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。     

基于先验形状信息的水平集图像分割

针对现有水平集方法对于具有强噪声或弱边界的目标进行分割时存在的问题,提出了一种基于形状先验的图像分割方法.该模型采用变分水平集方法,融合了区域特征和边界轮廓特征,并通过相似性匹配选择最佳先验形状.该模型不仅对具有强噪声和弱边界的复杂图像具有较好的分割效果,而且有效地解决了曲线演化的初始轮廓的确定问题.与传统方法进行对比实验,结果表明,该方法具有较好的分割效果和较高的准确率.     

先验形状力场参数活动轮廓模型及其医学图像分割

先验形状参数活动轮廓模型是一种抗噪声干扰稳定的图像分割方法.它具有对弱边缘、凹区域进行分割的能力,同时有较大的边缘捕捉范围.通过引入一种非距离性的先验形状力场,构建一种新的能反映先验形状的参数活动轮廓模型.新的先验形状活动轮廓模型避免了曲线之间距离的计算,减少了模型的复杂性.新的方法可以较好地解决传统型参数活动轮廓模型的一些本质缺陷.实验对带噪声且为弱边缘的医学CT图像和超声图像进行分割能得到理想的边缘轮廓.     

基于先验形状的混杂活动轮廓模型及其在图像分割中的应用

提出了一种新颖的基于先验形状学习的混杂活动轮廓(SHAC)模型,该模型采用变分水平集方法,融合自适应区域信息与边界信息,运用主成分分析的方法从给定的含有目标物体轮廓的训练集学习得到最佳形状信息,并将其作为先验形状。将自适应区域特征和轮廓特征作为局部信息,先验形状作为全局信息,在迭代过程中结合全局和局部信息实现对演化曲线的形变进行指导和约束,达到分割目标物体的目的。通过定量和定性地分析低对比度的乳腺核磁共振图像中的乳腺轮廓的分割,以及具有复杂背景的自然图像中感兴趣区域的分割结果,验证了SHAC模型比传统活动轮廓模型具有更高的准确率,表明了该模型不仅提高了图像分割中对弱边界的识别度,减弱了非目标轮廓的干扰,而且具有良好的抗噪能力。     

一种基于形状约束势能的主动轮廓跟踪算法

将基于轮廓曲率的帧间几何形状约束势能,与目标区域信息和边缘梯度信息相结合,定义新的主动轮廓跟踪模型.该模型可以克服弱边缘及强背景等噪声对轮廓的吸引和干扰,同时保持目标的基本形状,实现和改善对具有尖角、深凹等不规则形状目标的边缘跟踪.采用基于块匹配的边界仿射变换方法对主动轮廓的初始位置进行估计,使其更接近目标的真实边缘.实验结果表明,该算法具有较好的边缘跟踪和抗复杂背景的能力.     

一种基于边缘与区域信息的先验水平集图像分割方法

传统的水平集图像分割方法仅考虑了图像的数据信息,因此对被遮盖的目标以及与背景灰度相近的目标无法达到理想的分割效果.针对这个问题,提出了一种基于边缘和区域信息的先验水平集图像分割方法.该方法首先将图像的区域信息融入基于边缘的水平集方法,然后将其与形状先验结合.对比实验表明该文方法由于综合考虑了多种信息,能够更好地完成被遮盖目标的分割,对于与背景灰度相近的目标也能达到更好的效果.     

用于形状识别的目标轮廓无序点集描述与匹配

将目标形状的轮廓看成一个无序的点集,从中抽取形状特征,用于快速而有效的目标识别是形状分析任务中的挑战性问题.针对该问题,提出了一种基于复杂网络模型的形状描述和识别方法.该方法提出用一种自组织的网络动态演化模型构成一个分层的描述框架,在网络动态演化的每一个时刻,对网络分别进行局部测量和全局测量,抽取网络的无权特征和加权特征.在形状匹配阶段,用获得的局部描述子和全局描述子分别进行局部匹配（基于Hausdorff距离）和全局匹配（基于L₁距离）,组合两种匹配的距离值构成对形状的差异度度量.用标准的测试集对所提出的方法进行性能测试,实验结果表明,所提出的算法能够快速而又鲁棒地完成较高精度的形状识别任务.     

融合颜色和增量形状先验的目标轮廓跟踪

基于主动轮廓的跟踪方法被广泛应用于移动摄像机下运动物体轮廓的跟踪. 针对传统方法容易受噪音、部分遮挡、背景干扰等因素影响的缺点, 提出了一个分层的基于水平集(Level sets)的跟踪框架. 该框架将颜色信息和形状先验有效地结合起来. 在框架的第一层, 初始轮廓首先根据颜色信息进化, 通过引入一个反映邻域像素之间关系的惩罚因子来改进传统的速度模型. 然后, 基于Mahalanobis距离的判别式被用来决定是否需要引入形状先验, 如果不需要, 则第一层基于颜色进化的结果就作为最终的跟踪结果; 否则, 第一层得到的轮廓需要在第二层中在形状先验的约束下继续进化. 在第二层轮廓进化中, 本文提出了一个权重形状距离因子(Weighted shape distance term, WSDT), 用来融合全局的形状信息和局部的颜色信息. 形状先验模型建立在主成分分析(Principal component analysis, PCA)子空间并通过增量学习算法在线更新. 实验结果证明了方法的有效性和鲁棒性.     

引入形状统计先验的轮廓提取的概率方法

提出了轮廓提取的概率方法,同时将物体形状的统计先验信息和轮廓线的平滑性结合到轮廓的概率估计中．首先应用主元分析对低维空间概率采样生成高维形状统计分布的样本,根据形状样本得到轮廓控制点样本,而后结合描述平滑性的先验概率,运用序列蒙特卡罗方法实现轮廓估计．对实际拍摄的人手图像的实验表明,针对特定的形状,该方法在杂乱背景、遮挡和强噪声干扰情况下依然能够得到满意的物体轮廓线．     

基于多尺度轮廓段的形状特征提取与识别

形状识别是计算机视觉与模式识别领域的重要研究内容。形状的特征选取与描述是形状识别的研究热点。针对现有识别方法的不足，提出一种通过对不同长度轮廓段进行描述，进行特征提取的方法。对每个形状均在6种尺度下进行特征提取，每种尺度选取5种轮廓段特征参数，实现了对形状的特征描述。在形状识别阶段，使用动态时间规整（DTW）算法度量形状描述子之间的匹配距离，实现形状识别。分别在Kimia99、Kimia216和MPEG-7数据库中进行算法验证，结果表明基于多尺度轮廓段的形状特征描述子具有旋转、缩放、平移和局部遮挡不变性，识别率优于现有算法。     

基于图割与泛形信息的对象分割方法

针对交互式图像对象分割对用户交互性、分割速度和精度的需求,提出一种融合用户交互中泛化形状(简称泛形)信息的方法.该方法通过能量函数将用户交互中包含的泛形信息(包括区域、边界泛形)与对象、背景外观颜色以及图像梯度信息有机地融合,建立了从全局优化到局部优化的分割框架,并利用高效的图割优化方法进行求解.在全局优化过程中,利用超像素代替像素作为处理的基本单元,在保留原图像空间结构特征的同时大幅降低了全局优化计算的复杂度,并通过区域泛形保证全局整体分割的质量.局部优化过程对全局分割结果边界处的错误进行修正,仅处理某段边界局部范围内的像素,保证了分割速度;同时,边界泛形约束进一步确保了最终分割结果在边界处的准确性.实验结果证明了文中方法在用户交互性、分割速度和精度方面的良好性能.     

A Variational Model for Object Segmentation Using Boundary Information and Shape Prior Driven by the Mumford-Shah Functional

In this paper, we propose a new variational model to segment an object belonging to a given shape space using the active contour method, a geometric shape prior and the Mumford-Shah functional. The core of our model is an energy functional composed by three complementary terms. The first one is based on a shape model which constrains the active contour to get a shape of interest. The second term detects object boundaries from image gradients. And the third term drives globally the shape prior and the active contour towards a homogeneous intensity region. The segmentation of the object of interest is given by the minimum of our energy functional. This minimum is computed with the calculus of variations and the gradient descent method that provide a system of evolution equations solved with the well-known level set method. We also prove the existence of this minimum in the space of functions with bounded variation. Applications of the proposed model are presented on synthetic and medical images.     

一种基于主动轮廓模型的运动目标跟踪方法

分析了几种经典主动轮廓模型（即Snake）的优缺点．针对传统Snake在应用于目标跟踪时的一些缺陷,设计了自动初始化轮廓的算法．采用四邻域交替搜索法取代八邻域搜索方法以减少计算开销,并给出了一种较为实用的基于Snake的运动目标跟踪方法．通过实验证明了本方法的可行性．     

稀疏活动轮廓扩展形状脚本模型目标检测算法

传统的稀疏活动轮廓模型可以较好地解决目标微小形变情况下的定位问题,但是对训练样本要求比较严格,且在目标发生较大形变情况下采用学习到的可变形模板对目标进行定位会产生一定偏差。针对该问题,提出一种稀疏活动轮廓扩展形状脚本模型的目标检测算法。利用勾画样本通过扩展活动轮廓模型学习到组成目标的可变形形状图案,这些形状图案构成的形状脚本模型能够清晰地定义目标模式;采用递归sum-max maps结构进行搜索,用形状脚本模型匹配测试图像实现目标定位。经过多组实验,结果表明所提算法能较好地解决目标在发生较大形变、存在遮挡以及复杂背景下的定位问题。     

基于先验模型约束的Snake算法

提出了一种先验模型的方法,给活动轮廓模型设定了目标形状模板。在蛇点的运动过程中,利用归一化傅里叶描述子对蛇点轮廓和先验模型进行描述,反复比较蛇点和先验模型的差距,使蛇点轮廓的运动的形状逐渐逼近先验模型,更精确地收敛于目标物体轮廓。     

主动轮廓模型在车牌识别算法中的应用研究

提出了一种识别机动车辆牌照的算法。该算法首先利用车牌的纹理特征和区域形状特征检测车牌区域。为提高区域检测的正确性，利用新的改进的主动轮廓模型，利用先验知识确定精确的车牌边界。在精确确定车牌区域基础上，可以准确切割出车牌中的字符，从而提高识别率。