先验形状力场参数活动轮廓模型及其医学图像分割

先验形状参数活动轮廓模型是一种抗噪声干扰稳定的图像分割方法．它具有对弱边缘、凹区域进行分割的能力,同时有较大的边缘捕捉范围．通过引入一种非距离性的先验形状力场,构建一种新的能反映先验形状的参数活动轮廓模型．新的先验形状活动轮廓模型避免了曲线之间距离的计算,减少了模型的复杂性．新的方法可以较好地解决传统型参数活动轮廓模型的一些本质缺陷.实验对带噪声且为弱边缘的医学CT图像和超声图像进行分割能得到理想的边缘轮廓.     

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.     

先验形状约束的超声前列腺图像分割方法

提出一种结合超声前列腺图像的局部特征和前列腺的先验形状知识的分割方法。该方法在传统图像分割方法中引入了前列腺的先验形状约束,使得分割能够一定程度地避免由于超声图像中噪声、伪影、灰度分布不均匀等因素对前列腺分割所造成的影响。算法分为两个部分：先验形状模型的学习和先验形状约束的分割。在先验形状模型学习阶段,采用主成分分析方法对形状作特征提取,以高斯分布作为形变参数的估计;在先验形状约束分剖阶段,将基于局部高斯拟合特征的活动轮廓模型与形状模型相结合对前列腺图像分割。实验表明,所提出的方法在超声前列腺图像中取得了良好的分割效果,为临床诊断和治疗提供了定量分析的工具。     

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。     

基于先验形状信息的水平集图像分割

针对现有水平集方法对于具有强噪声或弱边界的目标进行分割时存在的问题,提出了一种基于形状先验的图像分割方法.该模型采用变分水平集方法,融合了区域特征和边界轮廓特征,并通过相似性匹配选择最佳先验形状.该模型不仅对具有强噪声和弱边界的复杂图像具有较好的分割效果,而且有效地解决了曲线演化的初始轮廓的确定问题.与传统方法进行对比实验,结果表明,该方法具有较好的分割效果和较高的准确率.     

基于先验形状的混杂活动轮廓模型及其在图像分割中的应用

提出了一种新颖的基于先验形状学习的混杂活动轮廓(SHAC)模型,该模型采用变分水平集方法,融合自适应区域信息与边界信息,运用主成分分析的方法从给定的含有目标物体轮廓的训练集学习得到最佳形状信息,并将其作为先验形状。将自适应区域特征和轮廓特征作为局部信息,先验形状作为全局信息,在迭代过程中结合全局和局部信息实现对演化曲线的形变进行指导和约束,达到分割目标物体的目的。通过定量和定性地分析低对比度的乳腺核磁共振图像中的乳腺轮廓的分割,以及具有复杂背景的自然图像中感兴趣区域的分割结果,验证了SHAC模型比传统活动轮廓模型具有更高的准确率,表明了该模型不仅提高了图像分割中对弱边界的识别度,减弱了非目标轮廓的干扰,而且具有良好的抗噪能力。     

基于几何活动轮廓模型的人脸轮廓提取方法

针对在结构性噪声较严重的情况下 ,常规几何活动轮廓模型无法获得理想分割效果的问题 ,提出一种基于几何活动轮廓模型的人脸轮廓提取方法 ,该方法首先将人脸形状的椭圆性约束作为算子嵌入到几何活动轮廓模型中 ,并利用几何活动轮廓模型提取任意轮廓的优势来快速抽取出图象中类似椭圆的目标边缘 ;然后根据图象中人脸的先验知识 ,通过对检测到的椭圆目标进行进一步验证来找出最终人脸轮廓 .由于采用变分水平集方法做数值计算 ,因此该方法不仅能够自然地处理曲线的拓扑变化和能较精确地提取出图象中的人脸轮廓 ,而且同时可以给出人脸水平旋转的大致角度等信息 .实验结果表明 ,该方法是有效的 .     

基于区域显著性的活动轮廓分割模型

提出一种新的活动轮廓分割模型,结合视觉显著性检测机制自动获取待分割图像中目标物体的先验形状信息,并自适应地构造初始轮廓,从而降低了初始轮廓位置对分割算法的影响.同时实现了活动轮廓模型对图像的自适应分割和自动分割,使得分割结果更符合人类视觉感知特性.实验结果表明,该模型有较好的分割效果,迭代次数少,且运行时间短.     

显著性驱动的局部相似拟合模型分割算法研究

灰度不均匀和噪声图像的分割是计算机视觉中的难点。现有的活动轮廓模型尽管能够取得较好的分割效果,但仍然对噪声图像分割效果不理想,初始轮廓曲线的选取敏感,优化易陷入局部极小导致演化速度慢等问题。针对该问题,首先使用局部区域灰度的均值和方差拟合高斯分布,构建新的能量泛函,均值和方差随着能量的最小化过程而变化,从而增强了灰度不均匀和噪声图像的分割能力。此外,结合视觉显著性检测算法获取待分割目标的先验形状信息,并自适应地创建水平集函数,从而降低了初始轮廓位置敏感性及计算时间复杂度,实现全自动的图像分割。实验结果证明,提出的算法可以用于灰度不均匀和噪声图像分割,并取得了较好的分割性能,消除了算法对初始轮廓位置敏感性,减少了迭代次数。     

基于先验模型约束的Snake算法

提出了一种先验模型的方法,给活动轮廓模型设定了目标形状模板。在蛇点的运动过程中,利用归一化傅里叶描述子对蛇点轮廓和先验模型进行描述,反复比较蛇点和先验模型的差距,使蛇点轮廓的运动的形状逐渐逼近先验模型,更精确地收敛于目标物体轮廓。     

基于先验形状的人工目标识别与轮廓恢复

以具有典型形状特征的操场为例,探讨了形状特征在人工目标自动识别中的应用。基于形状特征的人工目标识别,一般首先将图像分割为多个基元,然后依据人工目标有较规则形状的特点,以形状特征作为指标进行识别。由于高分辨率遥感图像细节信息丰富,这种方法所提取的目标轮廓往往不完整。本文提出了"图像-基元-目标-轮廓恢复"的识别模式,在目标识别后采用加入形状先验知识的主动轮廓模型对目标进行轮廓恢复。实验结果表明,这种方法可以有效地修正目标提取结果中的轮廓缺失。     

A Variational Model for Object Segmentation Using Boundary Information and Shape Prior Driven by the Mumford-Shah Functional

In this paper, we propose a new variational model to segment an object belonging to a given shape space using the active contour method, a geometric shape prior and the Mumford-Shah functional. The core of our model is an energy functional composed by three complementary terms. The first one is based on a shape model which constrains the active contour to get a shape of interest. The second term detects object boundaries from image gradients. And the third term drives globally the shape prior and the active contour towards a homogeneous intensity region. The segmentation of the object of interest is given by the minimum of our energy functional. This minimum is computed with the calculus of variations and the gradient descent method that provide a system of evolution equations solved with the well-known level set method. We also prove the existence of this minimum in the space of functions with bounded variation. Applications of the proposed model are presented on synthetic and medical images.     

Three-Dimensional Shape Knowledge for Joint Image Segmentation and Pose Tracking

In this article we present the integration of 3-D shape knowledge into a variational model for level set based image segmentation and contour based 3-D pose tracking. Given the surface model of an object that is visible in the image of one or multiple cameras calibrated to the same world coordinate system, the object contour extracted by the segmentation method is applied to estimate the 3-D pose parameters of the object. Vice-versa, the surface model projected to the image plane helps in a top-down manner to improve the extraction of the contour. While common alternative segmentation approaches, which integrate 2-D shape knowledge, face the problem that an object can look very differently from various viewpoints, a 3-D free form model ensures that for each view the model can fit the data in the image very well. Moreover, one additionally solves the problem of determining the object’s pose in 3-D space. The performance is demonstrated by numerous experiments with a monocular and a stereo camera system.     

基于改进的GVF模型的CT图像分割方法

活动轮廓模型被广泛应用于医学图像分割之中．文中针对CT图像的分割方法进行了探讨，提出了一种基于GVF模型的改进的活动轮廓分割法。改进方法采用轮廓中心法及引入一作用力的方法，克服了GVF模型不能处理深度凹陷区域的问题．实验结果表明，改进后的分割方法较原Snake模型及GVF模型的效果更好．     

区域信息和水平集方法的图像分割

随着图像处理技术不断发展,图像分割技术也在不断的走向成熟,但是目前比较成熟的分割方法都存在一定的局限性,传统的分割方法一般都难以实现全局分割,而且对目标边缘比较模糊的物体难以实现有效的精确的分割;基于区域信息和水平集方法的图像分割算法弥补了这些缺陷,该算法是在传统的动态轮廓GAC模型和C_V模型的基础上进行改善;通过实验分析,首先,该算法极大提高了图像分割的精确性,使得轮廓线能够在要分割目标的边缘附近停止演化,即使目标的边缘是模糊不清的图像,该算法也能实现精确地分割;其次,该算法还克服了传统动态轮廓分割算     

Information-Theoretic Active Polygons for Unsupervised Texture Segmentation

Curve evolution models used in image segmentation and based on image region information usually utilize simple statistics such as means and variances, hence can not account for higher order nature of the textural characteristics of image regions. In addition, the object delineation by active contour methods, results in a contour representation which still requires a substantial amount of data to be stored for subsequent multimedia applications such as visual information retrieval from databases. Polygonal approximations of the extracted continuous curves are required to reduce the amount of data since polygons are powerful approximators of shapes for use in later recognition stages such as shape matching and coding. The key contribution of this paper is the development of a new active contour model which nicely ties the desirable polygonal representation of an object directly to the image segmentation process. This model can robustly capture texture boundaries by way of higher-order statistics of the data and using an information-theoretic measure and with its nature of the ordinary differential equations. This new variational texture segmentation model, is unsupervised since no prior knowledge on the textural properties of image regions is used. Another contribution in this sequel is a new polygon regularizer algorithm which uses electrostatics principles. This is a global regularizer and is more consistent than a local polygon regularization in preserving local features such as corners.Supported by NSF grant CCR-0133736.Partially supported by AFOSR grant F49620-98-1-0190 and NSF grant CCR-9984067.