基于局部图像拟合偏差的活动轮廓分割模型

针对灰度不均匀图像的分割问题,提出一个基于区域的活动轮廓模型。通过构造包含图像局部信息的局部图像拟合偏差能量泛函,度量真实图像与拟合图像的偏差,并在全局凸分割的基础上,将分裂Bregman技术应用到模型能量泛函的最小化问题中,以提高分割速率。同时引入边界检测函数更加准确地探测边界位置,以提高模型的分割准确性。实验结果表明,该模型不仅可以正确分割灰度不均匀图像和受噪声干扰的图像,而且对于多目标图像以及灰度分布均值相同、方差不同的图像,也能快速、准确地得到分割结果。     

基于双符号压力函数的活动轮廓图像分割方法

为了解决测地线模型和CV模型无法同时对弱边界、灰度不均匀图像进行分割的问题,提出一种基于双符号压力函数的活动轮廓图像分割方法。首先,基于图像统计信息定义分割灰度不均匀图像的符号压力函数,基于内部和外部灰度均值给出轮廓曲线内外的全局区域灰度均值的加权组合函数,运用图像全局信息定义分割弱边界图像的符号压力函数;然后,结合统计信息的符号压力函数和全局信息的符号压力函数（简称“双符号压力函数”）,通过增加组合的权值系数,设计新的水平集演化方程;最后,将双符号压力函数引入到二值选择和高斯滤波正则化水平集模型中,构建一种基于双符号压力函数的活动轮廓图像分割算法。仿真实验结果表明,该算法能够有效地分割弱边界、灰度不均匀的图像,同时对噪声也有一定的抗干扰性。     

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。     

基于小波变换的权重自适应图像分割模型

针对灰度不均匀且含噪声图像的分割问题,提出了全局和局部灰度信息的权重参 数自适应水平集分割模型。首先,利用图像的全局和局部灰度信息构造全局能量项和局部能量 项;然后,利用小波变换和小波阈值去噪方法,构造对噪声不敏感的边缘信息刻画矩阵,定义包含 图像边缘信息的自适应权重系数矩阵;最后,利用定义的权重系数矩阵组合全局和局部能量项, 得到分割模型的能量泛函。使用变分法得到了水平集函数演化方程,利用有限差分法实现数值 求解。实验结果表明,该模型兼有 Chan-Vese 模型和 Local Binary Fitting 模型的优点,能够有效 地分割灰度不均匀含噪图像,并对活动轮廓曲线的初始位置和初始形状具有很强的鲁棒性。     

用于灰度不均图像分割的自适应灰度拟合模型

针对灰度不均图像的分割问题,提出了一个结合全局信息的局部区域自适应灰度拟合模型。首先,分别利用图像的局部和全局信息构造了局部拟合项和全局拟合项;其次,利用像素点邻域内灰度的极差反映该点邻域内灰度的偏差程度,并以此定义了一个自适应权值函数;最后,利用定义的权值函数为局部项和全局项自适应赋权值,得到所提模型的能量泛函,并使用变分法推导出模型的水平集函数迭代方程。数值实现采用有限差分法。实验结果表明,与区域可变灰度拟合（RSF）模型和局部和全局灰度拟合（LGIF）模型相比,所提模型不仅能够稳定、准确地分割多种灰度不均图像,而且对演化曲线初始轮廓的位置、大小和形状具有更强的鲁棒性。     

改进CV模型图像分割的Split-Bregman方法

水平集方法中的Chan-Vese模型（简称CV模型）对灰度不均匀及边界对比度低的图像的分割效果不够精确,计算效率也不是很高。针对灰度不均匀引入偏差场来修正CV模型中的区域平均灰度并引入核函数来加权能量泛函。针对计算效率低下的问题,在上述基础上得出其全局凸分割模型（Global Convex Segmentation,GCS）,用Split-Bregman迭代求解该模型。实验结果表明：改进后的模型提高了分割精确度和计算效率。     

基于改进水平集图像分割方法的乳腺超声病灶提取

准确高效的乳腺超声病灶提取技术具有重要应用价值,但超声图像灰度不均匀、伪影重、噪声强、乳腺病灶区域与周围组织相似度较高等特有属性给自动分割带来很大挑战。RSF模型是一种较为成功的图像分割方法,但对初始轮廓和噪声较敏感,直接用于病灶提取有待改进。针对图像局部分割需求,通过预提取初始分割区域作为水平集的初始条件,有助于提高分割精度;以局部能量为主导,较好地处理灰度不匀的超声特质,增加全局能量项以使零水平集能够更好地定位在弱边界;引入灰度变化率作用以提高轮廓在灰度匀质部分的演化速度。分割实验结果表明,该方法能较为准确地定位乳腺超声病灶,有一定的临床参考价值。     

基于局部与全局拟合的活动轮廓模型

针对局部二值拟合(LBF)模型容易陷入能量泛函局部极小值的问题,提出基于局部与全局拟合的活动轮廓模型。引入一个衡量某点处局部区域内灰度分布是否均匀的特征函数,将LBF模型中的局部拟合项与CV模型中的全局拟合项相结合,同时保留LBF模型分割灰度不均匀图像和CV模型全局收敛性的优点。实验结果表明,该模型能够分割灰度不均匀图像,对初始轮廓的依赖性较弱,并且具有一定的抗噪性。     

引入分数阶微分的局部高斯分布拟合能量模型

局部高斯分布拟合能量(LGDF)模型缺乏全局信息,对初始轮廓曲线选取较敏感,特别在分割弱边缘和弱纹理区域图像时,容易陷入局部极值,对噪声的鲁棒性不好.针对上述问题,文中提出引入分数阶微分的LGDF模型.在LGDF模型中引入全局的Grümwald-Letnikov(G-L)分数阶梯度拟合项,增强弱边缘和弱纹理区域的梯度信息,提高对初始轮廓曲线和噪声的鲁棒性.采用自适应权重函数确定全局项和局部项的系数,提高对灰度不均匀图像的分割效率和分割精度.根据图像的梯度模值、信息熵和对比度构建自适应分数阶阶次的函数,提高分割效率.理论分析和实验均表明,文中模型可以用于灰度不均匀、弱纹理、弱边缘图像的分割.合成图像和真实图像的实验表明文中模型可以提高图像的分割精度和效率.     

融合区域和测地线的活动轮廓模型与图割相结合的自然图像分割

针对活动轮廓模型利用水平集函数演化来分割图像时,只能分割灰度均匀的图像 问题以及容易陷入能量泛函局部极小值的缺点,提出一种新的图像分割模型。模型将区域中的 局部和全局信息融合的活动轮廓模型与边界模型相结合,然后利用图切割进行优化。实验表明, 该方法对初始曲线不敏感,能分割灰度不均的自然图像,避免陷入局部极小,并能有效提高图 像分割的速度和精度。     

Novel fuzzy active contour model with kernel metric for image segmentation

In this paper, a novel region-based fuzzy active contour model with kernel metric is proposed for a robust and stable image segmentation. This model can detect the boundaries precisely and work well with images in the presence of noise, outliers and low contrast. It segments an image into two regions – the object and the background by the minimization of a predefined energy function. Due to the kernel metric incorporated in the energy and the fuzziness of the energy, the active contour evolves very stably without the reinitialization for the level set function during the evolution. Here the fuzziness provides the model with a strong ability to reject local minima and the kernel metric is employed to construct a nonlinear version of energy function based on a level set framework. This new fuzzy and nonlinear version of energy function makes the updating of region centers more robust against the noise and outliers in an image. Theoretical analysis and experimental results show that the proposed model achieves a much better balance between accuracy and efficiency compared with other active contour models.     

An active contour model driven by anisotropic region fitting energy for image segmentation

A novel region active contour model (ACM) for image segmentation is proposed in this paper. In order to perform an accurate segmentation of images with non-homogeneous intensity, the original region fitting energy in the general region-based ACMs is improved by an anisotropic region fitting energy to evolve the contour. Using the local image information described by the structure tensor, this new region fitting energy is defined in terms of two anisotropic fitting functions that approximate the image intensity along the principal directions of variation of the intensity. Therefore, the anisotropic fitting functions extract intensity information more precisely, which enable our model to cope with the boundaries with low-contrast and complicated structures. It is incorporated into a variational formula with a total variation (TV) regularization term with respect to level set function, from which the segmentation process is performed by minimizing this variational energy functional. Experiments on the vessel and brain magnetic resonance images demonstrate the advantages of the proposed method over Chan–Vese (CV) active contours and local binary active contours (LBF) in terms of both efficiency and accuracy.     

结合改进FCM算法的多相位CV模型

Chan-Vese模型以其能较好地处理图像的模糊边界和复杂拓扑结构而广泛运用于图像分割中。但对于灰度不均匀性和多目标的分割效果较差。模糊聚类（FCM）算法作为一种无监督聚类算法已成功应用到目标识别和图像分割等领域。然而FCM算法没有考虑像素的空间信息对噪声敏感。针对这些问题,提出一种结合改进FCM算法的多相位CV模型。首先,基于直方图统计灰度种类、并利用邻域内计算的空间信息修正隶属度函数,这样克服了灰度不均匀性和噪声的影响。再将改进后的FCM算法应用到CV模型的区域检测项,可较准确地使像素点归类,以此作为曲线的演化依据。在演化时采用一种各项异性的模板来控制轮廓线的及时分裂,在较短时间内分割出更多目标。     

An improved region-based model with local statistical features for image segmentation

In this paper, we propose a new region-based active contour model (ACM) for image segmentation. In particular, this model utilizes an improved region fitting term to partition the regions of interests in images depending on the local statistics regarding the intensity and the magnitude of gradient in the neighborhood of a contour. By this improved region fitting term, images with noise, intensity non-uniformity, and low-contrast boundaries can be well segmented. Integrated with the duality theory and the anisotropic diffusion process based on structure tensor, a new regularization term is defined through the duality formulation to penalize the length of active contour. By this new regularization term, the structural information of images is utilized to improve the ability of capturing the geometric features such as corners and cusps. From a numerical point of view, we minimize the energy function of our model by an efficient dual algorithm, which avoids the instability and the non-differentiability of traditional numerical solutions, e.g. the gradient descent method. Experiments on medical and natural images demonstrate the advantages of the proposed model over other segmentation models in terms of both efficiency and accuracy.     

A novel region-based active contour model based on kernel function for image segmentation

It is a difficult task to accurately segment images with intensity inhomogeneity, because most of existing algorithms are based upon the assumption of the homogeneity of image intensity. In this paper, we propose a novel region-based active contour model, referred to as the K-GLIF, which utilizes both global and local image intensity fittings with kernel functions. The model consists of an intensity fitting term and a new regularization term. The intensity fitting term of the level set function is the gradient descent flow that minimizes the global binary fitting energy functional. The local intensity fitting value based on the generalized Gaussian kernel function is then incorporated into the global intensity fitting value to form the weighted intensity fitting value on the two sides of the contour. Owing to the kernel function, the intensity information in local regions is extracted to guide the motion of the contour, which enables the model to effectively segment images with intensity inhomogeneity and smooth noise. A new regularization term is used to control the smoothness of the level set function and avoid complicated re-initialization. Experimental results and comparisons with other models of inhomogeneous images, synthetic images, medical images, multi-object images, natural and infrared images show that the proposed K-GLIF model improves the quality of image segmentation in terms of accuracy and robustness of initial contours.

     

局部区域拟合的快速水平集图像分割方法

目的 由于灰度不均匀图像在不同目标区域的灰度分布存在严重的重叠,对其进行分割仍然是一个难题;同时,图像中的噪声严重降低了图像分割的准确性。因此,传统水平集方法无法鲁棒、精确、快速地对具有灰度不均匀性和噪声的图像进行分割。针对这一问题,提出一种基于局部区域信息的快速水平集图像分割方法。方法 灰度不均匀图像通常被描述为一个分段常数图像乘以一个缓慢变化的偏移场。首先,通过一个经过微调的多尺度均值滤波器来估计图像的偏移场,并对图像进行预处理以减轻图像的不均匀性;然后,利用基于偏移场校正的方法和基于局部区域信息拟合的方法分别构建能量项,并利用演化曲线轮廓内外图像灰度分布的重叠程度,构建权重函数自适应调整两个能量项之间的权重;最后,引入全方差规则项对水平集进行约束,增强了数值计算的稳定性和对噪声的鲁棒性,并通过加性算子分裂策略实现水平集快速演化。结果 在具有不同灰度不均匀性和噪声图像上的分割结果表明,所提方法不但对初始轮廓的位置、灰度不均匀性和各种噪声具有较强的鲁棒性,而且具有高达94.5%的分割精度和较高的分割效率,与传统水平集方法相比分割精度至少提高了20.6%,分割效率是LIC（local intensity clustering）模型的9倍;结论 本文提出一种基于局部区域信息的快速水平集图像分割方法。实验结果表明,与传统水平集方法相比具有较高的分割精度和分割效率,可以很好地应用于具有灰度不均匀和噪声的医学、红外和自然图像等的分割。     

自适应尺度参数的非均匀图像快速水平集分割

由于不同对象区域之间强度范围的重合,在存在强度不均匀的情况下很难分割图像。针对这一问题,提出一种新的水平集分割方法。在非均匀图像模型的基础上,推导出图像域的最优分割平面。在平面上,提出一种新的基于区域的压力函数,并在水平集公式中定义一个能量泛函。通过对能量泛函最小化,在对非均匀图像分割的同时,对偏置场进行估计。另外,为了准确估计偏置场,针对核函数设计一种新的自适应尺度参数。在真实图像和人工合成图像上的实验结果表明,该方法在精度、效率和鲁棒性方面有很好的优越性。