基于局部区域信息的水平集医学图像分割方法

针对医学图像中存在的亮度分布不均匀（intensity inhomogeneity）的特点,对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法进行了改进。局部区域信息是对亮度分布不均匀图像进行准确分割的关键,但是传统的基于区域信息的C-V模型没有利用到这种局部区域的图像信息,因此无法正确分割强度分布不均匀图像。利用局部区域信息构造能量函数,提出了一种基于局部区域信息的改进C-V模型。该模型无需大量计算,水平集函数可快速收敛。MR图像、血管造影图像和X线骨折图像的实验结果证明了该方法的高效性。     

区域信息和水平集方法的图像分割

随着图像处理技术不断发展,图像分割技术也在不断的走向成熟,但是目前比较成熟的分割方法都存在一定的局限性,传统的分割方法一般都难以实现全局分割,而且对目标边缘比较模糊的物体难以实现有效的精确的分割;基于区域信息和水平集方法的图像分割算法弥补了这些缺陷,该算法是在传统的动态轮廓GAC模型和C_V模型的基础上进行改善;通过实验分析,首先,该算法极大提高了图像分割的精确性,使得轮廓线能够在要分割目标的边缘附近停止演化,即使目标的边缘是模糊不清的图像,该算法也能实现精确地分割;其次,该算法还克服了传统动态轮廓分割算     

基于区域信息的水平集藻类图像的分割

由于藻类细胞复杂多样且显微图像受光线影响,传统的图像分割算法对藻类图像分割难以取得满意的效果。针对传统的水平集C-V模型不能充分利用图像局部区域灰度变化信息从而导致难以准确分割灰度不均物体等缺陷,利用一种基于局部区域的C-V(LCV)模型,应用于藻类细胞显微图像的分割。通过实验对比,显示出LCV模型相对于传统分割方法可以分割灰度均匀或不均匀的藻类图像。     

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。     

基于Chan-Vese水平集的梯度加速分割模型

为了提高图像分割的速度和精度,提出了一种新的基于Chan-Vese水平集模型(C-V模型)的梯度加速分割模型.首先,在C-V模型的能量函数中加入一个内部能量项,抵消演化过程中水平集函数和符号距离函数的偏差,从而消除分割中周期性重新初始化的过程;其次,提出了梯度加速项,通过感兴趣区域的图像特征,快速得到该区域的边界,且能够提高弱边界的分割精度.实验证明,提出的方法不仅能够加速特定区域的分割、提高分割精度,还能保持分割过程的稳定性.     

结合边缘与区域信息的超声图像分割方法

针对超声图像受到成像原理的限制导致分割精度不高的问题,提出一种结合边缘与区域信息的变分水平集超声图像分割方法。通过对Li模型的能量函数进行改进,引入C-V模型的外部能量项,将图像的边缘梯度信息和区域信息相结合,并将其应用到超声图像的分割中。实验结果表明,新模型不仅继承了两种模型的优势,而且在分割速度、精度、抗噪性、鲁棒性等方面均优于上述模型,可以较为理想地提取超声图像中的目标。     

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.     

多区域SAR图像分割的改进水平集方法

由于合成孔径雷达（SAR）图像易受相干斑噪声的影响,光学图像的分割方法并不适用于SAR图像,更不能获得精确的分割结果对比,因此,首先基于GA^0统计模型定义能量映射函数以代替像素值进行后续处理,减小相干斑的影响;其次,使用水平集算法对处理后的图像进行分割处理,选用了一种形式更为简单的水平集函数,并可以较容易地推广到多区域SAR图像分割情况。实验结果表明,该方法可以减少相干斑噪声对SAR图像分割过程的不良影响,具有较好的准确性。     

基于区域信息的水平集医学图像分割

医学图像分割是医学诊断中非常重要的部分,针对医学图像分割往往出现边缘泄漏和不完全分割等问题,本文提出一种基于区域信息的水平集图像分割方法。该方法通过引入符号压力函数来取代传统的停止函数,可以有效地解决曲线初始位置敏感的问题,同时使得演化曲线摆脱了单方向演化的缺陷,演化曲线根据区域信息来选择演化方向.通过构造新的速度函数可以有效地控制速度大小,当演化曲线接近目标边缘时,速度值较小,可以有效避免边缘泄漏.当曲线远离目标边缘时,速度值很大,节省演化所需的时间.     

基于Chan Vese水平集的梯度加速分割模型*

为了提高图像分割的速度和精度,提出了一种新的基于ChanVese水平集模型(CV模型)的梯度加速分割模型。首先,在CV模型的能量函数中加入一个内部能量项,抵消演化过程中水平集函数和符号距离函数的偏差,从而消除分割中周期性重新初始化的过程;其次,提出了梯度加速项,通过感兴趣区域的图像特征,快速得到该区域的边界,且能够提高弱边界的分割精度。实验证明,提出的方法不仅能够加速特定区域的分割、提高分割精度,还能保持分割过程的稳定性。     

一种新的基于区域竞争模型的水平集医学图像分割方法

传统的基于梯度模型的水平集分割方法在水平集曲线演化过程中存在着边界泄漏问题。针对这个问题,提出了一种基于改进区域竞争模型的水平集分割方法。本方法首先通过概率分布公式计算出水平集曲线属于目标区域和背景区域的概率;其次,将概率差值连同权重因子添加到水平集函数方程中,使曲线在演化过程中能量函数达到最小;最终,利用图像的区域信息提高水平集曲线识别边界的能力。实验结果表明该方法能够很好地实现医学图像的分割。     

一种结合图割与双水平集的图像分割方法

针对水平集方法在图像分割中需要多次迭代,且计算量大的问题,提出一种基于图割与双水平集的图像分割方法。首先在目标边界内外部各设置一条初始轮廓线和一个阈值,通过双水平集方法对轮廓线进行演化。当轮廓线的能量变化率小于给定阈值时,终止水平集演化。将得到的两条轮廓线化为源点和汇点,通过图割方法得到最终目标边界。该方法有效减少了水平集迭代次数,提高了分割效率,而且给出了一种终止水平集迭代的方式。实验表明该方法具有较好的分割效果和较高的分割效率。     

参数化形态学梯度修正的水平集肝肿瘤分割

针对单一水平集算法处理低对比度或边缘模糊肝脏CT图像时,在梯度局部极小值区域或虚假边缘处常常会出现曲线停止演化现象的问题,提出了一种参数化形态学梯度修正的水平集图像分割方法进行研究.首先对图像进行形态学梯度变换,增强图像的对比度;然后以此为基础,在特定邻域内建立结构元素半径与梯度级的函数关系对图像进行梯度修正,增强目标边缘聚合度并去除图像噪声及非规则细节引起的局部极小值,同时减小目标轮廓位置的偏移;最后根据图像梯度信息运用水平集方法实现图像中单个或多个目标分割.实验结果表明,该算法有效地解决了标准水平集分割方法中存在的伪分割问题,能够对肝脏肿瘤进行较准确分割.     

区域生长的轮对图像分割

轮对作为列车的重要组成部分,其踏面磨耗参数的在线检测对保障轨道交通安全具有重要意义。在基于光截图像测量技术的轮对外形尺寸动态检测中,能否获取完整的轮对轮廓图像至关重要。针对轮对图像特点,提出一种基于区域生长的轮对图像分割新算法。该算法根据不同情况下轮对图像特点,通过基点位置选取恰当的种子点,并确定合适的生长准则。经过区域生长,有效地提取轮对轮廓图像。通过大量图像验证,该算法分割结果图的交迭面积比大于80%,误分面积比小于0.02%。可以在多种情况下有效地提取轮对轮廓曲线,具有良好的抗噪能力。     

高分辨率极化SAR图像水平集分割

目的 传统的极化SAR图像分割方法中,由于采用的统计分布模型不能较好地描述高分辨率的图像纹理特征,导致高分辨率极化SAR图像分割效果较差。针对这个问题,本文将具有广泛适用性的KummerU分布嵌入到水平集极化SAR图像分割方法中,提出了一种新的极化SAR图像分割算法。方法 将KummerU分布作为高分辨率极化SAR图像的统计模型,定义一种适用于极化SAR图像分割的能量泛函;利用最大似然法对各个区域的KummerU分布进行参数估计,并通过数值偏微分方程的方法求解水平集函数,实现极化SAR图像的区域分割。结果 分别对仿真全极化数据,真实全极化数据进行分割实验,结果表明本文提出的方法其分割精度高于传统方法,分割精度高于95%,从而验证了新方法的有效性。结论 本文算法能够对各向同质区和各向异质区的极化SAR图像都能取得良好的分割效果,并适应于多种场景,有效地分割出背景和目标。