基于AOS格式的水平集快速分割模型

针对C-V图像分割模型提出了一种快速分割模型。首先引入一种新的内部能量函数,即以水平集函数与距离函数的偏差作为能量函数,无需重初始化水平集函数,且初始水平集函数可以用一般的分段函数来定义,节省了初始化和重初始化过程所消耗的时间。其次计算格式采用AOS格式,该差分格式无条件稳定。实验结果表明了该分割模型的有效性。     

基于C-V模型无关曲率方向的快速分割算法

为提高图像分割的精度获取边缘更佳的分割图,提出结合无关曲率方向的边缘函数与无需重新初始化符号距离函数的基于C-V(Chan-Vese)模型的快速分割算法。针对在图像的同质区域中基于水平集的C-V模型不能正确分割出目标轮廓的缺陷提出优化方法。改进算法不依赖于水平集梯度信息进行活动轮廓曲线的演变,引入无关曲率的边缘函数并结合平均曲率运动方程以最小化长度能量项;并且在能量函数中增加了内能泛函项,以简化模型在局部需要重新初始化符号函数的步骤,提高运算速度。实验表明新算法能够演化出目标边缘曲线,准确分割图像,且运行耗时显著减少,收敛速度近似为几何活动轮廓C-V模型的1.2倍。     

基于C-V模型的图像分割研究

活动轮廓模型已经成功应用于图像分割,它可以是基于边界的,也可以是基于区域的。在演化过程中,关键问题是如何使水平集函数逼近符号距离函数。CHAN-VESE（C-V）模型是基于Mumford-Shah分割模型和水平集的,它不依赖图像梯度而检测目标,但其距离保持能力较差。在对C-V模型研究的基础上,提出了一个解决其距离保持问题的办法。     

改进的ChanVese活动轮廓模型

针对ChanVese模型计算量大和分割时间长的问题,提出了一种改进的ChanVese活动轮廓模型。该模型将水平集规则式融入ChanVese模型中,使水平集函数始终保持在符号距离函数附近,避免了重新初始化过程,减少了模型的计算量,同时改变了水平集函数的初始化函数,这更有利于新曲线的产生。实验结果表明,该改进模型具有一定的抗噪性,收敛速度快,分割时间少,且能得到全局最优的分割结果。     

一种基于扩散理论的水平集方程演化算法

水平集方法已被广泛地应用于界面追踪和图像分割领域内。为了保证水平集函数演化时能够保持在符号距离函数附近,必须周期性地对水平集函数进行初始化,这一过程其实是与水平集理论本身是相悖的。为了合理解决水平集函数的初始化过程,本文引进了扩散理论,通过在水平集函数添加扩散项,并利用分段常数数值方法求解,从而实现了水平集函数无需初始化过程。引入扩散理论,依靠简单的有限差分求解方法,不仅保证实现过程的简单性,也是对实现过程稳定性的保证。这一方法对边界具有高敏感度,而且可以延伸至更高维的水平集理论。     

一种新的用于图像分割的活动轮廓模型

为了从灰度异质图像中更好地提取目标,本文提出了一种新的图像分割方法,采用测地时间函数作为局部二值拟合模型的核函数,并结合图像区域的局部灰度信息和全局灰度信息建立能量泛函.同时,符号函数惩罚项的引入避免了符号函数的重新初始化,而曲线长度调整项则保证了曲线演化的连续性和光滑性.通过变分水平集方法最小化新的能量泛函,得到曲线演化的梯度下降流.通过对医学CT图像进行分割实验,证明了该方法的可行性和优越性.     

基于偏移场修正的C-V模型水平集图像分割算法

灰度不均匀效应广泛存在于现实图像(real-world images)中,这给图像分割带来了很大的挑战,目前许多的图像分割算法都依赖于图像灰度分布均匀这一假设,这严重影响了算法分割现实图像的分割精度。因此文章结合图像的数学模型,提出了一种基于偏差修正的C-V模型,该方法在水平集函数的演化过程中,同时进行图像的分割与偏移场的估计,利用偏移场的估计值来抑制灰度不均匀效应的影响。仿真结果表明,该方法比经典的C-V模型有更高的分割精度,对初始化轮廓曲线以及噪声有较强的鲁棒性。     

无须反复初始化的活动围道纹理分割方法

针对纹理图像分割问题,提出了一种无须反复初始化的快速活动围道纹理分割模型．与现有的基于几何活动围道的纹理分割技术相比,该分割模型具有三个优点:一是使用图像的灰度信息和纹理信息来驱动活动围道进行图像分割,因而,不仅适用于分割纹理图像,而且适用于分割非纹理图像;二是使用局部二进制模式来提取纹理特征,计算复杂度小;三是模型求解时,增加了约束项不需要对符号距离函数进行反复初始化,因此可采用大的时间步长,迭代步数明显减少,从而提高了活动围道的收敛速度．对自然界真实图像和合成纹理图像的分割试验结果说明,无须反复初始化的活动围道纹理分割方法精度高、速度快．     

一种基于阈值初始化的变分水平集牙菌斑图像分割方法

将变分水平集和图像阀值化两种图像分割方法相结合,在分析灰度图像直方图分布的基础上提出利用图像阈值设定C-V模型的初始化轮廓的新方法,改变了原有C-V模型的初始轮廓线设置中存在的不足.新方法应用于牙菌斑图像分割中能够较好的识别牙齿图像边缘信息,为下一步对牙菌斑进行量化分析提供了良好的数据基础.     

两种保持符号距离函数的水平集分割方法

Chan-Vese模型在图像分割领域正被广泛应用。然而,传统的水平集方法存在两个重要的数值问题:水平集函数不能隐式地保持为符号距离函数;由于采用梯度降方法求解使水平集演化速度缓慢。针对该问题提出两种快速分割方法加快演化速度:对偶方法和分裂Bregman方法。为了让水平集保持符号距离函数特性,利用投影方法加以约束,并采用增广Lagrangian方法加快收敛速度。实验结果表明,提出的两种快速分割方法比传统的梯度降方法分割效果好、计算效率高。     

无需设置阈值的快速水平集分割算法

针对快速水平集算法用于图像分割时存在着阈值设置的困难,提出了一种新的改进思路.将曲线演化的过程看成对曲线上的点不断进行模式分类的过程,对控制曲线演化的外部速度函数进行重新设计.新算法通过引入贝叶斯分类决策和最小距离分类决策交替工作,间接从图像数据中获取外部速度函数所需的驱动力,使驱动力不再产生于划分图像数据所采用的阈值,同时将两种分类决策的失效条件作为新算法迭代停止的条件.仿真实验结果表明,新的分割算法不仅拥有较强的鲁棒性,能够自适应地根据图像灰度信息自动演化,而且对噪声影响也具有较强的抑制性.同时保留了原算法执行效率快的优点,在分割速度方面明显优于其他几种经典的水平集算法。     

基于半隐差分的单参数水平集快速分割

针对传统水平集方法的模型中参数过多以及分割速度较慢的问题,提出一种新的快速水平集图像分割方法.该方法在Chan-Vese模型中引入惩罚函数项,用水平集函数梯度的模取代Dirac函数并只保留一个长度项中的参数,构造无须重新初始化且具有全局优化的新模型.算法的数值演化中新的半隐有限差分格式的构造缩短了每次迭代时间,而停止迭代判定式的引入提高了分割效率且得到了单参数取值规律.对合成图像、医学图像和视频图像的实验结果表明,该方法迭代步数少,使得分割快速、准确,能够满足视频跟踪的稳定和实时性需求.     

改进的距离正则化水平集演化方法

为了有效地对数字图像中的目标物体进行分割,提出了一种结合人类视觉注意机制的距离正则化水平集演化的图像分割方法,首先,利用数据融合获得视觉注意机制的显著图,进而获得曲线演化的初始轮廓,解决了演化曲线对初始位置敏感及不能自适应地决定向内还是向外运动的问题;然后,利用自定义的图像边缘指示函数,通过优化函数的演化速度参数及噪声敏感度控制参数,加快了曲线演化速度;最后,利用距离正则化水平集演化至目标物体的边界,完成图像分割,仿真结果表明:该方法能够有效地检测单个及多个目标物体的边界,提高了边界定位精度,抗噪能力较强.     

基于最小错误率和快速水平集的图像分割

提出一种基于最小错误率和快速水平集的图像分割方法,通过对速度项和停止条件的重新设计,实现了快速而有效的图像分割。算法采用模式分类思想,以统计直方图来近似目标和背景区域的概率密度,对基于最小错误率的判别函数进行平滑滤波以获得外部速度,从而实现曲线的进化;同时,分割过程在分类错误率达到最小时停止。实验结果表明,本文算法对弱边缘、低对比度灰度图像具有较好的分割效果,且具有较强的抗噪性能;在分割速度上,本文算法也明显优于几种已有算法。     

带几何约束的彩色图像选择性分割

为了解决彩色图像分割任务中有选择性的定位感兴趣区域的具体需求,基于Lavdie-Chen的灰度图像单水平集选择性分割方法,提出带几何约束的彩色图像选择性分割方法。该试验方法将彩色图像作为一个整体,求其梯度及边缘检测函数,借助边缘检测函数、目标物体约束点确定的距离函数以及形成的多边形内外面积,共同决定曲线演化进程中的方向与速度。区域信息的加入克服了边缘函数依赖单一图像梯度的缺点;正则化优化算法的引入克服了凹陷处分割效果不理想的缺点;加法分裂算子算法可以快速求解模型的Euler-Lagrange方程。试验结果表明,本研究提出的彩色图像选择性分割方法具有有效性强和正确性高的特点。