基于改进的变分水平集和区域生长的图像分割方法的研究

针对水平集和区域生长方法都存在对噪声和初始边界敏感以及容易从弱边缘处泄露等不稳定的问题,提出了结合待分割目标灰度统计信息和图像梯度信息的水平集演化函数对水平集方法进行改进,并利用区域生长方法解决水平集方法对初始边界敏感的问题.分别用传统区域生长方法、阈值方法、GAC模型、C-V模型、Snake模型以及本文方法进行从腹部CT图像分割肝脏区域的实验比较,实验结果表明:本文方法不仅可以减少图像分割的时间,而且显著地提高了分割质量.     

一种新的基于局部信息的拟合模型

对于局部不均匀的图像来说,局部图像信息在图像分割中是非常关键的,然而C-V模型中则缺乏这样的信息。我们提出了一种新的融合了局部边界信息的水平集模型--局部最大最小信息模型,因此此模型能够有效地改进C-V模型在分割不均匀图像方面的性能,即可以解决局部不均匀图像的分割问题克服C-V模型所遇到的一些困难。最终,通过对人工的和真实的图像上的实验证明该模型可以有效地分割局部不均匀图像。     

基于改进Chan-Vese模型的液晶显示屏Mura缺陷分割

液晶显示屏Mura缺陷是一类较难检测的显示缺陷,它具有对比度低、背景亮度不均匀、边缘模糊等特点。针对传统Chan-Vese模型(C-V模型)对其分割时存在误分割及速度慢的问题,本文提出一种改进的C-V模型。首先,依据曲线演化理论,简化了传统C-V模型的图像数据力驱动项,这样减少了迭代过程中的计算量,提高了分割的速度。其次,为了平衡图像的亮度不均匀,在模型中引入一个新的能量项,该能量项与轮廓曲线内、外部之间的亮度差有关,提高了分割的准确性。最后,在算法的实现过程中引入迭代停止的判别式,通过设定分割的精度可以实现迭代的自动停止,并有利于正确地分割出目标。实验结果表明,本文提出的改进C-V模型能够准确分割背景不均匀的Mura缺陷,并且具有较快的速度。     

基于改进型C-V模型的红外图像自动分割

将C-V模型引入到红外图像分割中,同时提出了一种改进的模型。该模型通过增加偏离能量项,避免了标准C-V模型的重新初始问题。模型允许选取较大的时间步长,可以用简单的有限差分格式实现。实验证明,改进的模型在分割效果不变的情况下可以有效加速演化过程,提高分割效率。     

基于Chan-Vese模型的TFT-LCD Mura缺陷快速分割算法

针对传统的Chan-Vese模型(C-V模型)分割背景不均匀的TFT-LCD Mura缺陷速度慢的问题,将水平集函数与符号距离函数的偏差作为能量项引入C-V模型,去掉了符号距离函数重初始化步骤;为了平衡图像的整体亮度不均匀,在传统的C-V模型中引入轮廓曲线内、外部区域之间的亮度差项,提高了分割准确性。在数值实现上,采用无条件稳定的半隐差分格式,适当加大步长,加速曲线演化过程,相比于有限差分格式和AOS格式,分割速度明显提高。实验结果表明,本文提出的算法能够准确地分割背景不均匀的Mura缺陷图像,并且分割速度快。     

基于C-V模型的红外图像自动分割方法研究

为解决红外图像分割中背景噪声及边界轮廓的影响,引入了基于曲线演化理论、水平集方法和M-S分割函数的C-V模型。通过将图像表达为分段常量函数来建立适当的能量函数模型,引入水平集的表示方法,在整个图像域中依据最小化分割寻找全局极小值,可令活动轮廓最终到达目标边缘。由MATLAB实现的仿真结果表明采用C-V模型对红外图像进行自动分割不受边界轮廓线连续性限制,对初始轮廓线位置不敏感,对图像噪声具有很强的鲁棒性,对均匀灰度目标分割效果良好。     

3D视频目标分割与快速跟踪

提出一种面向3D视频的目标分割与快速跟踪算法,主要分为空域分割和时域与视域跟踪两个主要步骤。空域分割采用基于改进C-V模型的方法。首先基于帧差法提取运动区域作为目标的初始轮廓,以减少迭代次数加快收敛速度。然后在传统的C-V模型中加入图像边缘信息以加强C-V模型对模糊边缘的处理能力,提高分割结果的主管视觉效果。时域和视域的目标跟踪采用基于改进生物地理优化的快速跟踪方法。实验结果表明所提分割与跟踪算法快速、高效。     

改进边界指示函数的水平集活动轮廓模型

由于受成像原理的限制,导致超声图像对比度低、边界模糊,因此基于边界的水平集分割效果很不理想。为了提高超声图像的分割精度和分割效率,提出了一种梯度信息与区域信息相结合的水平集分割算法。首先对基于边界的距离正则化水平集演化(DRLSE)模型进行改进,将区域信息引入到边界指示函数中,并用改进后的边界指示函数代替DRLSE模型中的边界指示函数,最后,得到一个梯度与区域信息相结合的水平集演化模型。结果表明,本文中的模型能准确分割甲状腺肿瘤超声图像,且在分割效率和分割精确度方面均比DRLSE模型有所提高。     

基于边缘和区域信息相结合的变分 水平集图像分割方法

 针对GAC模型和C-V模型分别存在对弱边缘和灰度渐进图像分割效果不理想以及演化效率低等问题,提出了一种基于边缘和区域信息相结合的变分水平集图像分割方法.结合了图像边缘梯度信息和区域全局信息的能量函数作为模型的外部能量项,引入内部变形能量约束水平集函数来逼近符号距离函数,省去了重新初始化水平集函数的过程,并融入了物体形状先验知识的附加约束信息,提高了分割精度.实验结果表明,论文所用方法对分割噪声弱边缘图像和灰度渐进图像具有一定的有效性和可行性.     

基于改进主动轮廓模型的图像分割算法

针对C-V模型对灰度不均匀的图像分割效果不理想的情况,提出一种改进的C-V模型.该模型在C-V模型的基础上,引入非加权的邻域平均和局部窗口方差概念,加快并精确了C-V模型的演化效果,同时在C-V模型的能量函数中加入惩罚项,使得C-V模型在演化过程中无须重新初始化,进一步提高了分割速度.仿真实验结果表明改进的C-V模型较原模型对灰度不均匀图像分割具有较好的分割效果.     

一种基于k均值的多相位水平集遥感图像分割方法

针对遥感图像的特点,本文提出了一种基于K-均值与改进的多相位水平集模型结合的新方法。相比于传统的水平集模型,改进模型在能量函数中考虑了图像的面积、梯度信息和边缘检测。图像的梯度信息可以克服分割中存在的边缘定位的不准确,边缘检测可以在曲线衍化过程中更好的保持边缘信息。为了加快边缘的收敛速度,避免陷入局部最优,本文提出先对图像进行中值滤波来平滑图像和消除部分噪声,然后利用K均值进行聚类得到明显的特征差异。接着用Sobel算子进行梯度重建,然后用改进的多相位水平集模型进行分割。实验结果显示本文的算法对于遥感图像的分割在时间和精度上都有较好的效果。     

基于Chan-Vese模型的树形结构多相水平集图像分割算法

由于Chan-Vese(C-V)模型通过单个水平集的符号将待分割图像划分为目标和背景两个部分,所以当图像的多个目标的轮廓成多连接时,C-V模型将无法表示.为了解决C-V模型在表示目标轮廓上的局限,提出了基于C-V模型的树形结构多相水平集算法.关键策略是通过改变图像背景,使得水平集在新图像上重新收敛;核心技术是依据同时明度对比提出的背景填充技术;算法流程采用多水平集串行收敛方式实现多相分割(n-1次收敛可以实现n相分割,n＞1).实验结果表明,本算法可以表示复杂的区域连接情况(n相分割最多可以表示n连接情况),能够实现多目标分割(n相分割可以实现n-1个目标分割),特别适合于目标中含有子目标的图像.     

一种基于偏微分方程的图像分割算法

针对几何活动轮廓模型（GAC模型）在基于偏微分方程的图像分割领域中,算法复杂,计算量大导致演化时间长,演化速度在边界上通常不为零,引起演化曲线进入到目标的内部;或是当图像的对象有较深的凹陷边界时,曲线停在某一局部极小值状态,并不与对象的边界相一致等问题。本文提出了一种基于偏微分方程的图像分割算法,通过对停止速度场进行多尺度张量扩散,然后运用GACA模型进行分割。实验证明：本算法在不降低射线图像分割质量的前提下,可使演化时间比传统的GAC模型演化时间减少65%左右,还在一定程度上减少了边界泄露问题。     

利用模糊特征改进Snakes模型的图像分割

利用模糊特征自适应地控制曲线法向力场改进参数主动轮廓模型,改进后的模型可以对弱边缘、无边缘区域和纹理图像进行分割。曲线法向力场加速了曲线收敛到目标区域边界,改进了抓取范围和提取凹区域的能力。对弱边缘图像、医学图像和纹理的分割实验表明,新方法具有良好的性能。     

Shape statistics variational approach for the outer contour segmentation of left ventricle MR images.

Segmentation of left ventricles is one of the important research topics in cardiac magnetic resonance (MR) imaging. The segmentation precision influences the authenticity of ventricular motion reconstruction. In left ventricle MR images, the weak and broken boundary increases the difficulty of segmenting the outer contour precisely. In this paper, we present an improved shape statistics variational approach for the outer contour segmentation of left ventricle MR images. We use the Mumford-Shah model in an object feature space and incorporate the shape statistics and an edge image to the variational framework. The introduction of shape statistics can improve the segmentation with broken boundaries. The edge image can enhance the weak boundary and thus improve the segmentation precision. The generation of the object feature image, which has homogenous "intensities" in the left ventricle, facilitates the application of the Mumford-Shah model. A comparison of mean absolute distance analysis between different contours generated with our algorithm and that generated by hand demonstrated that our method can achieve a higher segmentation precision and a better stability than various approaches. It is a semiautomatic way for the segmentation of the outer contour of the left ventricle in clinical applications.     

基于改进C-V模型的图像分割算法

提出一种新的模型——Chan-Vese模型,该模型是基于曲线演化、水平集方法、局部的统计信息,新模型包括两个方面:局部核心函数和惩罚项.引入局部统计信息后的新模型可以对非同质图像进行有效的分割.另外,核心函数中加入惩罚项,可以有效避免水平集函数初始化,缩短模型演化时间.通过实验的仿真结果发现,新模型在对非同质图像进行分割时得到了良好的结果.     

基于图割的单水平集迭代终止算法

针对C-V模型中变分水平集优化方法存在的最佳迭代次数难于确定,且容易陷入局部最优等不足,借鉴图割算法在较短时间内能得到全局最优的优势,提出一种基于图割的单水平集迭代终止算法.首先在目标区域设定一条初始轮廓线,采用无须重新初始化的C-V模型对轮廓线进行迭代,当轮廓线内部面积变化值小于预先给定的阈值时终止迭代,然后将此轮廓线作为图割算法的初始轮廓线进行图像分割.实验结果表明,该方法较原始C-V模型大大缩短了迭代时间,稳健性更高,具有较好的图像分割效果.