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。     

三维图像多相分割的变分水平集方法

变分水平集方法是图像分割等领域出现的新的建模方法,借助多个水平集函数可有效地实现图像多相分割.但在区域/相的通用表达、不同区域内图像模型的表达、通用的能量函的设计、高维图像分割中的拓展研究等方面仍是图像处理的变分方法、水平集方法、偏微分方程方法等研究的热点问题.文中以三维图像为研究对象,系统地建立了一种新的三维图像多相分割的变分水平集方法.该方法用n-1个水平集函数划分n个区域,并基于Heaviside函数设汁出区域划分的通用的特征函数;其能量泛函包括通用的区域模型、边缘检测模型和水平集函数为符号距离函数的约束项3部分;最后,针对所得到的曲面演化方程,采用半隐式差分格式进行离散,并对多种类型三维图像进行分割验证了所提出模型的通用性和有效性.     

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。     

一种基于区域竞争的水平集快速图像分割算法

从曲线演化的角度提出一种基于Bayesian区域统计和区域竞争的自适应变分图像分割模型,该模型使用水平集描述曲线和区域,得到基于Bayesian区域统计信息的能量函数,利用区域竞争曲线演化模型推导出一种快速曲线演化偏微分方程,实现了图像分割。该方法可以同时提取出多类目标,算法具有快速、分割精度高的特点,且易于综合纹理,形状等多种信息对模型进行扩充。此外,能量函数和曲线演化方程是相对独立的,对于不同类型的图像可选用不同的概率模型。实验表明,所提方法是一种快速、有效、新颖的图像分割方法。     

三维图像多相分割的变分水平集方法探究

基于三维图像多相分割问题,采用变分水平集方法,借助能量泛函得出水平函数演化方程,再取值不同的参数构建相应的区域模型.选取虚拟人体下颌骨和牙齿图像进行验证,验证结果证实,该方法具有简单高效的优势,能够快速分割和重建三维图像,并将图像信息真实反映出来.     

一种改进的变分水平集的图像分割算法

为了解决灰度不均匀现象对医学图像的干扰问题,提出了基于局部极性信息的活 动轮廓模型。通过引入局部图像信息,该模型能有效地分割灰度不均匀图像。在规则化项中增 加的能量惩罚项,使得水平集函数在演化过程中保持为近似的符号距离函数。该算法将图像分 割问题归结为曲线能量泛函的最小化,首先建立包含局部灰度信息（极性信息）和改进的符号 距离函数的曲线演化能量泛函;然后采用变分水平集方法求解能量函数的最小值,得到最终的 分割结果。真实医学图像和人工合成图像的实验结果表明,此方法对灰度不均匀的医学图像有 较高的分割精确度,在图像分割速度上有较大提高。由于利用了局部灰度信息,可以有效地分 割灰度不均匀的医学图像,而改进后的变分水平集可以完全避免重新初始化,使得图像分割效 率大大提高了。     

基于变分水平集的图像模糊聚类分割

结合变分水平集方法和模糊聚类,提出了一个基于变分水平集的图像聚类分割模型.该模型引入了一个基于图像局部信息的外部模糊聚类能量和一个新的关于零水平集的正则化能量,使得该模型对噪声图像的聚类分割更具鲁棒性.通过在能量泛函中加入一个内部约束能量约束水平集函数为符号距离函数,可以使水平集演化过程无需重新初始化.进一步提出了一种变分形式的聚类中心更新方法,实现了半监督的图像聚类分割.实验中采用不同类型的图像与FCM聚类模型、CV模型、Samson模型进行了对比实验,实验结果显示,该模型能够克服图像中噪声的影响,取得较满意的聚类分割效果.     

基于核模糊聚类的变分水平集医学图像分割方法

针对现有无须重新初始化的变分水平集分割模型, 存在对边缘模糊、对比度差等图像不是很敏感、分割效果不理想的问题, 提出了一种基于核模糊聚类的变分水平集医学图像分割方法。将原始图像进行核模糊C-均值聚类, 把得到的聚类结果带入初始化水平集函数得到初始轮廓, 最后利用李模型的分割方法实现最终的图像分割。实验结果表明, 该方法具有良好的分割质量, 适应性强, 同时可减少迭代次数。     

曲面扩散的变分水平集方法

基于变分水平集方法提出了一种通用的曲面扩散变分模型,其数据项为演化曲面与原曲面的水平集函数Heaviside函数差的平方,规则项为基于整体曲率的通用函数,通过图像扩散模型中的总变差与该模型中的总曲率类比设计该规则项,以实现曲面扩散的任务。为了避免水平集函数的重新初始化,在本文的能量泛函中增加了水平集函数为符号距离函数的惩罚项。所得到的演化方程为4阶偏微分方程,对其对流项采用经典迎风差分格式离散,对其中的扩散项采用中心差分格式。最后通过数值算例验证了模型用于曲面光滑、边缘保持与边缘增强的可行性。     

一种新的基于区域竞争模型的水平集医学图像分割方法

传统的基于梯度模型的水平集分割方法在水平集曲线演化过程中存在着边界泄漏问题。针对这个问题,提出了一种基于改进区域竞争模型的水平集分割方法。本方法首先通过概率分布公式计算出水平集曲线属于目标区域和背景区域的概率;其次,将概率差值连同权重因子添加到水平集函数方程中,使曲线在演化过程中能量函数达到最小;最终,利用图像的区域信息提高水平集曲线识别边界的能力。实验结果表明该方法能够很好地实现医学图像的分割。     

基于变分水平集的图像分割模型

基于传统的变分水平集方法的图像分割,水平集函数必须周期性地重新初始化使之保持为符号距离函数,这存在如何选择重新初始化的时间和方式的难题.Li模型通过在能量泛函中引入一个内部约束能量,去除了水平集函数在演化过程中需重新初始化的难题.通过对Li模型的分析,提出了一个新的变分水平集的分割模型.该模型通过在能量泛函中加入一个较简单的内部约束能量,同样可以实现水平集演化过程中的无需重新初始化.并且通过对边缘停止函数的重新定义,引入了新的外部能量,使得本文模型对噪声图像的分割更具鲁棒性.实验表明无论是在收敛速度上,还是在对噪声图像的分割质量上,本文模型和Li模型相比都具有一定的优势.     

双Level Set遥感影像建筑物检测

对传统的基于梯度的Level set方法和基于区域的Chan-Vese分割模型进行分析,提出结合局部梯度和同质区域全局均值信息的双水平集遥感影像分割模型,并利用变分法得到曲线的演化方程。该模型引入一种内部约束能量项近似地表示符号距离函数,使算法摆脱了重新初始化符号距离函数的缺陷,提高了曲线的演化速度,且可以同时分割出多类目标。在建筑物检测中可以同时检测出建筑物的向阳区域、屋顶和阴影区域。实验表明,该方法是一种有效的建筑物检测方法。     

基于改进符号压力函数的变分水平集图像分割算法

为了更好地解决含有弱边界、灰度不均匀的图像在分割时出现的轮廓线错误移动而导致分割结果错误的问题,结合图像的统计信息,构造出一种新的符号压力(SPF)函数,提出了一种基于改进的压力符号函数的变分水平集图像分割算法。首先,利用新的压力符号函数代替边缘函数,构造了新的活动轮廓模型;其次,该算法保持了测地线活动轮廓(GAC)模型和chan-vese(C-V) 模型的优点,使水平集函数演化到目标的边界上;最后,对一些弱边界、灰度不均匀的图像进行仿真实验,结果表明提出的算法能够精准地分割目标,并且具有一定的抗噪性。     

Image segmentation and bias correction via an improved level set method

Intensity inhomogeneity causes considerable difficulty in the quantitative analysis of magnetic resonance (MR) images. Thus bias field estimation is a necessary pre-processing step before quantitative analysis of MR data. This paper presents a variational level set approach for bias correction and segmentation for images with intensity inhomogeneities. Our method is based on the observation that local intensity variations in relatively smaller regions are separable, despite the inseparability of the whole image. In the beginning we define a function for clustering the image pixels in a smaller neighborhood. The cluster centers in this objective function have a multiplicative factor that estimates the bias within the neighborhood. Generally the local intensity variations are described by the Gaussian distributions with different means and variances. In this work the objective functions are integrated over the entire domain with local Gaussian distribution of fitting energy, ultimately analyzing the data with a level set framework. Our method is able to capture bias of quite general profiles. Moreover, our model can also distinguish regions with similar intensity distribution with different variances. The proposed method has been rigorously validated with images acquired on variety of imaging modalities with promising results.     

基于PM模型的曲面去噪变分水平集方法

PM（perona-malik）模型是一种经典的非线性图像扩散模型,该模型能根据设定的阈值对图像光滑区域进行扩散,并能自适应地保持图像边缘。本文将曲面法矢量与一般灰度图像的强度进行类比,将经典的图像扩散的PM模型转化为曲面几何噪声处理的自适应扩散变分模型,在使曲面光滑的同时,能够保持曲面边缘。曲面采用隐函数的零水平集表达,能量泛函中的数据项用初始水平集函数的Heaviside函数与演化后水平集函数的Heaviside函数差的平方表达,能量泛函中的光滑项基于几何曲率定义。此外,在能量泛函中增加了水平集函数为符号距离函数的惩罚项,避免了水平集函数需要不断重新初始化的问题。数值实验验证了所提出模型的曲面噪声去除及曲面边缘保持效果。