基于Chan-Vese模型与形态学的医学图像分割算法

针对传统的多相Chan-Vese模型在进行多区域分割时容易产生空相位的问题,提出了一种改进的新的医学图像分割算法;该算法结合Chan-Vese模型、数学形态学、复合多相水平集分割算法,通过迭代腐蚀操作提取医学图像的轮廓,利用添加了复合多相水平集算法的Chan-Vese模型对医学图像进行分割,通过迭代膨胀操作复原图像;实验结果和分析表明,采用该算法很好地解决了医学图像分割过程中容易出现的多区域分割问题,减少了空相位的产生,而且对图像边缘有很好的分割效果。     

基于全局极小解Chan-Vese模型的SAR图像分割

活动轮廓模型是近年来最成功的分割模型之一。但由于SAR图像存在较强的斑点噪声,使用传统的Chan-Vese模型水平集分割方法会产生很多误分割。因此,需要对传统Chan-Vese模型进行改进,将非凸的Chan-Vese模型转换为凸优化问题,得到Chan-Vese模型的全局极小解。对凸优化Chan-Vese模型引入边缘检测算子,得到基于边缘和区域信息的全局极小解Chan-Vese模型。在水平集演化迭代过程中,引入一个新的迭代终止条件,可以敏感地判断演化曲线的变化幅度,根据设定条件,自动的停止迭代计算。针对合成图像和真实SAR图像进行分割实验,实验结果表明,提出的改进Chan-Vese模型能够快速、准确地提出图像中感兴趣目标,并具有较强的抗噪性。     

基于Chan-Vese模型的SAR图像分割

由于SAR图像存在较强的斑点噪声,使用Chan-Vese模型水平集分割方法会产生很多误分割。同时,水平集解法存在计算量大、分割速度慢的问题。在Chan-Vese模型基础上,增加新的内能项——距离正则项,得到了一种改进的曲线演化模型。避免了水平集函数的周期性更新,具有更大的迭代步长,从而加快分割速度,并且提高Chan-Vese模型的抗噪性。对该模型采用人工合成图像和真实SAR图像进行分割实验,通过比较,可看出改进模型具有较高的数值精度和较快的分割速度。对于噪声很强的图像,使用增强Lee滤波进行预处理,可以进一步提高改进模型的分割速度和效果。实验结果表明:改进Chan-Vese模型能高效快速地完成SAR图像分割,具有较高的抗噪性。     

基于图像分割的三维重构

三维重构方法是医学图像可视化系统、治疗计划系统的重要技术。基于图像分割的三维重构方法结合了图像分割、等值面抽取、网格简化三种技术,是不同于传统Marching Cubes算法的一种三维重构方法。它首先将医学图像分割为二值图,然后利用Marching Cubes方法进行等值面抽取,最后对得到的网格模型进行简化。实验结果表明,基于图像分割的三维重构方法加快了Marching Cubes的运算速度,改善了重构的效果,有利于实现对基于三维重构的大型几何模型的实时绘制和交互。     

改进的C-V水平集模型图像分割算法

复杂的计算限制了基于Chan-Vese（C-V）水平集模型的图像分割方法的应用。为提高图像分割的速度,提出一种基于C-V水平集模型的改进水平集方法。在一般情况下,只需要几次简单迭代就能分割出物体的轮廓。实验表明,该方法简单高效,能够快速有效地实现图像轮廓分割。     

凸松弛Chan-Vese模型的快速分割方法

Chan-Vese模型是图像分割模型中效率较高的一种.传统的分割方法解决Chan-Vese模型出现了计算效率低、占用内存大、对于解决结构复杂的模型运行时间长等问题.针对上述问题,提出了FADMM和ACPDM两种新的快速分割方法.基于离散的二值标记函数,将两相分割模型转化为凸优化模型,结合FISTA算法和Chambolle-Pock算法对ADMM和对偶方法进行改进,采用变分的思想,通过引入辅助变量和拉格朗日乘子,交替迭代直至收敛到泛函的极值.实验结果表明,两种方法在保持图像区域边界的条件下,收敛速度可提高两倍以上.     

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。     

基于多层水平集函数的三维多相图像分割

多相图像分割通常利用多个水平集函数分别定义不同区域的特征函数,其极值求解问题需要对多个函数分别求极值,计算效率较低。针对三维多相图像,提出一种改进的变分水平集模型,采用一个多层水平集函数的n层水平集隐式曲面,将图像划分为n个区域,通过对一个水平集函数求极值,实现三维多相分段常值图像的快速分割与重建。将能量泛函表达为数据项和规则项,借助规则化Heaviside函数设计区域划分的通用特征函数,采用Split-Bregman投影方法进行能量最小化求解。实验结果表明,该模型可以有效地实现三维多相图像分割,与Chan-Vese模型相比,其迭代步数较少,分割速度较快。     

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。     

粪便镜检图像中红白细胞的分割与识别方法

针对粪便镜检图像中具有弱边界的红、白细胞的识别问题,研究了基于Chan-Vese模型的兼顾邻域区域边缘和纹理综合信息的分割方法。用八向Sobel弥补透明细胞的模糊边缘,通过细胞域内纹理和边缘信息互补而采用兼顾全局和局部能量分布的Chan-Vese模型的分割方法,并采用具备更好的数据泛化作用的随机决策森林进行分类。实验证明,提出的兼顾边界与域内纹理的改进型Chan-Vese分割方法使粪便镜检图像中红、白细胞的分割精度达到了95.3%。该方法对粪便镜检图像中的有形物体具备更高的分辨能力和光学环境适应性。     

带标记线的心脏MRI图像分割方法*

在分析带标记线的心脏MRI特点的基础上,提出了利用Gabor滤波与Chan和Vese模型相结合对带标记线的心脏MRI图像进行分割的方法.通过对带标记线的心脏MRI图像进行Gabor 变换,把标记线分离出来,并且扩大心肌和血液之间的差异,再对变换后的图像用Chan和Vese模型进行分割.实验结果表明了该方法的有效性.     

基于覆盖分割和活动轮廓模型的图像边缘提取算法

针对传统算法对边界模糊的图像分割效果不理想,分割结果多毛刺的问题,提出了一种由粗到细的图像边缘提取方法,主要由像素覆盖分割方法和Chan-Vese模型组成。将改进的覆盖分割方法和活动轮廓模型相结合,首先使用原始覆盖分割算法对图像进行分割,利用多方向模糊形态学边缘检测算法提取不同物体之间的边界;然后采用改进的像素覆盖分割方法给边界像素重新分配覆盖值;最后,运用活动轮廓算法进行细化的图像边界提取;分别进行了分割结果的定性比较,抗噪性测试以及提取的边缘对比实验。实验结果表明,该方法对具有模糊边界的图像,提取边缘结果优于其他可比文献中提出的方法。     

An efficient local Chan-Vese model for image segmentation

In this paper, a new local Chan-Vese (LCV) model is proposed for image segmentation, which is built based on the techniques of curve evolution, local statistical function and level set method. The energy functional for the proposed model consists of three terms, i.e., global term, local term and regularization term. By incorporating the local image information into the proposed model, the images with intensity inhomogeneity can be efficiently segmented. In addition, the time-consuming re-initialization step widely adopted in traditional level set methods can be avoided by introducing a new penalizing energy. To avoid the long iteration process for level set evolution, an efficient termination criterion is presented which is based on the length change of evolving curve. Particularly, we proposed constructing an extended structure tensor (EST) by adding the intensity information into the classical structure tensor for texture image segmentation. It can be found that by combining the EST with our LCV model, the texture image can be efficiently segmented no matter whether it presents intensity inhomogeneity or not. Finally, experiments on some synthetic and real images have demonstrated the efficiency and robustness of our model. Moreover, comparisons with the well-known Chan-Vese (CV) model and recent popular local binary fitting (LBF) model also show that our LCV model can segment images with few iteration times and be less sensitive to the location of initial contour and the selection of governing parameters.     

基于局部统计信息的快速CV模型MR图像分割

ChanVese（CV）模型以其能较好地处理图像的模糊边界和复杂的拓扑结构而广泛运用于图像分割中。但由于核磁共振（MR）图像广泛存在强度不均匀性,因此CV模型不仅不能进行准确的分割,而且迭代过程需要对所有图像数据进行反复计算,分割效率很低。针对以上缺点,提出了一种基于局部统计信息的用于快速进行图像分割的CV模型,即首先在局部区域内,通过计算统计量来得到像素点归类的贝叶斯后验概率,并以此作为曲线演化的依据,这样,就能对强度不均匀的MR图像进行准确的分割;然后设置两个表分别存储曲线内外部邻点,并通过更新这两个表内的点来实现曲线演化,从而不但大幅提高了计算速度,并保持了水平集方法能自动处理拓扑结构变化的优点。     

带H1正则项的C-V模型

C-V模型(CHAN T F, VESE L A. Active contours without edges. IEEE Transactions on Image Processing, 2001, 10(2): 266-277)是一个著名的基于区域的图像分割模型。它对活动轮廓的初始化和噪声不敏感,但分割的图像的范围不够广泛。因此,运用理论分析与实验相结合的方法,在C-V模型中添加H1正则项,对其进行了改进,提出了一个新颖的图像分割的能量泛函,并推导出了以偏微分方程形式表示的基于区域的自适应插值拟合的活动轮廓模型。实验表明：该模型能够分割某些原来C-V模型不适用的图像,它对初始轮廓的大小、位置的敏感性较小,抗噪性较强。     

基于形态学重建滤波的脑部磁共振图像分割

在阐述形态学基本原理、形态学重建滤波原理和方法的基础上,提出了形态学交变序列重建滤波,并应用于脑部磁共振图像分割。试验结果表明,该方法能有效地滤除无用的信息而保留图像原始形状不变。再应用形态学梯度运算、测地距离和流域变换方法就能准确地分割出脑部磁共振图像的头盖骨和脑膜。     

隐式曲面上两相图像分割的变分水平集方法

在平面图像分割的Chan-Vese模型基础上,提出隐式曲面上两相图像分割模型。用静态水平集函数的零水平集表达图像所在的闭合曲面,用另一动态水平集函数的零水平集与静态水平集函数零水平集的交线表达静态曲面上图像分割的动态轮廓线。所研究模型的能量泛函的数据项即为曲面上两分割区域的图像强度与对应区域平均图像强度的差的平方,其轮廓线长度项为两水平集函数的零水平集交线的长度。为避免动态水平集函数的重新初始化,在能量泛函中引入水平集函数为符号距离函数的约束惩罚项。通过变分方法得到图像分割空间轮廓线演化的梯度降方程。通过显式差分格式对演化方程进行离散。实验结果表明,该模型能有效实现复杂封闭曲面上图像的两相分割。     

Denoising and segmentation of brain image by proficient blended threshold and conserve edge scrutinize technique

Unusual collection of mass tissue in human body is commonly refereed as tumor. The tumor when it is found in brain. These tumor cells have tendency to multiply and grow in rapid speed. The growth of tumors is generally uncontrollable in nature. Tumor in brain develops along the skull and it evolves to contact with the functioning of the brain. Brain tumor (BT) can be detected at the earlier stages with the help of MRI or CT scan techniques. These scanning techniques are proved to be efficient in detecting the tumor irrespective of its size. Brain tumor being a life-threatening disease has to be diagnosed at the earliest before it turns to be malignant. The current research work focuses in proposing an efficient image processing techniques by processing the MRI images of human brain which is affected by brain tumor. This process is carried out in two stages as image denoising and image segmentation which are helpful in detecting and localizing the tumor affected region in human brain. Initially, the MRI image is read and preprocessed by converting the input image into a grayscale image and noise removed by involving the proposed method. Later, the proposed image is segmented using sobel edge detection method and the image is enhanced using the image enhancement techniques. It is achieved by using the proficient blended thresholding (PBT) Segmentation method. The performance of the proposed methods is evaluated using PSNR (peak signal noise ratio) and RMSE (root mean square error). The proposed conserve edge scrutinize (CES) filter achieved highest PSNR value. Then segmentation is evaluated by five metrices: Sensitivity, Specificity, Dice, Jaccard, and Accuracy.