基于图割和改进的变分水平集的图像分割方法

文章在图割理论的基础上,引入了一种新的方法将图割理论和改进的变分水平集模型结合起来,先利用图割理论对目标形成一个初始轮廓,并在得到的轮廓线上定义能量函数,通过能量函数的最小化,从而使得到的轮廓线最终收敛到目标边界,这样在保证分割精度的同时大大简化了计算量.     

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。     

Optimal Level Curves and Global Minimizers of Cost Functionals in Image Segmentation

We propose a variational framework for determining global minimizers of rough energy functionals used in image segmentation. Segmentation is achieved by minimizing an energy model, which is comprised of two parts: the first part is the interaction between the observed data and the model, the second is a regularity term. The optimal boundaries are the curves that globally minimize the energy functional. Our motivation comes from the observation that energy functionals are traditionally complex, for which it is usually difficult to precise global minimizers corresponding to best segmentations. Therefore, we focus on basic energy models, which global minimizers can be characterized. None of the proposed segmentation models captures all the important scene variables but may be useful to get an insight into objects, surfaces or parts of objects in the scene. In this paper, we prove that the set of curves that minimizes the cost functionals is a subset of level lines, i.e. the boundaries of level sets of the image. For the completeness of the paper, we present a fast algorithm for computing partitions with connected components. It leads to a sound initialization-free algorithm without any hidden parameter to be tuned. We illustrate the performance of our algorithm with several examples on both 2D biomedical and aerial images, and synthetic images.     

Fisher准则和正则化水平集方法分割噪声图像

随着活动轮廓模型的不断成熟和发展,模型的抗噪能力又成为重要的研究课题.为了精确地分割图像的同时去除图像的噪声,针对噪声图像用非负稳健函数作为边缘保持函数,从而保证图像在去噪的过程中边缘和纹理信息不被模糊.首先创造性地将分类器中的Fisher准则函数引入到图像分割中,从分类的角度对C-V模型给出了Fisher解释.把Fisher准则作为分割的标准来建立一个基于区域和边缘相结合的同时完成去噪和分割变分水平集分割模型.其次详细讨论了该模型的数值求解方法.最后实验验证了用Fisher值来衡量分割标准的理论的正确性和可靠性以及模型中正则项约束在去噪过程中的边缘保持功能.通过3组实验检验了提出的模型对噪声图像的去噪和分割比聚类算法、松弛迭代算法、Mean Shift算法有更好的效果.     

基于变分水平集的图像分割模型

基于传统的变分水平集方法的图像分割,水平集函数必须周期性地重新初始化使之保持为符号距离函数,这存在如何选择重新初始化的时间和方式的难题.Li模型通过在能量泛函中引入一个内部约束能量,去除了水平集函数在演化过程中需重新初始化的难题.通过对Li模型的分析,提出了一个新的变分水平集的分割模型.该模型通过在能量泛函中加入一个较简单的内部约束能量,同样可以实现水平集演化过程中的无需重新初始化.并且通过对边缘停止函数的重新定义,引入了新的外部能量,使得本文模型对噪声图像的分割更具鲁棒性.实验表明无论是在收敛速度上,还是在对噪声图像的分割质量上,本文模型和Li模型相比都具有一定的优势.     

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。     

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。     

基于水平集接力的图像自动分割方法

为了实现图像的完全分割,基于无须重新初始化的水平集方法提出了一种接力水平集方法.该方法在待分割图像中自动交替地创建嵌套子区域和相应的初始水平集函数,使水平集函数在其中演化并收敛,然后重复这个过程直到子区域面积为0.与原始算法及经典的基于区域的水平集方法相比,该方法具有如下优点:1) 自动完成,无须交互式的初始化;2) 多次分割图像,能够比原始算法检测到更多的边缘;3) 对于非匀质的图像,能够取得比经典的基于区域的水平集方法更好的分割效果;4) 提供一个开放的分割算法框架,其他单水平集方法稍作修改后也可替换这里所使用的单水平集方法.实验结果表明,此算法对人造图像和医学影像实现了无须交互的完全分割,对非匀质图像分割表现出更好的鲁棒性.     

一个新的基于分段常数水平集方法的多相位图像分割模型

在Mum ford-Shah模型和Yoon Mo Jung等提出的分割模型的基础上,利用分段常数水平集方法,提出了一个新的多相位分割模型。新模型输出一个多相位的分布图象,并可以容易地提取每个单独的相位,有一定的抗噪音能力。利用最速下降算法求解总变差最小化问题。引进了一个函数确定模型中的参数值,加速了算法的收敛速度。数值试验表明新模型有很好的分割效果且能准确地处理含T-交汇的图象。     

一种基于水平集的图像分割新方法

首先从理论上分析了无需重新初始化的水平集方法的主动轮廓图像分割模型,该模型对一些具有不光滑的尖角的图像分割时,捕捉这些尖角往往不精确甚至失败。然后通过修正边缘检测函数,则能准确地捕捉到物体的尖角,保证了分割的准确性。实验证明了该方法的可行性。     

LATE水平集图像分割模型的矩形窄带法

窄带法是水平集图像分割的一种常见的加速方法.传统窄带仍然存在冗余的计算区域;传统窄带法与LATE （Local Approximation of Taylor Expansion）水平集模型结合时,图像分割效率反而可能下降.针对这些问题,本文提出了一种基于LATE水平集图像分割模型的矩形窄带法.在每次LATE水平集迭代之前,对水平集做如下窄带处理.首先找出水平集的所有过零点;然后对过零点做活动约束,剔除不活动的过零点,有效缩小窄带范围;再对活动约束的过零点生成矩形窄带;对重叠的矩形窄带进行合并优化,使得矩形窄带总面积尽可能小.最后,在矩形窄带范围内求解水平集微分方程,更新水平集,完成本次迭代.在水平集演化的不同阶段,对传统窄带法的窄带面积与本文矩形窄带面积进行了比较.随着迭代次数增加,矩形窄带面积与传统窄带法的窄带面积之比逐渐减小到0,说明矩形窄带法有效地减少了冗余计算量.针对不同程度的灰度不均匀图像,本文方法与LATE方法、结合LATE模型的直接窄带法、以及结合LATE模型的DTM窄带法进行了比较.直接窄带法和DTM窄带法的分割速度反而慢于LATE方法.对灰度严重不均匀的图像,直接窄带法和DTM窄带法的分割质量受到了较大影响.本文方法在保持较好分割效果的条件下,分割速度快于LATE方法.本文的矩形窄带方法有效地降低了算法复杂度,提高了图像分割效率.     

基于主动轮廓模型和水平集方法的图像分割技术

图像分割是计算机底层视觉中首要解决的关键问题。为了使人们对该领域现状有个概略了解。首先回顾了近十几年来基于主动轮廓模型的图像分割技术的发展概况；然后分类介绍了基于边界、基于区域和基于边界与区域的主动轮廓模型技术的演变及各自的优缺点，以及相应的能处理轮廓拓扑变化的稳定数值求解方法——水平集方法；最后展望了主动轮廓模型在图像对准中的应用。     

基于改进DRLSE水平集模型的图像分割

针对 DRLSE 水平集模型对噪声敏感、依赖初始轮廓位置以及演化速度缓慢等不 足,利用小波变换和小波阈值去噪的方法,构造对噪声不敏感的边缘信息刻画矩阵,定义基于 图像信息的边缘停止函数和自适应权重系数,获得了改进的 DRLSE 水平集图像分割模型。利 用有限差分法对模型求解,并采用 Jaccard 相似度作为评价模型的定量分析方法,数值结果显示 改进的模型及算法对图像分割的有效性,克服了 DRLSE 水平集模型分割含噪图像以及定义初 始轮廓位置的局限性,提高了 DRLSE 水平集模型的计算效率和图像分割精度。     

水平集的图像分割方法综述

图像分割是图像处理中的关键技术之一,Osher和Sethian提出的水平集方法有效地解决了以前算法不能解决在曲线演化过程中的拓扑变化问题。目前,基于水平集方法的图像分割算法很多,对于不同应用领域的图像处理问题,人们都提出了相应的解决方法,而且大量的研究者还在不断改进和提高这些算法的效率和有效性。因此,本文按照水平集算法在图像分割中应用的发展历程将其分为3种情况进行了综述,以此为该领域读者提供借鉴。     

一种基于水平截集的活动围道图像分割方法及算法实现

图像分割是遥感和医学图像处理的基础技术之一,但是目前缺乏工程化通用算法。适合于工程应用的图像分割技术必须满足有效、整体、精确、稳定等一系列要求。为适应这些要求,该文采用基于水平截集的活动围道图像分割方法,进行了面向工程化的算法实现和C应用程序设计。试验表明,所发展的计算技术具有很好的通用性,分割过程快速,得到的边界准确,具有拓扑自适应性和良好的抗噪性,可以实际地用于分割大型遥感图像和医学图像。     

基于边缘检测函数尺度变换的水平集图像分割

针对Chan-Vese模型（C-V模型）存在收敛缓慢等缺陷,给出一种基于边缘检测函数尺度变换的水平集图像分割算法。引入边缘检测函数对C-V模型进行改进,在不降低分割质量的前提下,提高图像分割的速度。为了增强改进模型的灵活性,提出对边缘检测函数进行尺度变换的方法。实验结果表明,改进模型有良好的分割效果,尺度变换能有效加快改进模型的演化速度,保持分割过程的稳定性。     

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。     

基于水平集方法的数字胸片图像分割

水平集方法能有效地解决曲线演化过程中的拓扑变化问题，基于全局特性的活动轮廓模型采用水平集方法给出的迭代解，能有效进行分割。用这种方法对CR胸片图像进行分割研究，并根据CR图像的特点，给出了只需一次演化的方法：直接针对原图像可以得到肺部大致区域；而针对CR的局部标准偏差图像可以得到肋骨的边缘图像。实验结果表明，该方法能很好地对CR图像进行分割。     

用于图像分割的自适应距离保持水平集演化

Li等人提出的距离保持水平集方法有传统变分水平集方法不具备的许多优点,然而,它有初始曲线必须包围目标物体或完全置于目标物体内部或外部的缺点.提出一种自适应距离保持水平集方法,它无须初始曲线包围目标物体或完全置于目标物体内部或外部,即初始曲线可以置于图像的任何地方.它能够解决原方法所不能解决的一些图像分割问题,例如,能够从任意选取的一条初始曲线出发自动检测目标物体的内外轮廓,检测多目标物体以及深度凹陷区域的边缘,并能较好地提取目标物体的弱边界.对几幅具有不同目标边界形态的合成图像和自然图像进行了实验,结果都取得了预期的分割效果.     

基于双水平集的图像分割模型

针对水平集模型对于具有细长拓扑部分的目标和弱边界目标进行分割时存在的问题,提出了双水平集方法.在新的方法中通过两条水平集之间的相互吸引来加速解的收敛,同时提出了一种快速有符号距离函数生成方法,提高了计算效率.传统的水平集通常利用图像边界信息来构造速度函数进行求解,但在待分割目标具有很强噪音或具有弱边界时往往得不到真实解,对此,提出了一种新的基于区域信息的速度构造方法.将双水平集模型应用到合成图像与左心室MR图像的分割实验,结果表明该方法具有较好的分割效果和较高的分割效率.