一种改进的快速C-V水平集红外图像分割

当红外图像中包含较强噪声时,C-V模型水平集分割方法会产生大量冗余轮廓;同时,C-V水平集采用偏微分方程(PDE)实现,存在计算量大、分割速度慢的缺点.为此,本文提出了改进的快速算法,该算法保留了C-V模型的全局优化特性,并通过窗口滤波整合图像邻域空间信息来构建曲线进化的外部速度,从而提高C-V模型的抗噪性并减少分割中产生的冗余轮廓;采用基于双链表的快速水平集算法来实现曲线的演化,去除了传统算法中的重新初始化和PDE求解的过程,减少了迭代步数,提高了分割的速度.实验结果表明,本文算法对边缘模糊、噪声较大的红外图像能实现快速而有效的分割.     

基于GPU的快速Level Set图像分割

水平集(1evel set)图像分割方法是图像分割中的一个重要方法，但是该算法的计算量大，往往不能达到实时处理的要求。给出了利用新一代的可编程图形处理器(GPU)实现level set的加速算法。首先介绍了如何在GPU上利用片元渲染程序进行网格化的线性运算和有限差分PDE计算，把level set方法的离散化算子映射到GPU上。由于以数据流处理方式的GPU的存储访问快，具有并行运算能力，同时level set算法演化的显示不再需要把数据从CPU传到GPU，因此较大地提高了算法速度与交互显示。文中实现并测试了一个与初始化状态独立的二维level set的算子用于图像分割，并对其运算结果和性能进行了比较，结果表明该方法具有更快的速度。     

一种新的窄带快速区域水平集C-V模型图像分割方法

Chan-Vese提出了区域水平集图像分割C-V模型,该模型随着水平集函数的演化,演化曲线能自然地改变其拓扑结构,因而在很多研究领域有着广泛的应用,特别是在图像分割、目标跟踪领域取得了显著的效果。基于区域的水平集函数比基于梯度的水平集函数在抗噪声方面也表现得更优秀,但是其演化水平集函数也更复杂,主要缺点是演化速度特别慢,限制了在大型高分辫率图像分割中的应用。针对此问题,提出了一种窄带快速区域水平集C-V模型,即先利用GV水平集在低分辨率的图像上检测出大致的边缘,然后映射到高分辨率的图像上,在其边缘的一个窄带内检测更为精确的边缘,其检测速度有了很大的提高。采用高分辫率的大型合成孔径雷达(SAR)遥感图像进行的实验证明了该方法能够快速而有效地提取出海岸线,满足工程中的实际应用。     

一种新的水平集图像分割方法

对Chan-Vese提出的基于简化Mumford-Shah区域最优划分模型和测地线主动轮廓模型在水平集框架下的物理机理进行了分析,在充分考虑其模型优点的基础上,通过构造新的能够整合局部边缘信息和全局区域信息的演化函数对上述模型所存在问题进行了针对性处理,得到了一种新的水平集图像分割模型。人工合成图像和红外光学图像的仿真结果表明,在同样的模型参数条件下,该文模型具有比传统CV模型和GAC模型更高的演化效率和分割质量。     

一种基于区域竞争的水平集快速图像分割算法

从曲线演化的角度提出一种基于Bayesian区域统计和区域竞争的自适应变分图像分割模型,该模型使用水平集描述曲线和区域,得到基于Bayesian区域统计信息的能量函数,利用区域竞争曲线演化模型推导出一种快速曲线演化偏微分方程,实现了图像分割。该方法可以同时提取出多类目标,算法具有快速、分割精度高的特点,且易于综合纹理,形状等多种信息对模型进行扩充。此外,能量函数和曲线演化方程是相对独立的,对于不同类型的图像可选用不同的概率模型。实验表明,所提方法是一种快速、有效、新颖的图像分割方法。     

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。     

水平集方法在图像分割技术中的应用

图像分割是图像工程中热门且举足轻重的一项研究.图像分割的本质是将感兴趣的目标从图像背景中提取出来,以便后续处理,是图像工程中十分关键的一步.重点研究水平集方法在图像分割技术中的应用,通过水平集方法能够将图像梯度信息、区域统计信息和目标形状等信息融入分割框架中,能出色地控制轮廓的演化,同时减少了计算量,从而获得更高的分割精度和效率.     

改进的多目标图像的水平集分割模型

Guo等人利用n个水平集方程构造n个区域提出一种改进的CV模型（简称MCV模型）,该模型需要的迭代次数很少,提高了图像分割的效率,但其分割结果受初始曲线位置的影响较大,极易陷入局部最优,无法分割复杂图像,且利用传统的Heviside函数无法得到准确的均值信息,因此无法保证数值的稳定性。本文对MCV模型进行改进,先对图像进行预分割得到初始曲线以提高分割效率且能保证分割结果全局最优,构造新的符号函数取代传统的Heviside函数改进MCV模型以保证数值稳定性。对MR图像进行的分割实验表明,其在保证迭代次数较少的同时分割更加准确。     

一种改进的拉普拉斯水平集医学图像分割算法

作为图像识别与图像理解的关键步骤,图像分割一直受到人们的重视,很多相应的算法被提出,但它也面临着很多挑战。医学图像分割的难点是对模糊边缘的连续有效分割,为准确的目标提取提供保障。提出一种新的医学图像分割算法,算法在拉普拉斯水平集图像分割算法基础上,融入图像的区域信息,重新定义了驱动水平集表面演化的速度函数。算法除了利用图像的边缘梯度信息外,还充分融合了图像的区域信息,从而在保持图像边缘局部特征的同时,充分利用了区域全局优化的特点,可实现医学图像的有效分割。与经典水平集分割方法相比,改进后的方法能够更好地保持边界的连续性,得到比较完整的分割结果,为图像分析提供可靠的科学数据。     

基于水平集的医学图像快速分割方法

针对高噪声、低对比度的医学图像难以快速准确分割的问题,结合基于像素的传统方法和基于水平集的活动轮廓模型,提出了一种混合的医学图像分割新技术.首先依据待分割对象的先验知识交互选取感兴趣区域.然后由传统的方法和基于水平集的C-V模型结合实现感兴趣区域图像的预分割.预分割的结果直接作为窄带变分水平集模型的初始轮廓,演化曲线在很短的时间内准确收敛到待分割物体的边缘.     

一种用于二值图象分割的快速聚类算法

文中提出了一种适合于二值图象分割的快速聚类算法。它具有五个特点：①图象扫描过程与聚类过程一体化；②执行速度快；③总的类数动态生成；④节省存储空间；⑤便于后续处理。该方法可应用到目标检测、多目标跟踪和噪声去除等领域。     

距骨的交互式快速图像分割算法

距骨的图像分割是对其进行三维可视化及运动学研究的基础.提出一种距骨的交互式图像分割算法,由三部分组成:(1)提出一种改进的迭代阈值法,从一组足部CT图像序列中分割出所有骨骼.(2)提出一种加速的live-wire分割算法,断开距骨与其他骨骼的连接线,该方法与原Live-wire算法相比,代价计算量大为减小且缩短了最优路径搜索时间.(3)用形态学操作提取距骨.实验结果表明,该算法能以较少的交互次数快速地进行距骨图像分割,也可用于其他骨骼的分割.     

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...     

一种低剂量锥束CT三维图像重建快速GPU并行算法

鉴于非局部平均NL-Means(Nonlocal Means)算法的高性能图像去噪表现,并考虑到重建速度这一重要因素,提出一种低剂量锥束CT稀疏角度3D图像迭代重建算法。首先,采用最小二乘方法进行图像重建以满足投影数据一致性,再对重建图像进行非负约束;然后,利用非局部平均算法对以上非负约束后的图像进行滤波处理,起到去噪保边缘的作用。以上各步骤均可以进行并行化处理,交替执行直至满足迭代终止条件。实验结果表明,该迭代重建算法获得了满意的3D图像质量,尤其适合并行化GPU加速,重建速度大幅度提升。     

基于贪心算法的快速模糊连接度图像分割

提出一种基于Dijkstra的贪心算法来实现模糊连接度的快速计算方法。每次寻找全局最优解,并从两个方面减少迭代次数来加快运算速度。首先,通过统一根节点模糊连接度的方式,去掉原始Dijkstra算法的更新操作,每个像素点一次即可完成模糊连接度的计算。其次,每一次迭代可以实现多个像素点模糊连接度的计算。通过真实医学图像测试表明,与其他改进算法相比,其分割速度明显加快,且不影响其分割精度。     

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.     

一种基于广义模糊性质集的图像分割方法

本文提出了一种基于广义模糊性质集的图像分割方法，它利用图像的广义隶属函数，把图像灰度转换成广义的模糊集合，通过对图像作多次增强而实现图像分割。实验结果表明，本文提出的方法与Ｏｔｓｕ法、熵函数法和ＦＣＭ２Ｄ法相比，在分割速度和分割质量上，都有下同程度的提高。     

一种基于分形的金字塔快速图象分割方法

本文在离散分形布朗增量随机场（ＤＦＢＩＲ）的图象模型基础上，利用在图象处理中常用的金字塔技术，通过提取特性参数－Ｈ值和方差，并结合传统的聚类会割方法，实现了图象的快速分割，通过对自然背景中的人造物体进行分割实验，结果表明，这处快速算法不仅能得到较好的分割效果，而且可以将速度将近三分之一倍。     

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。     

灰度图像矩的一种快速算法

大多数矩的快速算法仅适用于二值图像。本文给出了一种适用于灰度图像的矩快速算法。对N×N大小的灰度图像 ,引入 6个大小为N的数组 ,将求矩过程中重复计算的量一次计算后存入数组 ,减少了重复和冗余计算。虽然增加了 6个数组 ,内存的相对增加仅为 6/N。该算法原理简单 ,求矩结果精确 ,计算量大大减少。和直接法相比 ,加法和乘法运算次数仅为其 40 4%和2 2 6%。和Yang s算法相比 ,加法次数相同 ,而乘法次数约为其 67 6%。