基于简化Mumford-Shah模型的水平集图像分割算法

为解决传统图像分割方法受噪声和边界轮廓影响而使分割效果不佳问题,基于简化的Mumford Shah模型的水平集图像分割算法通过将曲线嵌入水平集函数,利用函数的求解以达到曲线演化和图像分割的目的。试验表明此分割算法与初始轮廓线位置无关、不受边界轮廓线连续性限制、对图像噪声具有很强的鲁棒性,对均质灰度目标分割效果良好。     

基于梯度的混合Mumford-Shah模型医学图像分割

针对C-V法的水平集图像分割法缺少局部控制能力等问题,将基于边缘的几何主动轮廓线模型和基于区域的C-V法两者结合起来,提出了基于梯度的混合Mumford-Shah图像分割模型HMSG。给出了HMSG模型的参数设置准则,在分割的初期加大模型中全局特征项的权值,在分割的后期则加大局部特征项的权值,以提高模型的图像分割能力。对合成图像与医学图像的分割实验结果表明,该方法优于C-V方法对于含有噪声和边缘模糊的非二值图像的分割,能够较为准确地提取图像边界,可以有效提高图像分割整体性能。     

基于改进变分水平集的红外图像分割方法

提出一种基于水平集的红外图像偏微分分割方法,通过改进Chan-Vese模型中的能量函数获得偏微分方程,该能量函数将红外图像边缘与区域信息相结合,取得了全局极小值,该能量模型对水平集初始曲线的位置不敏感,并可定位图像边缘。基于该模型的变分水平集分割方法可分割出红外图像目标。实验结果表明,该方法效果良好,便于下一步的红外目标识别与跟踪。     

图像分割中分段光滑Mumford-Shah模型的水平集算法

图像分割和轮廓提取在计算机视觉和模式识别中具有重要意义,基于主动轮廓模型的图像分割和轮廓提取是目前研究热点,分析了Mumford—Shah模型的主动轮廓新的视觉机制;并推导了简化的分段光滑水平集模型,通过构造具有柔性距离函数,对迭代步骤中水平集函数重新初始化,结合本质上无振荡格式(ENO scheme)和预测校正格式,提出了一种新的有限差分算法,该算法不但能提取多个具有不同凹凸拓扑结构和灰度差异物体的轮廓,而且能保持分割后物体的灰度特性。最后给出了若干算例,算例表明,该水平集算法具有数值稳定性,不会出现振荡现象。     

基于水平集的医学图像分割改进算法

医学影像分割是图像分割中的难点,具有重要的应用价值。针对医学影像的特点和图像分割算法的性能差异,提出了一种水平集医学图像分割改进算法。首先通过曲线演化仿真,得出水平集算法核心-速度函数;其次选定速度函数实现对图像的粗略分割,将灰度值较大的区域设置成灰度值较小的值,通过仿真演化准确找到图像中目标区域;最后利用选定的速度函数通过初始算法,经过一定次数的迭代操作后实现了医学影像的准确分割。实验结果表明:该算法可以精确地找到肿瘤所在区域,具有较好的分割性能和一定的鲁棒性。
     

一种快速保边的图像分割方法

在分段光滑Mumford-Shah(MS)模型的基础上提出了一种快速的图像分割方法。该方法在分割过程中利用分段常数MS模型产生一种驱动力,在每个时间间隔加入这种驱动力来推动水平集函数的进化,提高曲线演化速度;另外,通过在MS模型中引入一个非线性函数■(s)代替u+和u-实现保边。最后通过实验验证,该方法不仅克服了原始方法的一些缺点,而且提高了收敛速度。     

基于水平集人机交互模型的医学图像分割

医学图像中要分割的对象常比较复杂,通常的图像自动分割方法很难得到理想的结果.本文在曲线演化图像分割方法的基础上,提出了一种基于水平集方法的人机交互模型.该模型不仅继承了水平集方法对拓扑变化的自适应性,而且还有良好的人机交互性能.在分割过程中,医生只要在图像的适当位置上加入少许几个标记点,本方法就可以在医生的监督指导下对复杂的对象进行准确的分割.实验表明,本文的交互模型具有良好的实用性.     

基于Mumford-Shah模型的快速水平集图像分割方法

该文对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法做了两方面的改进:首先改进了C-V方法的偏微分方程,使得C-V方法可以快速计算出全局最优分割;其次,采用源点映射扫描方法来快速计算符号距离函数,克服了常规水平集方法中构造符号距离函数计算量大的缺点,并结合该文所提出的基于快速步进法生成符号表的方法,进一步提高了计算稳定性.两方面的改进提高了计算的速度和分割效果,试验统计结果显示,对于512×512的大幅图像,一般只需要10次左右的迭代就可以得到最优的分割效果.对合成图像、生物医学图像的分割结果表明了本文方法的稳健、快速.     

基于区域的图切割算法求解Mumford-Shah图像分割模型

在Egil Bae和Tai Xue-Cheng提出的图切割算法基础上,给出了一种改进算法用于求解Mumford-Shah图像分割模型。首先利用Mean Shift算法对原始图像进行过分割,基于过分割产生的小区域构造恰当的图,使得分割问题转化为求特定图的最小切割问题。数值实验结果显示,直接利用Mean Shift算法分割的效果不理想,本方法保持了与Egil Bae和Tai Xue-Cheng方法相类似的分割效果,而运算效率却有了很大提高。     

水平集的图像分割方法综述

图像分割是图像处理中的关键技术之一,Osher和Sethian提出的水平集方法有效地解决了以前算法不能解决在曲线演化过程中的拓扑变化问题。目前,基于水平集方法的图像分割算法很多,对于不同应用领域的图像处理问题,人们都提出了相应的解决方法,而且大量的研究者还在不断改进和提高这些算法的效率和有效性。因此,本文按照水平集算法在图像分割中应用的发展历程将其分为3种情况进行了综述,以此为该领域读者提供借鉴。     

基于Mumford-Shah模型的图像快速分割方法

针对传统的Mumford-Shah（M-S）模型在图像分割的每一次迭代中都需要另外求解两个椭圆型方程,从而使得算法的执行效率大大降低的缺点,利用分片常函数代替M-S模型中的待优化输出图像,简化了曲线演化的过程,避免了额外计算,有效地提高了算法的执行速度。实验表明,该方法在图像分割效果方面与传统方法没有明显差别,但是程序的运行速度方面却远远优于传统方法。     

基于改进Chan-Vese模型的电力设备红外图像分割

电力设备红外图像分割是电力设备模式识别和红外故障诊断的基础。Chan-Vese模型能够有效分割含强噪声和边缘模糊的图像,但其分割速度缓慢,并且在分割电力设备红外图像时不能有效消除无关背景。提出一种改进的Chan-Vese模型,采用多个初始轮廓,并采用二值函数代替距离函数初始化水平集函数;同时对Chan-Vese模型的梯度下降流提出改进,简化其图像数据项,并用一个高斯核函数取代长度正则项。改进的模型不仅方便计算,而且可以在迭代过程中采用更大时间步长,加快曲线演化速度。在对电力设备红外图像的分割实验中,证明了相比Chan-Vese模型,新模型分割速度明显提高,并且具备较好的消除无关背景的性能。     

一种基于分层Mumford-Shah模型的颅脑图像分割方法

在介绍简化Mumford-Shah模型和水平集（LevelSet）方法的基础上,针对颅脑多目标分割问题,提出了一种基于分层Mumford-Shah模型的图像分割方法,并运用改进图像分割方程进行计算求解,对颅脑MR图像的分割实验证明了该方法的有效性。     

具有多指标柔性能量的Mumford Shah模型图像分割

针对Chan和Vese提出的基于Mumford Shah泛函的水平集图像分割算法，做了两方面的改进：首先,构造了具有柔性的演化曲线内外能量取代C V模型中的刚性能量，减少了C V模型求解时的数值不稳定和过度分割等现象；其次，综合图像的多方面特征，提出多指标集能量项构造方法，提升了C V模型的分割能力和精度。综合两方面的工作，提出带多指标柔性能量的C V模型。新模型能有效处理图像受严重噪音污染、目标内部有灰度起伏等情况。对人工合成图像、医学图像和真实世界图像的分割实验均表明了新模型的良好性能，并且算法收敛速度快、数值稳定。     

结合先验形状和Mumford-Shah模型的活动轮廓分割

基于先验形状和Mumford-Shah模型的活动轮廓分割是一种抗噪声干扰、稳定的图像分割方法。该模型采用水平集方法,并结合活动轮廓模型、先验形状和Mumford-Shah模型来控制曲线演化。特定目标的先验知识可以有效地指导目标准确分割,经过主成分分析（PCA）法可以得到感兴趣对象形状的主要信息。通过对不同图片分割实验表明,针对特定的形状,该方法对杂乱背景、部分遮挡、缺失和强噪声的图片依然能得到满意的结果。     

双重轮廓演化曲线的图像分割水平集模型

目的几何活动轮廓模型的标志性模型C-V模型及其改进LBF模型受到关注,然而这两个模型对初始轮廓曲线较强的依赖性使得模型在实际图像目标分割中表现出不稳定性或具有较高的时间复杂性。本文在对C-V模型及LBF模型的原理及对初始轮廓曲线的依赖特性进行分析的基础上,提出一种基于双重轮廓演化曲线的图像分割水平集模型。方法所提出模型的主要过程如下:1)通过设置内、外两条轮廓线,使模型在演化过程中分别从目标的内部和外部向目标边界逼近,两条轮廓线的设计原则简单,其分别位于目标的外部和与目标有重叠;2)两条轮廓线的演化走向是通过在模型中设置相关项自动控制的,即演化过程中通过最小化内、外轮廓之间的差异来自动控制两条轮廓曲线的演化趋向,使之同时从目标的内部和外部向目标边界逼近,并逐渐稳定于目标的边界。结果所提出的模型通过设置内部能量泛函项,避免了对符号距离函数的重新初始化;通过采用全局化的正则函数,增加了模型对复杂异质区域边界的捕捉能力;通过采用内、外轮廓线同时演化机制,避免了模型对初始轮廓线的过依赖性。结论所提出的模型很好地解决了传统基于区域的分割模型对轮廓曲线初始化的过依赖问题,对初始轮廓线的设置较为简单且具有较强的鲁棒性,对图像目标的分割较为准确和稳定。     

一种基于水平集的图像快速多区域分割方法

提出了一种新的基于水平集的图像快速多区域分割方法。首先,在经典水平集分割算法的基础上,通过使用新的水平集初始化函数,有效地改善了水平集分割算法的时间性能;其次,通过引入区域分割控制条件控制水平集函数的收敛过程,实现多区域分割。实验结果表明,提出的多区域分割方法具有较好的分割性能,并且时间耗费少。     

基于期望最大化的水平集分割算法

针对经典的水平集算法(比如Chan-Vese模型算法)在迭代过程中要重新初始化和容易受噪声和模棱两可的边界的影响的缺点,增加一项内部能量泛函达到不需重新初始化的目的,并结合贝叶斯决策理论,利用图像先验知识,提出了一个改进的能量函数,根据符号距离函数来不断调整水平集函数的偏差。该函数是利用期望最大化算法来得到的。实验结果表明,该算法分割精度和运行准确率上都优于经典算法。