连续最大流图像分割模型及算法

最大流模型是图像分割领域的强有力工具. 最近几年, 一种基于连续的最大流模型被提出并有效应用于图像分割. 然而, 该模型的空间流约束变量为全局常数, 未与图像的结构特征相联系. 同时, 源和汇的初始值计算量大, 模型的数值实现效率不甚理想. 针对这些问题, 本文结合图像的结构、统计特征和和预处理算法(包括分片常数算法和最大类间方差－直方图算法), 给出了连续最大流图像分割模型及算法. 实验结果验证了该模型和算法的有效性.     

基于塔形信息的空间约束FCM图像分割算法

为使传统模糊C均值(FCM)算法更加适用于图像分割,提出一种基于塔形信息的空间约束图像分割算法。引入塔形结构减少运算时间,并将其用于求解隶属度,在FCM算法的目标函数中,添加不含任何参数的约束项,以约束像素邻域空间信息。实验结果表明,该算法能保留图像的细节信息,提高图像的分割质量。     

带空间约束的邻域中值加权FCM图像分割算法

在聚类分析过程中,欧氏距离是最为常用的距离度量方法,而传统的基于欧氏距离的图像分割方法没有综合考虑空间信息和邻域特征等因素。提出了一种用邻域中值加权欧氏距离替代欧氏距离的度量方法,同时植入像素空间约束信息,这样可以利用更多的图像空间信息来改善图像分割质量。通过对多幅图像的分割实验结果表明,与已有的算法相比,本算法不仅能提升图像分割效果,具有更好的噪声抵抗性,同时能加速算法的收敛速度,从而提高了分割效率。     

基于空间约束的模糊C均值聚类肝脏CT图像分割

传统模糊C均值（FCM）聚类算法应用于肝脏CT图像分割时仅考虑像素本身特征,无法解决灰度不均匀造成的影响以及肝脏边界模糊造成的边界泄露的问题。为解决上述问题,提出一种结合空间约束的模糊C均值（SFCM）聚类分割算法。首先,使用二维高斯分布函数构建卷积核,利用该卷积核对源图像进行空间信息提取得到特征矩阵;然后,引入空间约束惩罚项,更新并优化目标函数得到新的迭代方程;最后,通过多次迭代,完成对肝脏CT图像的分割。实验结果表明,SFCM算法分割具有灰度不均匀和边界粘连的肝脏CT图像时得到的肝脏轮廓形状更加规则,准确率达到92.8%,比FCM和直觉模糊C均值（IFCM）算法的分割准确率分别提升了2.3和4.3个百分点,过分割率分别降低了4.9和5.3个百分点。     

基于区域相似性的活动轮廓SAR图像分割

为了克服传统活动轮廓SAR分割模型高度依赖统计分布假定的缺点,结合基于成对相似性的图划分方法和几何活动轮廓模型的优点,提出了基于区域相似性的活动轮廓SAR分割模型.首先将原始图像过分割成同质子区域集;然后结合强度和纹理信息真实度量子区域的成对相似性,并以此定义能量泛函;最后利用基于过分割的规则化和快速曲线演化实现SAR图像的有效分割.真实SAR图像的实验结果表明,该模型能快速、准确地得到SAR图像的分割结果.     

基于空间位置约束的K均值图像分割

K均值聚类分割是一种有效的基于聚类的图像分割算法.传统的K均值聚类分割算法采用特征空间中的相似性测度来度量像素的归属类别.由于自然景物图像的复杂性,位置邻近且本应属于同一分割区域的像素点,由于它们视觉特征的差异性,导致其在特征空间中相距甚远而被分割为不同的区域.以投票的方法将像素的局部空间位置信息引入到K均值聚类分割算法中,达到了改善分割效果的目的.实验结果证实了该方法的有效性.     

基于因果约束的Transformer医学图像分割方法

【目的】数据分布对深度学习模型的性能影响较大。模型学习了与分割目标无关的特征后,这些无关特征通常不适用于新的数据集,从而导致模型泛化能力不足。【方法】为缓解这一问题,本文提出基于因果约束的Transformer医学图像分割方法。以MCRformer为网络主体,利用形态约束流模块提取形态约束先验信息,网状Transformer进一步提取局部信息和网络各层次信息,并加入因果约束模块降低目标区域相关特征和无关特征之间的相关性,通过形态先验和因果先验信息为模型选出具有代表性的特征,最终提高分割性能。【结果】在公开数据集Synapse上,Dice相关系数和Hausdorff距离的均值分别达到了80.01%和19.39 mm,在公开数据集ACDC上,Dice相关系数均值达到了90.95%,优于其他对比方法。【结论】实验证明,本文提出的方法可以有效提升CT和MRI中多器官的分割性能,并验证因果约束模块在不同模型上的有效性。     

空间约束和距离改进的FCM图像分割算法

针对传统FCM算法在图像分割应用中抗噪性差的问题,提出一种基于空间约束和子空间距离的模糊C-均值聚类算法。该算法在原FCM公式的基础上加入一个包含空间领域信息的约束项,使得整体上相邻像素点趋于同一类时,目标函数最小。并将原FCM的欧氏距离替换为点到聚类子空间的距离,以达到更精准的聚类效果。人造图像和自然图像的分割实验结果表明,该方法明显优于标准的FCM算法,具有很好的抗噪性能。     

一种快速的空间约束混合模型图像分割算法

采用滤波方法在EM算法中引入像素的位置信息,利用图像减采样方法以提高EM算法的收敛速度。为了避免小样本情况下混合分量选择的不稳定性问题,在所给出的受位置约束混合模型基础上,对采样数据进行加权处理。该方法在获得与原始分辨率分割效果相接近的情况下,能够明显地提高算法的运行速度。     

图像协同分割方法综述

文中对图像协同分割方法目前的发展进行了回顾和总结,根据协同分割问题的特点,对该问题给出了形式化定义;在此基础上,将协同分割方法分为单目标和多目标两大类,分别归纳和阐述了其中的主要方法,对各种方法在分割模型构建、特征选取、协同信息使用方式以及优化方式这4个关键问题上的异同和优劣进行了深入分析;最后分析了图像协同分割所面临的挑战以及未来的发展方向,为后续研究提供有益的参考.     

一种改进的基于模糊聚类的图像分割方法

针对亮度不一致的阴影路面的目标分割问题,对使用空间关系约束的模糊聚类算法进行了改进,即首先定义了像素之间以及像素与区域之间的近邻关系,并构造了像素与区域之间的空间关系隶属度矩阵,然后将此矩阵约束到传统的模糊C-均值聚类算法的隶属度矩阵中,最终形成了基于空间关系约束的模糊聚类算法。该算法只需设置很少的参数即可自动完成聚类。该算法在受光照影响导致目标亮度不一致的林荫道道路图像中进行了实验。实验结果表明,该算法对机器人导航中阴影路面的一致性分割方面具有良好的效果。     

FCM与马氏空间约束条件下的快速图像分割技术研究*

提出了一种FCM与马氏空间约束的快速图像分割技术.在FCM图像分割算法的基础上,引入了Markov 随机场用以描述图像分割中的空间约束信息,并通过多级级联的方式获得最后的图像分割结果.这样既克服了传统模糊C均值聚类算法只考虑图像中的数值特征信息,忽略像素间的空间约束关系的缺点,又最大限度地保证了分割算法计算的简单有效性.实验证明,与其他模糊C均值聚类算法相比,本文方法有更好的可靠性与有效性.     

使用线约束运动最小二乘法的视差图像拼接

目的 图像配准是影响拼接质量的关键因素。已有的视差图象拼接方法没有解决匹配特征点对间的错误配准问题,容易引起不自然的拼接痕迹。针对这一问题,提出了使用线约束运动最小二乘法的配准算法,减少图像的配准误差,提高拼接质量。方法 首先,计算目标图像和参考图像的SIFT（scale-invariant feature transform）特征点,应用RANSAC（random sample consensus）方法建立特征点的匹配关系,由此计算目标到参考图像的最佳单应变换。然后,使用线约束运动最小二乘法分别配准两组图像：1）第1组是目标图像和参考图像;2）第2组是经单应变换后的目标图像和参考图像。第1组用逐点仿射变换进行配准,而第2组配准使用了单应变换加上逐点仿射变换。最后,在重叠区域,利用最大流最小割算法寻找最优拼接缝,沿着拼接缝评估两组配准的质量,选取最优的那组进行融合拼接。结果 自拍图库和公开数据集上的大量测试结果表明,本文算法的配准精度超过95%,透视扭曲比例小于17%。与近期拼接方法相比,本文配准算法精度提高3%,拼接结果中透视扭曲现象减少73%。结论 运动最小二乘法可以准确地配准特征点,但可能会扭曲图像中的结构对象。而线约束项则尽量保持结构,阻止扭曲。因此,线约束运动最小二乘法兼顾了图像结构的完整性和匹配特征点的对准精度,基于此配准模型的拼接方法能够有效减少重影和鬼影等人工痕迹,拼接结果真实自然。     

基于混合邻域约束项的改进FCM算法

传统模糊聚类算法在影像分割过程中仅考虑影像的光谱信息,所以对噪声比较敏感.对此,提出基于混合邻域约束项的改进模糊C均值聚类(MNCFCM)算法.首先,从隶属性及光谱属性两方面定义邻域像素关于中心像素的相似度;然后,利用线性加权的方式将从两方面定义的相似度进行融合,同时结合邻域像素到聚类中心的欧氏距离构造混合邻域约束项,...     

多相图像分割Vese-Chan模型连续最大流方法

目的 多相图像分割是图像处理与分析的重要问题,变分图像分割的Vese-Chan模型是多相图像分割的基本模型,由于该模型使用较少的标签函数构造区域划分的特征函数,具有求解规模小的优点。图割（graph cut,GC）算法可将上述能量泛函的极值问题转化为最小割/最大流问题求解,大大提高了计算效率。连续最大流（continuous max-flow,CMF）方法是经典GC算法的连续化表达,不仅具备GC算法的高效性,且克服了经典GC算法由于离散导致的精度下降问题。本文提出基于凸松弛的多相图像分割Vese-Chan模型的连续最大流方法。方法 根据划分区域编号的二进制表示构造两类特征函数,将多相图像分割转化为多个交替优化的两相图像分割问题。引入对偶变量将Vese-Chan模型转化为与最小割问题相对应的连续最大流问题,并引入Lagrange乘子设计交替方向乘子方法（alternating direction method of multipliers,ADMM）,将能量泛函的优化问题转化为一系列简单的子优化问题。结果 对灰度图像和彩色图像进行数值实验,从分割效果看,本文方法对于医学图像、遥感图像等复杂图像的分割效果更加精确,对分割对象和背景更好地分离;从分割效率看,本文方法减少了迭代次数和运算时间。在使用2个标签函数的分割实验中,本文方法运算时间加速比分别为6.35%、10.75%、12.39%和7.83%;在使用3个标签函数的分割实验中,运算时间加速比分别为12.32%、15.45%和14.04%;在使用4个标签函数的分割实验中,运算时间加速比分别为16.69%和20.07%。结论 本文提出的多相图像分割Vese-Chan模型的连续最大流方法优化了分割效果,减少了迭代次数,从而提高了计算效率。     

基于隶属度光滑约束的模糊C均值聚类算法

传统的FCM聚类算法未利用图像的空间信息,在分割叠加了噪声的MR图像时分割效果不理想。本文考虑到脑部MR图像真实的灰度值具有分片为常数的特性,按照合理利用图像空间信息的原则,对传统的FCM聚类算法进行了改进,增加了使隶属度趋向于分片光滑的约束项,得到了新的聚类算法。通过对模拟脑部MR图像和临床脑部MR图像的分割实验结果表明,本文提出的新算法比传统的FCM算法等多种图像分割算法有更精确的图像分割能力,并且运算简单、运算速度快、稳健性好。     

基于灰度空间特征的模糊C均值聚类图像分割

模糊C均值(FCM)聚类算法广泛用于图像的自动分割,但是该算法没有考虑像素的灰度和空间特征,对噪声十分敏感.因此提出一种改进的算法,在传统的FCM聚类的基础上,运用邻域像素的灰度相似度和聚类分布统计来构造新的隶属函数,对图像进行聚类分割.该方法不仅有效地抑制了噪声的干扰,而且把错分类的像素很容易的纠正过来.对两种类型的含噪图像的实验结果表明该方法对噪声具有很强的鲁棒性和对像素聚类的正确性.     

基于双向搜索的脉冲耦合神经网络的图像分割

脉冲耦合神经网络（Pulse Coupled Neural Network PCNN）是基于猫视觉原理构建的一种简化的神经网络模型。为了快速进行图像分割,本文提出了基于双向搜索的脉冲耦合神经网络（Bidirectional search PCNNBPCNN）。与传统PCNN不同,BPCNN模型可同时自上而下和自下而上点火。当BPCNN与最大熵结合时,可以同时双向寻找最佳阈值,大大提高网络运行速度。通过灰度图像实验验证该模型取得了较好的效果。