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。
     

基于小波多尺度聚类水平集的医学图像分割

针对医学图像低对比度、灰度不均匀等特点,提出了一种小波多尺度聚类水平集的图像分割方法,能够很好地解决医学图像灰度不均匀的问题。首先,利用小波多尺度分析的良好信噪分离能力提取各尺度下图像的有效边缘信息,将边缘信息添加到水平集模型的能量函数中从而提高模型的局部控制能力。然后,基于灰度不均匀的图像模型,派生出对于感兴趣区域的局部灰度聚类,在每个点的邻域内定义基于灰度的局部聚类准则函数。将局部聚类准则函数转化为全局准则函数。在水平集框架中,该准则根据水平集函数定义了代表图像域划分的能量项和引起图像强度不均匀的偏置域。最后,从小波变换的顶层低频子带图像开始逐层采用改进的聚类水平集方法分割图像,并将分割结果通过插值方式传递至下一层作为分割的初始轮廓,最终实现灰度不均匀医学图像的分割。实验结果表明,该方法能够有效地分割医学图像,具有计算更加鲁棒稳定、效率更高和更加准确的优点。     

基于简化Mumford-Shah模型的水平集红外图像分割算法

由于红外图像大多具有目标模糊,对比度低的特点,传统的分割方法容易受到噪声和边界轮廓的影响而导致分割效果不佳,提出了一种基于简化Mumford-Shah模型的水平集红外图像分割算法.该算法能够通过将初始闭合曲线嵌入水平集函数,利用函数的求解从而达到图像分割的目的.仿真实验结果表明,该分割算法与初始轮廓线位置无关,受边界轮廓线和图像噪声的影响较小,具有较强的鲁棒性,在目标与背景灰度级差别较小的红外图像的分割中取得了较好的效果.     

水平集方法在医学图像分割中的应用

水平集方法已广泛应用于医学图像分割中,该方法将界面看成高一维空间中的某一函数谚（称为水平集函数）的零水平集,同时界面的演化也扩充到高一维的空间中。其核心思想是利用水平集理论求解能量泛函的最小值．即当能量达到最小值时的曲线位置就是目标轮廓所在;有效解决曲线演化过程中的拓扑变化问题。介绍水平集发展过程中几个经典模型的基本思想,并通过大量实验证明该方法在医学图像分割中的适用性及有效性。     

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.     

基于椭圆约束分割心脏MRI图像的水平集模型

针对左心室外轮廓类似椭圆的特点,提出了基于椭圆约束的水平集模型,该模型在Chan and Vese模型的基础上增加椭圆形状约束项,来控制曲线的演化,将水平集的演化曲线作为对轮廓新的位置预测,并用椭圆对预测结果进行修正,把预测结果和修正结果分别作为新的水平集曲线和椭圆信息,直到曲线停止演化。实验表明,该方法能够有效地分割心脏外轮廓。     

基于水平集的医学图像快速分割方法

针对高噪声、低对比度的医学图像难以快速准确分割的问题,结合基于像素的传统方法和基于水平集的活动轮廓模型,提出了一种混合的医学图像分割新技术.首先依据待分割对象的先验知识交互选取感兴趣区域.然后由传统的方法和基于水平集的C-V模型结合实现感兴趣区域图像的预分割.预分割的结果直接作为窄带变分水平集模型的初始轮廓,演化曲线在很短的时间内准确收敛到待分割物体的边缘.     

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。     

结合显著性和边缘信息的水平集图像分割方法

针对 LBF 模型对初始轮廓的依赖性和对边缘的弱控制能力,研究了一种结合显著性和边缘信息 的水平集图像分割方法。首先,结合小波分析理论,基于视觉注意机制构造图像显著图;然后,利用小波分解 所描述的图像边缘信息,构造边缘检测函数,同自适应初始轮廓一起引入到 LBF 水平集模型中,并用有限差 分法进行数值求解。实验结果表明,提出的图像分割方法能有效降低初始轮廓位置对活动轮廓模型的影响,对 合成图像、自然图像均有较好的分割结果,相较于其他传统方法具有更高的演化效率和分割质量。     

基于小波和水平集方法的尿沉渣图像分割*

针对尿沉渣图像更为精细的分割,提出了首先使用小波变换和形态学处理消除散焦影响并进行图像的粗分割,然后根据粗分割得到的子图像利用水平集方法找到子图像中目标图像的边缘完成精细分割,为计算机自动识别尿沉渣中的有效成分提供更加准确的依据。实验结果表明,该方法在尿沉渣图像分割的应用中得到了令人满意的结果。     

基于变分水平集的灰度不均匀医学图像分割

针对医学图像中存在的灰度不均匀现象,提出一种变分水平集分割模型。将邻域信息引入到基于Bayes决策准则的水平集分割框架中,以增强灰度不均匀条件下弱目标边界的识别能力。为缓解模型求解时易出现的局部极小问题,设计一种简单而有效的随机优化方法以搜索近似全局最优解。实验对比及分析验证了该水平集分割模型在多种灰度不均匀场景下均表现出较好的分割性能。     

多分辨率双水平集医学图像分割算法

由于医学图像通常伴有灰度不均、背景复杂的特点,传统水平集无法对其进行有效分割,因此提出了一种多分辨率改进型双水平集算法。首先,利用小波进行多尺度空间分析,从而获取医学图像的粗尺度图像;然后由改进型双水平集对图像进行分割,提取多目标区域;为了去除医学图像中灰度不均对分割效果的影响,该算法引入偏移场拟合项,以进一步改进双水平集模型,进而对粗尺度分割效果进行优化处理。实验结果表明,所提算法能有效地解决灰度不均与背景复杂的问题,将伴灰度不均的多目标医学图像完全分割出来,从而获得预期的分割效果。     

变分水平集分割方法

针对三维图像多相分割问题,提出一种变分水平集分割方法。由变分方法和梯度坡降方法得到能量泛函取极小值的水平集函数演化方程,与基于区域模型的参数估计构成一个交替迭代过程。仿真结果表明,该方法简单高效,能快速实现三维图像的轮廓分割与重建,真实反映采集序列断层图像的信息,具有较好的应用价值。     

变分水平集分割方法

针对三维图像多相分割问题,提出一种变分水平集分割方法。由变分方法和梯度坡降方法得到能量泛函取极小值的水平集函数演化方程,与基于区域模型的参数估计构成一个交替迭代过程。仿真结果表明,该方法简单高效,能快速实现三维图像的轮廓分割与重建,真实反映采集序列断层图像的信息,具有较好的应用价值。     

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.     

基于变分Level Set方法的图像分割

文章主要利用levelset函数隐式地追踪图像的边界来实现图像分割。在该文中首先给出了一个变分问题以及相应的Euler-Lagrange方程,并且提出了一种求解该方程的数值算法,使得计算速度有了很大的提高。数值算例表明,该水平集算法具有数值稳定性,不会出现振荡现象,可以很好地处理拓扑结构的变化。     

基于改进水平集方法的高分辨率遥感图像道路提取

提出了一种基于改进水平集方法的遥感图像道路提取实用方法。针对水平集分割方法速度较慢以及对区域划分仅仅考虑灰度特征等不足,提出一种改进算法,通过引入罚函数项,并整合RGB空间和HSI空间的各通道信息,构造了一类基于多空间信息且无需重新初始化的水平集演化方程。同时针对遥感图像幅值大的特点,建立整图划分若干子图的划分方法,使提取的目标道路集中在少量子图中,减少了无目标背景干扰。利用QuickBird 0.61 m分辨率遥感图像进行道路信息提取试验,并建立评价指标对算法结果进行量化评价和分析。结果表明,研究的方法可较好地抑制区域背景噪声的干扰,快速准确地提出完整的道路区域,在道路交通规划辅助决策等领域具有重要的应用前景。     

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。     

基于增强补种的混合水平集CT图像分割

针对医学图像CT图像像素不均匀对图像局部分割算法影响较大的问题,提出一种基于Lagrangian粒子增强补种算法的混合水平集医学CT图像分割算法。首先,针对局部图像的非均匀性,通过在计算水平集公式前先计算Lagrangian标记粒子来重建内嵌交接界面,从而提高水平集算法的质量守恒特性;其次,针对传统粒子方法在处理界面奇异性和复杂几何相关问题上的不确定性,通过增加速度矢量和单位法向量来促进奇异点和拓扑变化点速度场的收敛;最后,通过在合成数据测试集和真实CT图像上的仿真测试表明,所提算法在边缘分割收敛精度及运算速度上均要优于对比算法。