一种改进的C-V主动轮廓模型

本文对C-V主动轮廓模型进行改进.依据曲线演化理论对C-V模型中的图像数据力驱动项进行简化,提出一种常微分方程(ODE)类型的模型.理论分析验证了该模型的水平集函数可初始化为零.与传统C-V模型相比,不但具有其特点,如可以自动检测带孔目标的内轮廓等,而且具有以下优点:抗噪性能较优;水平集函数无需重新初始化,可快速计算出全局最优分割;远离轮廓的边界可以被准确检测;时间迭代步长不受限制.对合成和真实图像的分割结果证明了本文模型具有稳健、快速的优点.     

基于相位一致性改进的DRLSE超声图像分割模型

针对距离正则化的水平集演化(the Distance Regularized Level Set Evolution Mode,DRLSE)模型难以处理弱边缘图像、演化效率低问题,提出一种新的基于相位信息的水平集超声图像分割算法(the Distance Regularized Level Set Evolution Mode Based on Phase Congruency,PDRLSE)。该算法利用相位一致性检测原理,构造新的边界指示函数,代替了DRLSE模型中的边界停止函数,得到新的能量泛函。实验结果表明:该方法在分割超声图像时,能够较好的分割出甲状腺肿瘤目标,且演化效率也有所提高。     

一种基于改进PCNN模型的图像分割方法

通过对传统脉冲耦合神经网络(PCNN)模型的改进,在模型的输入端加入目标区域的边缘数据,使最高灰度级不同的非连通神经元同期点火,实现了多目标区域同时分割。给出了影响同期点火激励范围的主要参数β的自动设定方法,并设计了基于图像最大熵准则的自动分割算法。用分割精度评价准则验证了所提出方法的有效性。实验证明,对于低噪声污染的图像,改进的PCNN模型在多目标识别中的正确接受率达到95%以上,明显优于经典的Fastlinking模型。     

改进测地线活动轮廓模型的肝脏超声图像分割

针对超声医学图像的特点,系统地发展和应用测地线活动轮廓模型技术进行肝脏超声图像的边缘提取,提出一种改进的测地线活动轮廓模型.首先把总变分和各向异性扩散方程的有机结合构造出新的边缘停止函数;其次,提出三种边缘停止函数,通过实验比较得出最佳模型.新模型能有效地保留目标信息,消除噪音,增大图像梯度值,具有更强的收敛效果.实验表明,该方法能更加准确地提取弱边缘,达到更理想的分割效果.     

应用于灰度图像分割的基于流体静力学原理活动轮廓模型

提出一种新的活动轮廓模型,应用于灰度图像分割。此模型建立在流体静力学理论之上,运用流体静力学理论直接驱动连续曲线,逼近被包围的目标。该模型能够分割多重目标、能够分割嵌套的目标、能够有效地控制过分割现象。     

基于边缘探测的密集颗粒图像分割方法

针对密集的颗粒图像提出了一种基于边缘探测的颗粒分割方法.该方法采用分块自适应的边缘检测算法实现对图像的边缘检测,并采用形态学方法去除边缘噪音;采用分水岭算法对图像进行初步分割,根据分割区域自动选取种子点,并利用区域面积对种子点进行修正,然后从种子点发射探测线探测边缘位置,记录边界点,通过判断机制判别出由于边缘不完整或噪...     

集成模糊特征的Snakes模型分割图像纹理

对纹理图像进行局部一维离散傅里叶变换,把傅里叶变换能反映图像纹理的高频部分的振幅谱作为纹理的特征向量.利用模糊概念定义模糊特征向量,把模糊特征向量集成到Snakes模型.改进的Snakes模型使活动轮廓曲线在曲线内部力场、图像梯度力场和特征向量对区域的模糊隶属度确定大小的曲线法向力场的共同作用下运动.对纹理实验图像和真实图像的进行了分割实验,实验结果说明新的模型能对图像纹理进行有效的分割,模糊特征的融入扩大了Snakes模型分割图像的范围.     

基于多阈值单水平集方法的医学图像分割

针对Chan-Vese的无边界主动轮廓模型(CV模型)只能区分前景与背景的缺点,提出了一种基于多阈值单水平集的医学图像分割方法,并将此方法应用于微创手术的预处理中.由于医学图像结构复杂,具有器官轮廓多连接等特点,因此使用常规的水平集方法进行分割往往不能取得理想的效果,而该方法采用修改目标泛函的方式引入多类分割,具有多区域分割的特点,只需经过一次单水平集的迭代循环,即可将图像根据灰度不同划分为多个区域,具有精确、快速等优点.对不同的合成图像和医学图像的实验结果表明,该方法实现了快速精确的多区域分割,能很好地提取到医学图像中的骨骼轮廓,分割效果达到了预期水平.     

几种snake模型在图像分割应用中的对比分析

自1987年Kass等[1]首次提出运用snake(主动轮廓)模型进行图像分割的思想后,各种基于Snake模型的图像分割方法迅速发展起来,其各具优缺点。因此,对几种改进模型作出分析比较。     

基于snake模型的IVUS图像序列三维分割方法

针对血管内超声（Intravascular Ultrasound,IVUS）图像序列中血管壁内外膜轮廓的提取问题,提出一种基于snake模型的三维并行分割方法。首先,对原始图像进行滤除噪声和抑制环晕伪像等预处理。然后,获取IVUS图像序列的四个纵向视图,并从中提取出内腔边界和中-外膜边界。通过将这些边界曲线映射到各帧IVUS图像中,得到横向视图中的初始轮廓。最后,将该初始轮廓作为snake模型的初始形状,通过使snake能量函数最小,模型不断变形,最终得到各帧IVUS图像中的内腔和中-外膜边界。该方法可实现对IVUS图像序列的并行分割,与二维串行分割方法相比,可大大提高处理效率。采用大量临床图像数据的实验结果证明该方法可自动、快速、可靠的完成IVUS图像序列的分割。     

结合数学形态学和Level Set超声图像的分割方法

针对噪声严重的超声图像,提出了一种结合数学形态学和Level Set的分割方法。首先采用全变差模型进行图像滤波,再通过交互式区域选择和数学形态学方法获得感兴趣目标的二值化图像,并把该二值化图像轮廓作为水平集方法的初始曲线。改进隐式测地活动轮廓模型(GAC)中的边缘检测函数,增强了处理弱边缘的能力。分割结果表明,该方法能够准确地提取出目标轮廓,同时减少了迭代次数和运算时间。     

Active contour model based on variable exponent p-Laplace equation for image segmentation

In this paper, we propose a region-based active contour model for image segmentation. By combining the region fitting energy based on coefficient of variation with the variable exponent p-Laplace energy, the proposed method can perform well in segmenting complex images. The region fitting energy conducts the evolving curve to reach the boundaries of the objects, and the p-Laplace energy can handle the topological changes and extract the boundaries accurately. In order to eliminate the re-initialization step, an augmented Lagrangian method is employed to solve the optimization problem. The results of experiments on synthetic and real images demonstrate that our method can successfully segment complex object boundaries, and it is robust to noise and not sensitive to the initial position of contours.     

一种改进的无需水平集重新初始化的C-V主动轮廓模型

重新初始化是使水平集函数保持符号距离函数的必要步骤。虽然它保证了水平集函数的稳定收敛,但是它也降低了曲线演化的速度。本文主要在该方面针对Chan-Vese提出的水平集图像分割模型进行了改进,提出了无需重新初始化的C-V模型。该模型将水平集函数与距离函数的偏差作为能量函数引入C-V模型,以此来约束水平集函数成为距离函数,提高了C-V模型的演化速度。同时该模型能够用一般的分段常数函数来定义初始水平集函数,即水平集函数不必初始化为符号距离函数。这样,对于不规则形状的初始轮廓,节省了初始化过程所消耗的时间。实验结果表明,本文所提出的模型不仅提高了C-V模型的演化速度,而且实现了水平集函数初始化的灵活性。     

Cervical image classification based on image segmentation preprocessing and a CapsNet network model

Cervical cancer is one of the most common gynecological malignancies, and when detected and treated at an early stage, the cure rate is almost 100%. Colposcopy can be used to diagnose cervical lesions by direct observation of the surface of the cervix using microscopic biopsy and pathological examination, which can improve the diagnosis rate and ensure that patients receive fast and effective treatment. Digital colposcopy and automatic image analysis can reduce the work burden on doctors, improve work efficiency, and help healthcare institutions to make better treatment decisions in underdeveloped areas. The present study used a deep-learning model to classify the images of cervical lesions. Clinicians could determine patient treatment based on the type of cervix, which greatly improved the diagnostic efficiency and accuracy. The present study was divided into two parts. First, convolutional neural networks were used to segment the lesions in the cervical images; and second, a neural network model similar to CapsNet was used to identify and classify the cervical images. Finally, the training set accuracy of our model was 99%, the test set accuracy was 80.1%, it obtained better results than other classification methods, and it realized rapid classification and prediction of mass image data.     

Double regularization control based on level set evolution for tablet packaging image segmentation

This paper proposes a novel double regularization control(DRC) method which is used for tablet packaging image segmentation.Since the intensities of tablet packaging images are inhomogenous,it is difficult to make image segmentation.Compared to methods based on level set,the proposed DRC method has some advantages for tablet packaging image segmentation.The local regional control term and the rectangle initialization contour are first employed in this method to quickly segment uneven grayscale images and accelerate the curve evolution rate.Gaussian filter operator and the convolution calculation are then adopted to remove the effects of texture noises in image segmentation.The developed penalty energy function,as regularization term,increases the constrained conditions based on the gradient flow conditions.Since the potential function is embedded into the level set of evolution equations and the image contour evolutions are bilaterally extended,the proposed method further improves the accuracy of image contours.Experimental studies show that the DRC method greatly improves the computational efficiency and numerical accuracy,and achieves better results for image contour segmentation compared to other level set methods.     

基于超像素的联合能量主动轮廓CT图像分割方法

为解决医学CT图像主动轮廓分割方法中对初始轮廓敏感的问题,提出一种基于超像素和卷积神经网络的人体器官CT图像联合能量函数主动轮廓分割方法。该方法首先基于超像素分割对CT图像进行超像素网格化,并通过卷积神经网络进行超像素分类确定边缘超像素;然后提取边缘超像素的种子点组成初始轮廓;最后在提取的初始轮廓基础上,通过求解本文提出的综合能量函数最小值实现人体器官分割。实验结果表明,本文方法与先进的U-Net方法相比平均Dice系数提高5%,为临床CT图像病变诊断提供理论基础和新的解决方案。