基于知识的多层Mumford-Shah向量值图像分割模型

针对多层Mumford-Shah模型不能正确分割对比度小且部分被遮挡的复杂医学图像问题, 将目标形状先验知识窄带水平集统计形状模型集成到多层Mumford-Shah模型, 提出了基于目标形状先验知识的多层Mumford-Shah向量值图像分割模型和求解该图像分割模型泛函最小值的水平集逐层迭代算法. 实验结果表明, 该方法能够有效分割对比度小且部分被血管遮挡的早期青光眼病人视乳头图像.     

一种模糊特征驱动曲线演化的图像分割

利用模糊特征向量表示图像上各区域上的特性,然后把模糊特征向量集成到简化Mumford-Shah模型。这种推广的Mumford-Shah模型与原来的Mumford-Shah模型相比能包含更多的图像信息,增强了图像分割的性能,而复杂程度却没有提高。原来的模型是推广模型的特例。对弱边缘、凹凸区域和复杂背景的图像能较好地分割。人工合成图像、真实图像的实验说明推广模型对图像分割的有效性。     

基于水平集逐层迭代算法的多层Mumford-Shah图像分割、去噪与重建模型

针对能够同时进行图像分割、去噪与重建目的的Mumford-Shah能量泛涵最小值图像模型求解非常困难这一问题,提出了"多层Mumford-Shah图像分割、去噪与重建模型"和求解该多层模型最小值的"水平集逐层迭代算法".该多层模型是Mumford-Shah"最小分割问题"的"多层"模型.实验结果表明,该方法不仅能够同时进行具有T型图像边缘或更复杂拓扑结构图像边缘的图像分割、去噪与重建,而且比Tsai A.等人提出的多层求解轮廓和Chan T.等人提出的多相水平集方法更简单更有效.     

基于简化Mumford-Shah模型的水平集图像分割算法

为解决传统图像分割方法受噪声和边界轮廓影响而使分割效果不佳问题,基于简化的Mumford Shah模型的水平集图像分割算法通过将曲线嵌入水平集函数,利用函数的求解以达到曲线演化和图像分割的目的。试验表明此分割算法与初始轮廓线位置无关、不受边界轮廓线连续性限制、对图像噪声具有很强的鲁棒性,对均质灰度目标分割效果良好。     

Mumford-Shah模型及其应用

介绍了Mumford-Shah模型的基本理论,将众多的Mumford-Shah模型改进算法归纳为内嵌改进型和顺接改进型两种,并指出内嵌改进型主要改进了Mumford-Shah模型的计算方式,顺接改进型是以串行的方式融合了Mumford-Shah模型和其它方法.最后指出Mumford-Shah模型仍需要改进,以解决复杂或多目标图像的分割问题.     

多层Mumford-Shah向量值图像分割、去噪与重建模型

针对多层 Mumford-Shah 图像分割、去噪与重建模型不能进行彩色等向量值图像处理的问题, 提出了多层 Mumford-Shah 向量值图像分割、去噪与重建模型和求解该模型泛函最小值的水平集逐层迭代算法. 该模型是 Mumford-Shah ``最小分割问题'的向量值图像``多层'实现模型. 实验结果表明, 该方法不仅能够同时进行具有 T 型图像边缘或更复杂拓扑结构图像边缘的向量值图像分割、去噪与重建, 而且比 Tsai A 等人提出的多层求解轮廓和 Chan T 等人提出的多相水平集方法更简单有效.     

Mumford-Shah模型在卫星云图分割中的应用

利用Mumford-Shah模型对卫星云图进行分割和识别。根据卫星云图自身的特征,提出了基于核心灰度的Mumford-Shah模型,并用此模型分割出了单通道卫星云图中的高云、中云和低云。同时提出了一种基于核心灰度的Mumford-Shah模型的向量图像分割方法,对两个通道的卫星云图进行分割,更加准确地识别出中低云系在红外通道和可见光通道中的位置。     

图像分割的Gap统计模型

基于Hastie T.和Tibshirani R.等提出的"Gap statist"的思想,通过分析样本灰度数据分布的差别,提出了函数特征、间隙、总间隙及全间隙等概念,建立了图像分割的Gap统计模型,并给出了较为详细的算法。分析了图像分割Gap统计模型中正则部分和奇异部分的特点,导出了区域特征自相似函数的分割结果与模型调节参数的关系。比较了用于图像分割的Gap统计模型与 Mumford-Shah模型,结果表明图像分割Gap统计模型的复杂度明显低于Mumford-Shah模型。     

基于Mumford-Shah模型的VHP图像分割

该文提出了一种新的基于Mumford-shah模型的彩色图像分剖方法,针对原有模型主要处理灰度图像的局限性,提出一种在HIS空间分割的策略;并采用在模型演化前作非线性扩散的方法较好地解决了简化的Mumford-Shah模型不能处理含噪声的复杂图像的问题;对于简化Mumford-Shah模型计算量大,又不能使用窄带法的缺点,该文使用多个零水平集作初始化并采取多尺度策略。通过应用于VHP计划彩色医学解剖图像,得到了满意的分割精度,大大节省了分割时间,有很好的应用价值。     

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。     

具有多指标柔性能量的Mumford Shah模型图像分割

针对Chan和Vese提出的基于Mumford Shah泛函的水平集图像分割算法，做了两方面的改进：首先,构造了具有柔性的演化曲线内外能量取代C V模型中的刚性能量，减少了C V模型求解时的数值不稳定和过度分割等现象；其次，综合图像的多方面特征，提出多指标集能量项构造方法，提升了C V模型的分割能力和精度。综合两方面的工作，提出带多指标柔性能量的C V模型。新模型能有效处理图像受严重噪音污染、目标内部有灰度起伏等情况。对人工合成图像、医学图像和真实世界图像的分割实验均表明了新模型的良好性能，并且算法收敛速度快、数值稳定。     

一种整合单通道各向异性扩散信息的水平集图像分割方法*

在对Chan-Vese提出的基于简化Mumford-Shah模型(C-V模型)改进的基础上,针对彩色图像、多光谱图像等多通道图像,提出了一种多通道C-V模型水平集图像分割方法.首先将多通道图像分解到各单通道,使用一种新的各向异性扩散方法对各通道进行平滑滤波,然后使用能够整合各通道各向异性扩散信息的多通道C-V模型进行分割.普通彩色图像与多光谱图像数据的实验结果表明,该方法分割质量明显优于传统的C-V模型分割.     

基于PCLSM的M-S模型的视乳头杯盘分割

基于分段常数水平集方法的M—S模型能解决二值M—S模型及其相应的C—V模型不适合包含多个目标（或多相）的图像分割的问题。采用该方法研究青光眼视乳头图像杯盘分割难题,并在此基础上进行杯盘重建。实验表明,该方法能够正确分割不同青光眼病人的视乳头图像。与多层分割方法相比,该方法能同时获得视杯和视盘的形态。     

基于局部区域信息的水平集医学图像分割方法

针对医学图像中存在的亮度分布不均匀（intensity inhomogeneity）的特点,对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法进行了改进。局部区域信息是对亮度分布不均匀图像进行准确分割的关键,但是传统的基于区域信息的C-V模型没有利用到这种局部区域的图像信息,因此无法正确分割强度分布不均匀图像。利用局部区域信息构造能量函数,提出了一种基于局部区域信息的改进C-V模型。该模型无需大量计算,水平集函数可快速收敛。MR图像、血管造影图像和X线骨折图像的实验结果证明了该方法的高效性。     

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.     

基于梯度的混合Mumford-Shah模型医学图像分割

针对C-V法的水平集图像分割法缺少局部控制能力等问题,将基于边缘的几何主动轮廓线模型和基于区域的C-V法两者结合起来,提出了基于梯度的混合Mumford-Shah图像分割模型HMSG。给出了HMSG模型的参数设置准则,在分割的初期加大模型中全局特征项的权值,在分割的后期则加大局部特征项的权值,以提高模型的图像分割能力。对合成图像与医学图像的分割实验结果表明,该方法优于C-V方法对于含有噪声和边缘模糊的非二值图像的分割,能够较为准确地提取图像边界,可以有效提高图像分割整体性能。