基于改进的LBF模型的图像分割

LBF(Local Binary Fitting)模型利用局部图像信息能够对强度分布不均匀的图像进行分割,然而,该算法仅考虑均值信息,导致模型在处理弱边界图像时得不到理想的分割结果。为此提出一种改进方法:在考虑图像局部均值信息的同时考虑图像局部方差信息和全局方差信息,使得演化曲线能够准确地停止在目标边界上;同时为了加快曲线演化的速度,结合了CV模型的能量项。实验结果表明,改进的方法对含有弱边界信息图像进行分割时能取得较好的效果,演化速度上也有明显的提高。     

基于改进CV模型的立体图像分割方法

为了克服Chan-Vese(CV)模型对初始轮廓敏感的不足,提高分割效率,针对双目立体图像,提出了一种基于双目视差的CV模型。该方法利用双目立体图像的双目视差进行预分割,将分割得到的结果自适应地构造为CV模型的初始轮廓,再通过改进后的能量泛函进行曲线演化,使其接近真实目标边缘,最后得到预期的分割结果。经过实验证明,该模型能有效分割双目立体图像,提高分割效率,对初始轮廓也具有较好的鲁棒性。     

一种结合区域梯度的自适应CV模型

针对多相CV(Chan-Vese)模型中计算复杂度高、对初始轮廓选取位置敏感、分割不精确等问题,在区域梯度算法的基础上,引入自适应权重项对拟合中心进行加权计算。给出一种改进的自适应CV模型。实验表明,与多相CV模型相比较,新的自适应CV模型具有对初始轮廓选取位置具有更好的鲁棒性。     

基于改进活动轮廓模型的数字虚拟人图像分割算法

对组织器官的分割和提取是医学图像三维重建及可视化的基础工作。根据数字虚拟人图像的特点,提出了一种基于改进活动轮廓模型的数字虚拟人图像分割算法,推导出了基于改进活动轮廓模型方程的解析表达式,并采用梯度向量流场对该算法进行了改进。该算法克服了传统活动轮廓模型不能处理深度凹陷区域的问题。实验结果表明,该算法具有对“U”形区域计算精确、抗干扰性强、可得到很好的分割结果。     

基于GAC模型的自适应图像分割算法

针对传统几何活动轮廓(GAC)模型不能实现自适应分割,且容易出现边界泄漏的缺点,提出一个基于GAC模型的自适应图像分割算法.该算法结合了图像梯度信息和演化曲线的位置,用与演化曲线内外的梯度信息有关的演化速度v(D)代替传统GAC模型中的常量速度v.实验结果表明:该算法可以使演化曲线根据其位置自适应地向内或者向外运动,并且在一定程度上也减少了边界泄漏.     

一种改进的图像分割活动轮廓模型

C-V模型具有计算复杂度低、对初始化和噪声不敏感等优点,在处理图像的时候总是从全局的角度去考虑图像区域的灰度变化,从而导致难以分割灰度不均的图像。局部二元拟合(LBF)模型在处理灰度不均匀的图像分割方面有很大优势,但是LBF模型存在依赖初始轮廓大小、位置等缺点。针对C-V模型不能分割灰度不均图像和LBF模型敏感于轮廓初始化的问题,给出一个用偏微分方程表示的新的融合局部(LBF模型)和全局信息(改进的C-V模型)的活动轮廓模型。实践结果表明,新的模型对初始轮廓的敏感性低,能分割灰度不均的图像,且优于C-V模型,其分割效率明显高于LBF模型。     

融合形状先验的向量CV模型图像分割算法

Chan等人提出的向量CV模型尽管解决了传统CV模型无法分割向量值图像的问题,但是向量CV模型对于含有噪声或遮挡物等复杂的图像,无法正确分割目标。针对此问题提出一种融合形状先验向量CV模型。其能量泛函主要包含形状先验项、图像区域信息项以及距离正则项。此能量函数使得主动轮廓和形状先验位置相近时停止演化。该模型所用形状模板可以与目标形状仿射不同,使得算法更加灵活。该模型对含噪以及目标遮挡的图像具有很好的分割效果。     

快速CV双水平集算法的人脑MR图像分割

针对CV模型的多水平集算法需要较高的数值稳定性以及曲线演化速度慢的缺点,根据人脑MR图像的特征,提出一种快速CV双水平集算法,统计被2条曲线划分成4类的直方图,构造符号矩阵,依次将直方图上的点放入其他类中,根据能量的变化更改该点对应点的符号,得到粗分割结果,并对粗分割结果进行优化。对MR图像进行的分割实验表明,其分割效果更好,速度有大幅度的提高。     

基于改进CV模型的多尺度图像分割方法

在结合多尺度图像分析和水平集图像分割模型的基础上提出了一种新的多尺度图像分割方法.首先使用引入梯度向量流的全变差方法对图像进行多尺度空间分析,然后使用一种改进的CV模型进行分割.采用变分水平集方法作数值计算,因此该方法能够处理曲线的拓扑变化.实验结果表明该方法是有效的.     

基于KFCM与改进CV模型的Split Bregman图像分割方法

针对基于梯度变化的水平集图像分割方法对噪声敏感、计算效率不高、分割结果依赖初始值等问题,提出了一种基于KFCM与改进CV模型的Split Bregman图像分割方法。该算法首先通过核模糊C均值的聚类方法确定出感兴趣区域作为分割初始值,然后采用Split Bregman方法来提高CV模型的迭代计算时间效率。实验结果表明,所提算法不仅保持了CV模型图像分割算法的优势,而且在抗噪性能和分割效率方面有明显效果。     

基于Potts模型的图像分割快速算法

Potts模型是一种通用的多相图像分割的变分模型,其极值问题需要迭代求解一系列偏微分方程。针对其求解过程计算效率较低的问题,提出一种基于对偶方法的快速算法。采用离散二值标记函数作为特征函数,利用Lagrange乘子法把对特征函数的约束加入能量泛函,然后引入对偶变量改写模型中的长度项,利用KKT的条件得到特征函数的二值解以及对偶变量的简单迭代格式。通过数值实验将该方法与梯度降方法、对偶方法和Split Bregman方法进行比较。实验结果表明,该算法的计算效率和分割准确性都高于其他三种方法。     

基于组合的尿沉渣粘连细胞分割算法的研究与实现

在尿沉渣图像中经常会出现细胞重叠和粘连的现象。将粘连的细胞分离是尿沉渣自动检测系统中一项重要而困难的任务。针对这一情况,提出一种基于组合思想的分割算法。该算法首先利用改进的自适应阈值分割算法结合形态学处理对细胞进行定位得到子图像,然后再利用基于距离变换的分水岭算法对子图像进行粘连细胞分离。实验结果证明,该算法能准确、稳定地分割尿沉渣粘连细胞。同时,该算法明显地提高了尿沉渣自动检测系统的性能。     

基于多分辨率分析及QFCM算法的图像分割方法研究

在图像的多分辨率小波分析的基础上,采用高斯－马尔可夫随机场模型来描述图像的局部特征,利用ＬＭＳ算法（ｔｈｅ ｌｅａｓｔ－ｍｅａｎ－ｓｑｕａｒｅ ａｌｇｏｒｉｔｈｍ）求得模型的参数估计,构造出图像的特征集,再利用快速模糊Ｃ－均值聚类方法（ＱＦＣＭ）对该特征集进行模糊划分,从而完成图像的分割,实验证明,这种方法具有较强的适应性,尤其对于景物－背景对比度差以及信噪比较低的一类图像,具有良好的分割效果。     

基于多种主色调的图像检索算法研究与实现

在基于内容的图像检索中,颜色是最容易说明的特征,主色调可以反映图像的总体概貌,文中提出了一种基于多种主色调的图像检索算法,能够将用户指定的多种主色调通过适当的扩展用于匹配,以获得更好的检索效果。     

基于形状约束的LBF模型的水平集分割

由于LBF模型是通过高斯核函数来拟合局部内外的区域信息,是典型的局部区域模型。此外医学图像的复杂性且分割经常出现类似特定形状的目标。为了更快地找到局部的区域特征形状(如圆或椭圆),提出将初始水平集与椭圆方程的差异作为形状能量项融入到LBF模型中,在演化过程中无需经过仿射变换来更新相应的形状,只需对初始轮廓和形状水平集差异能量函数进行迭代计算。在实验结果中,选取4幅眼睛图片分别对LBF模型和加入形状项的LBF模型进行比较分析。结果表明,所提出的模型能够准确地检测图像中椭圆状的目标,且分割准确率达到了96%,也解决了图像灰度不均匀、对噪声敏感的问题。     

基于贝叶斯分类模型的双水平集算法的大脑图像分割

针对大脑图像中灰质和白质边界结构的复杂性以及拓扑细长部分目标和弱边界目标分割存在的问题,提出了基于贝叶斯分类模型的双水平集分割算法.鉴于传统的水平集有分割过度、泄漏边界的缺点,可通过贝叶斯分类模型计算出水平集曲线位于边界的概率,并将此概率相关联的区域决策因子添加在水平集函数方程中,从而实现利用图像的区域信息提高水平集曲线识别边界能力的目的.将基于贝叶斯分类模型的双水平集算法应用到大脑图像的分割,通过内外两条水平集共同演化作用,得到了比贝叶斯分类模型的单水平集方法更完整的分割效果,并明显提高了分割效率.     

基于图像形态特征的复合绝缘子憎水性图像分割算法的研究

对憎水性图像在图像处理中的图像分割环节进行研究。在图像分割处理过程中,因绝缘子等级HC1与其他等级图像的形态特征的不同,导致在实际处理图像时,同一算法不能适用于所有等级的图像。将HC1等级的图像同HC2-HC7等级的图像分开处理,分别采用不同的形态学操作,再利用改进的遗传算法进行图像分割,最终得到准确的图像分割效果图。为复合绝缘子憎水性等级的准确判断提供条件。     

粘连细胞分割算法的研究与实现

以粘连细胞分割为例,提出了一种基于分水岭算法的图像分割算法.算法对分水岭分割之前的距离变换和求种子点进行了改进,得到了较好的分割效果.实验证明,该算法较好地完成了粘连细胞的分割任务.     

基于邻域信息的图像分割技术

提出一种基于图像邻域信息的分割方法.首先,根据像素点邻域信息得到高维特征向量;然后采用典型相关分析(CCA)改进线性判别分析(LDA)中的变换矩阵,使得特征向量的降维具有自适应性;最后用最近邻法对降维后的特征向量进行分类,从而实现了图像的分割.试验中,选取人脸图像分割来验证该方法,结果显示出其具有良好的分类效果.