基于多尺度梯度矢量场GAC模型的MR医学图像分割

医学图像分割是图像分割技术的一个重要应用领域,GAC(测地线活动轮廓)模型是基于PDE(偏微分方程)方法中一种常用的图像分割模型,使用这种模型时,如何选择合适的平滑尺度是影响分割效果的重要因素之一。提出了一种基于多尺度梯度矢量场GAC模型图像对象轮廓提取的MR图像分割方法,用多尺度梯度矢量取代GAC模型中单一尺度下平滑图像的梯度矢量,提高了GAC模型的收敛速度,有效地改善了局部极小值问题。实验结果验证了该方法的有效性。     

改进CV模型的医学图像分割

基于水平集的图像分割方法能有效处理拓扑结构较复杂、有分支的目标,分割结果对目标初始轮廓的位置不敏感,对图像中对比度低的边界的识别效果不佳。广义模糊算子能有效提高图像边界区域与非边界区域的对比度,图像细节分明、失真度小。运用广义模糊算子来改进水平集分割方法中的Chan-Vese模型（简称CV模型）的速度函数;并扩大传统CV模型的边界检测范围以减少迭代次数,加快收敛速度;最后消除误分割区域以进一步提高分割的准确性。对模拟和真实医学图像分割的实验结果表明：改进后的模型能较大提高分割的准确性及效率。     

基于LGDF模型的医学图像分割及有偏场校正

为实现对灰度不均匀医学图像分割的同时进行有偏场估计并校正,改进了基于局部高斯分布拟合(Local Gaussian Distribution Fitting,LGDF)能量的活动轮廓模型。通过分析图像有偏场模型的局部特性,将有偏场乘性因子引入图像局部灰度均值的表达中,从而使有偏场乘性因子成为新的能量函数的变量。能量函数的迭代最小化既实现了目标组织分割,又有效估计了有偏场。合成图像和真实医学图像实验表明该方法比现有多种方法分割性能更好,且利用估计的有偏场校正后的图像具有更好的视觉效果。     

基于HSV颜色模型的广义梯度矢量流图像分割方法

采用广义梯度矢量流（Generalized gradient vector flow, GGVF）作为势能函数的Snake算法在处理灰度图像分割时具有较好的性能.但当处理彩色图像时, GGVF模型往往将彩色图像转化为灰度图像进行处理,此过程造成颜色信息丢失,因而容易受到阴影等伪边界灰度变化的干扰.本文提出了基于HSV颜色模型的GGVF,充分利用了图像的色彩信息进行图像分割.实验结果表明,该方法能够有效地区分彩色图像的真实边界与由阴影产生的伪边界,并取得较好的分割结果.     

基于改进的变分GAC模型矢量图像分割

在分析矢量图像颜色信息和动态曲线演化规律的基础上,将归一化传导率的非线性热方程约束项引入变分侧地活动轮廓矢量模型中,使水平集函数不用重新初始化即可快速稳定地保持符号距离函数的特性．改进算法减少了迭代次数和运行时间,改进了图像二维梯度和散度算子传统离散化方式,使梯度和散度算子保持空间旋转不变性,提高了分割算法的鲁棒性．实...     

基于广义模糊吉伯斯随机场图像分割新算法

吉伯斯分布作为一种引入图像空间信息的先验模型已广泛运用于贝叶斯图像分割中．然而，由于传统该模型只在确定类上有定义，而在模糊类上未曾涉及，使得在运用该模型对一些模糊图像或退化图像进行处理时，分割效果不理想，甚至无能为力．该文针对这些不足，从模型本身出发，在传统的吉伯斯随机场模型中引入模糊概念，并针对实际多值分割特点，提出一种高效、无监督的广义模糊算法，从而实现对多值图像的精确分割．文中首先介绍一种二值的广义模糊吉伯斯随机场模型；然后将这种二值模型进行多值扩展，提出分段模糊与广义模糊吉伯斯两种实用的多值分割算法；最后将其运用于一系列医学图像分割．实验表明，文中提出的广义模糊分割算法比基于传统随机场的算法有更好的图像分割能力．     

基于Chan-Vese模型与形态学的医学图像分割算法

针对传统的多相Chan-Vese模型在进行多区域分割时容易产生空相位的问题,提出了一种改进的新的医学图像分割算法;该算法结合Chan-Vese模型、数学形态学、复合多相水平集分割算法,通过迭代腐蚀操作提取医学图像的轮廓,利用添加了复合多相水平集算法的Chan-Vese模型对医学图像进行分割,通过迭代膨胀操作复原图像;实验结果和分析表明,采用该算法很好地解决了医学图像分割过程中容易出现的多区域分割问题,减少了空相位的产生,而且对图像边缘有很好的分割效果。     

基于注意计算模型的医学图像模糊连接度分割

用模糊连接度分割图像时,种子点多以聚类分析方法自动给定,本文分析了传统聚类法存在的问题,在人类视觉活动机制的启发下,提出新的完全不同于聚类方法的视觉显著点注意引导下的图像分割方法.将图像特征显著点的定位转化为概率密度估计问题,引入新的注意计算模型并结合Mean-Shift处理得到关键特征点.注意模型的特征地图采用图像灰度的对比度构成,迭代计算高斯邻域显著度.从密度估计的角度定位显著点,克服以往偏生理注意模型对定量描述的能力不足,尤其适用医学模糊图像.新的方法能完全自动地定位种子点,有效地分割模糊医学图像,提高准确率.     

基于GVF模型的图像分割方法的改进

基于GVF模型的图像分割方法克服了snake模型对凹凸形状物体分割效果不好的缺点,但它对细长凹陷物体的分割效果仍然不佳。本文通过GVF模型力场的分析,对GVF模型进行了改进,克服了GVF模型的上述缺点,通过在改进的GVF模型中引入和设置方向矢量,还可分割出任何感兴趣的物体。     

基于人工生命的医学图像自动分割蠕虫模型

构造了一种具有初步生命特征的可变形模型——蠕虫模型．该模型包含神经中枢、视觉、触觉和运动系统,具有记忆、认知和支配躯体运动等功能;能智能地处理多种复杂情况,利用综合信息进行图像分割,具有常规图像分割方法不具备的能力．应用实例表明,该模型可以将胼胝体从二维MR矢状位图像中自动、完整地分割出来．对于边界有间断的较复杂的图像,该模型的优势更加明显．     

多描述子活动轮廓模型的医学图像分割

目的 医学图像分割结果可帮助医生进行预测、诊断及制定治疗方案。医学图像在采集过程中受多种因素影响,同一组织往往具有不同灰度,且伴有强噪声。现有的针对医学图像的分割方法,对图像的灰度分布描述不够充分,不足以为精确的分割图像信息,且抗噪性较差。为实现医学图像的精确分割,提出一种多描述子的活动轮廓（MDAC）模型。方法 首先,引入图像的熵,结合图像的局部均值和方差共同描述图像的灰度分布。其次,在贝叶斯框架下,引入灰度偏移因子,建立活动轮廓模型的能量泛函。最后,利用梯度下降流法得到水平集演化公式,演化的最后在完成分割的同时实现偏移场的矫正。结果 利用合成图像和心脏、血管和脑等医学图像进行了仿真实验。利用MDAC模型对加噪的灰度不均图像进行分割,结果显示,在完成精确分割的同时实现了纠偏。通过对比分割前后图像的灰度直方图,纠偏图像只包含对应两相的两个峰,且界限更加清晰;与经典分割算法进行对比,MDAC在视觉效果和定量分析中,分割效果最好,比LIC的分割精度提高了30%多。结论 实验结果表明,利用均值、方差和局部熵共同描述图像灰度分布,保证了算法的精度。局部熵的引入,在保证算法精度的同时,提高了算法的抗噪性。能泛中嵌入偏移因子,保证算法精确分割的同时实现偏移场纠正,进一步提高分割精度。     

基于改进粗糙集概率模型的鲁棒医学图像分割算法*

基于参数化模型的图像分割算法对复杂的医学图像分割精度较低,对此提出一种基于改进粗糙集概率模型的鲁棒医学图像分割算法。首先,将粗糙集的上下逼近与概率边界区引入最大期望算法中,表征每个类簇;然后,将图像的灰度分布建模为一个有限数量的混合粗糙集概率分布;最终,通过马尔可夫随机场引入图像的空间信息,提高图像分割算法的鲁棒性。基于合成脑部MR(核磁共振)图像库与真实脑部MR图像库的分割实验结果显示,本算法的分割精度与鲁棒性均优于其他参数化模型的分割算法及其他专门的脑部MR图像分割算法。     

基于梯度向量流的医学图像自动分割

提出了一种基于梯度向量流的自动图像分割算法，该算法首先将梯度向量流场转化为一个标量场，该标量场能够显著简化种子点选取和区域增长的步骤。在得到图像的初始分割后，再使用基于区域邻接图的算法来将相似区域合并得到最终分割结果。试验结果表明，该算法能够有效地解决医学图像中多目标区域的自动分割问题。     

融合形状先验的向量CV模型图像分割算法

Chan等人提出的向量CV模型尽管解决了传统CV模型无法分割向量值图像的问题,但是向量CV模型对于含有噪声或遮挡物等复杂的图像,无法正确分割目标。针对此问题提出一种融合形状先验向量CV模型。其能量泛函主要包含形状先验项、图像区域信息项以及距离正则项。此能量函数使得主动轮廓和形状先验位置相近时停止演化。该模型所用形状模板可以与目标形状仿射不同,使得算法更加灵活。该模型对含噪以及目标遮挡的图像具有很好的分割效果。     

一种改进的快速医学图像分割方法*

为了确定医学图像的最佳灰度直方图熵,提出了一种基于改进演化算法的快速分割方法,能够自适应调整交叉和变异概率,既保证了种群的多样性,又克服了传统演化算法局部最优、收敛过快的缺点。搜索到的最佳阈值不仅比传统演化算法稳定性好,还有效地缩短了搜索时间,快速地实现了医学图像分割,而且分割后的图像可读性强。实验结果表明,该方法速度快、分割效果好。     

基于PSO的Markov随机场在医学图像分割中的应用

研究了应用粒子群优化算法（PSO）优化Markov随机场方法对磁共振图像进行分割的算法。建立了基于马尔可夫随机场的图像分割模型,针对马尔可夫随机场图像模型的局部相关特性和最大后验概率估计,将粒子群优化算法应用于该模型,快速获得图像分割目标的全局最优解。实验数据表明该方法的高效性。     

改进的模糊C-均值聚类医学图像分割算法

针对模糊C-均值聚类算法分割图像时容易产生模糊边缘的缺点,提出了一种结合图像梯度和模糊C-均值聚类的图像分割方法.该方法利用图像梯度反映出来的目标边界,对由模糊C-均值聚类所获得的聚类区域进行分割,把因模糊性而划分到目标区域的像素点与目标区域进行分离,同时利用区域增长方法找出干扰区域并删除.将该算法应用到胰腺ERCP图像分割,实验表明,改进算法能够比较准确地分割出图像中的目标,减少因模糊聚类产生的模糊边缘.     

基于模糊C均值聚类的医学图像分割研究

模糊C均值聚类算法（FCM）在硬C均值聚类的基础上有效地解决了医学图像分割中存在的模糊情况,通过建立表示图像中像素点与聚类中心加权相似度的目标函数,采用迭代优化的方法求解目标函数的极小值来确定最佳聚类。针对FCM算法中存在的对大样本数据分割速度慢、结果易受初始值影响、对噪声敏感、难以适应多种数据分布等缺陷,涌现出了大量的改进算法。对其中的部分改进算法进行综述,主要介绍快速FCM算法、基于初始值选取的FCM算法、基于空间邻域信息的FCM算法以及基于核函数的FCM算法等,并对其优缺点进行概要的总结和介绍。指出该算法进一步的研究方向。