一种新的基于水平集方法的SAR图像分割算法

本文基于Aubert-Aujol（AA）模型和变分水平集方法提出一个新的SAR图像分割模型;在反应-扩散框架下,将各项同性扩散算子加入到该模型的水平集演化方程中,并提出一个两步分裂水平集演化算法,该算法不需要周期性地更新水平集函数。通过对合成图像和Envisat SAR图像的分割实验,表明本文提出的算法具有较准确的边缘定位能力和噪声抑制能力。     

一种基于三维直方图的改进C-V模型水平集图像分割方法

对Chan-Vese提出的基于简化Mumford-Shah模型的水平集图像分割方法(C-V模型)做了改进.传统的C-V模型仅将灰度同(homogeneity)作为区域分离准则,这使其对于对比度明显的图像能够取得很好的分割结果.但单一的分离准则往往致使其在分割噪声信息丰富的、灰度分布复杂的医学、遥感以及自然图像等时产生大量的冗余轮廓.为此,本文在改善C-V模型全局优化特性的基础上,整合图像的灰度分布信息、邻域空间信息以及图像所固有的模糊信息构造三维向量(灰度值、模糊均值和模糊中值),提出了一种基于三维直方图的改进C-V模型水平集图像分割方法.自然图像和红外光学图像的试验结果证明了该方法的有效性.     

基于统计模型的变分水平集SAR图像分割方法

针对SAR图像感兴趣区域分割问题,提出了一种基于统计模型的变分水平集分割方法。该方法在分析SAR图像特征的基础上,利用相干斑噪声的统计模型直接定义了关于水平集函数的能量泛函,不同于一般水平集方法中关于参数化曲线的能量泛函。通过极小化能量泛函,建立了水平集函数演化的偏微分方程。对水平集演化方程的数值求解,实现了对SAR图像感兴趣区域的分割。分别采用模拟和真实SAR图像对提出的方法进行了验证,试验结果表明该方法充分利用了SAR图像的特征信息,不需要相干斑噪声预处理,能够准确实现对SAR图像感兴趣区域的分割。     

基于区域信息的水平集医学图像分割

不断完善基于区域信息的水平集医学图像分割方法,能够有效提升医学诊断的效率,对促进医疗事业的更好发展,具有重要作用。本文在对基于边缘的水平集方法进行综合阐述的基础上,重点从符号压力函数和能量泛函和演化方程两个方面论述了基于区域信息的水平集医学图像分割方法,以期为相关人士提供借鉴和参考。     

基于快速水平集算法的图像分割方法

针对水平集算法计算量大,本文提出了一种使用改进的快速水平集算法的图像分割方法。本文方法是一种极限的窄带法;首先水平集的曲线进化用两个序列元素之间的交换实现;其次提出了平滑过程处理进化后的曲线;本文方法不需要解偏微分方程,运算速度很快,而且能够得到和标准算法相近的结果;实验结果证明本文算法速度快,适合于实时图像系统中的应用。     

一种基于区域竞争法的红外图像分割水平集模型

为有效分割红外图像中边界模糊、对比度低的感兴趣目标,提出了一种基于变分的红外图像分割模型。针对测地线活动轮廓模型(Geodesic Active Contour, GAC)对噪声敏感的问题,假设图像中的目标和背景服从Gaussian分布,再根据像素属于红外目标的概率构造区域能量项,以提高模型的鲁棒性。在模型中引入有符号距离约束,以避免曲线在演化过程中重新初始化,提高模型执行的效率。实验结果表明,本文方法能够有效地分割红外图像中的感兴趣目标。     

基于模糊阈值和水平集的红外图像分割方法

针对阈值法分割红外图像易产生误分割和水平集分割方法受初始曲线限制大,提出了一种结合模糊阈值与水平集的自适应红外图像分割方法。该方法首先采用二维Otsu方法计算阈值,利用该阈值获取模糊阈值分割法中的窗口宽度,使模糊阈值分割法具有自适应性;然后采用此自适应模糊阈值分割法预分割红外图像,利用预分割结果自动获取水平集初始曲线;最后将Chan-Vese方法与Shi方法结合提出改进的水平集方法,并用此方法分割红外图像。实验结果表明,本文方法具有较好的分割效果和较强的鲁棒性。     

基于显著性区域检测和水平集的图像快速分割算法

为了实现含有复杂背景和弱边界图像的快速准确分割,传统的水平集常采用重新初始化的方法,但是这种方法存在计算量大、分割不准确等问题。因此,结合显著性区域,该文提出一种基于边缘信息与区域局部信息结合的变水平集图像快速分割方法。首先用元胞自动机模型检测出图像的显著性区域,得到图像的初始化边界曲线。然后,采用改进的距离正规化水平集演化(Distance Regularized Level Set Evolution, DRLSE)模型把图像的局部信息结合到变分能量方程中,用改进的能量方程去指导曲线的演化。实验结果表明,与DRLSE模型相比,提出的算法平均消耗的时间只需要前者的2.76%,且具有较高的分割准确性。     

基于FPGA的水平集图像分割算法加速器

水平集算法因其出色的性能,在图像分割领域中得到了广泛的应用。同时,与基于深度学习的图像分割算法相比,水平集算法不需要训练数据,大幅降低了数据标记带来的工作量。然而,目前水平集算法主要是基于软件开发,涉及大量复杂的计算,以及计算的多次迭代,导致较高的处理延时与功耗。为了加快水平集算法的处理速度和降低功耗,该文提出了一种基于FPGA的水平集图像分割算法加速器,其中包含4个设计创新点：任务级并行处理、图像分块像素级并行处理、全流水线处理架构、分时复用的梯度和散度算子处理。实验结果表明,与在CPU上执行的水平集算法相比,该文提出的硬件加速器处理速度提升10.7倍,功耗仅为2.2 W。     

基于FPGA的水平集图像分割算法加速器

水平集算法因其出色的性能,在图像分割领域中得到了广泛的应用.同时,与基于深度学习的图像分割算法相比,水平集算法不需要训练数据,大幅降低了数据标记带来的工作量.然而,目前水平集算法主要是基于软件开发,涉及大量复杂的计算,以及计算的多次迭代,导致较高的处理延时与功耗.为了加快水平集算法的处理速度和降低功耗,该文提出了一种基于FPGA的水平集图像分割算法加速器,其中包含4个设计创新点:任务级并行处理、图像分块像素级并行处理、全流水线处理架构、分时复用的梯度和散度算子处理.实验结果表明,与在CPU上执行的水平集算法相比,该文提出的硬件加速器处理速度提升10.7倍,功耗仅为2.2 W.     

基于边缘和区域信息相结合的变分水平集图像分割方法

 针对GAC模型和C-V模型分别存在对弱边缘和灰度渐进图像分割效果不理想以及演化效率低等问题,提出了一种基于边缘和区域信息相结合的变分水平集图像分割方法.结合了图像边缘梯度信息和区域全局信息的能量函数作为模型的外部能量项,引入内部变形能量约束水平集函数来逼近符号距离函数,省去了重新初始化水平集函数的过程,并融入了物体形状先验知识的附加约束信息,提高了分割精度.实验结果表明,论文所用方法对分割噪声弱边缘图像和灰度渐进图像具有一定的有效性和可行性.     

基于Level set方法的医学图像分割

本文引入了一种基于偏微分方程的曲线进化方法—Level set方法,通过与Fast marching方法的结合,可以实现运算速度的大大提高。同时引进了更有效的Kim提出的GMM(Group Marching Method)方法,减少了运算量,并给出了改进方法。最后,把该方法用于仿真图与医学图像分割中,获得了较好的效果。     

Level Set方法在雷达图像分割中的应用

LevelSet方法在图像分割领域应用非常广泛,尤其是在医学图像中。这里将LevelSet方法用到雷达图像分割中,首先用电场力模型对雷达图像进行预处理,使图像变平滑,将原图像平面映射到电场力模型平面,然后对预处理后的图像用LevelSet的快速算法FastMarching进行分割。经电场力模型预处理后的分割图像较平滑,而且噪点明显减少,实验证明了方法的有效性。     

基于纹理特征的多区域水平集图像分割方法

现有多区域水平集方法大多利用复杂的能量函数来驱动多个水平集函数的演变,这样不仅模型复杂且存在很多限制.为此本文提出一种基于纹理特征的多区域水平集方法,利用任意数量的水平集函数来对相应数量的图像区域进行分割.本文首先对图像的颜色和纹理信息建立联合分布并将其代入能量函数;引入平滑概率标签,根据概率性质建立基于标签驱动的多区域水平集迭代更新方程.之后将每个水平集投影到离散概率空间得到一系列近似标签,并由这些标签得到基于多区域水平集的先验概率,从而将多个轮廓演变信息代入统计框架.而不同区域的统计参数也通过最小化能量函数由概率标签迭代更新.通过与其他分割算法在大量复杂实景图像上的实验对比,验证了本文算法的有效性.     

基于小波去噪和改进DCV的脑部MR图像分割

针对脑部MR图像具有高噪声、灰度不均和难分割的特点,提出了基于小波去噪和双水平集的脑部MR图像分割模型。对于MR图像中存在较大噪声伪影的问题,引入小波变换来去除噪声,对图像进行预处理。对传统的DCV模型进行改进,对去噪后的图像进行分割,得出最终的分割效果图。实验表明,该模型可有效解决脑部MR图像存在的高噪声、灰度不均和多目标的问题,有较强的抗噪性,保留了图像的细节信息,无需重新初始化,取得了较好的分割效果。     

一种基于变分水平集的红外图像分割算法

红外图像大都存在边缘模糊或离散状边缘的特点,并且图像的先验知识较少,因此红外图像的分割是比较困难的。针对这种情况,该文提出了一种基于图像全局信息并且不需要重新初始化的变分水平集红外图像分割方法,不考虑图像边缘梯度的影响,将图像全局信息作为外部能量项,在很大程度上克服了边缘模糊时过分割的情况。同时通过引入内部变形能量约束水平集函数逼近符号距离函数,省去了重新初始化水平集函数的过程,简化了计算,减小了因重新初始化水平集函数带来的误差。将算法应用在红外图像的分割中,验证了算法的有效性。     

基于改进的双水平集的MRI图像快速分割方法

针对MRI图像具有高噪声与灰度不均的特点,提出了结合小波变换与中值滤波的去噪预处理的双水平集的快速分割方法。对于MRI图像存在的多种噪声问题,利用小波变换去除高斯噪声,采用中值滤波去除椒盐噪声,对原始图像进行预处理。在传统的双水平集模型中增加一个自适应的加速因子,对去噪图像进行快速分割得到分割效果图。实验结果表明,改进的算法显著加快了图像分割速度,既有较强的抗噪性,又保留了图像的细节信息,且无需重新初始化,取得了良好的分割效果。     

基于PDE的快速自适应图像分割算法

在水平集理论和Chan-Vese模型的基础上,详细分析了水平集函数的初始位置和分割速度的关系,指出如果初始位置不好,将会影响曲线的演化速度。针对该问题提出了利用阈值分割技术对水平集函数进行初始化,通过优化水平集函数的初始位置来加快Chan-Vese模型的演化速度。实验结果表明,本文所提出的方法不受初始轮廓位置的限制,具有鲁棒性,分割效果良好,有很好的实际意义。