域,以提高导航系 统航迹的可靠性.该文首先讨论了描述基准图局部区域匹配稳定性的局部匹配稳健度量指标, 据此定义了适配区的概念.常规的基于相关函数局部匹配稳健度量需要大量的计算时间,难以 实用化.为此,文中采用了三种可快速计算的匹配稳健度量指标:相关主峰曲率、可跟踪度及特 征密度,以及相应的快速算法.同时,引入了一种基于简化Mumford-Shah模型的水平集算法进 行适配区划分,通过演化由模型推导出的偏微分方程,就能得到适配区和非适配区的最优划分. 最后对实际的导航基准图的适配区划分试验表明,该文的适配区分割方法不仅计算速度优于基 于相关函数的方法,而且可以获得合理的适配区分布.