一种鲁棒的非均匀灰度图像分割算法

针对非均匀灰度图像分割困难及分割效率低下的问题,该文提出了一种基于活动轮廓模型的高效图像分割算法。不同于传统水平集方法中仅用单一信息定义的能量泛函,该算法结合图像的边缘信息和区域统计信息定义了一个新的能量泛函。边缘信息的利用便于演化轮廓线快速精确地定位至物体边缘;区域统计信息由局部统计信息和全局统计信息构成,一方面,局部统计信息的利用能够有效处理图像的灰度分布不均匀现象,另一方面,全局统计信息的利用避免了轮廓线陷入局部极小值。最后,在轮廓线演化过程中,通过高斯卷积核实现快速规则化,避免了传统模型计算代价高昂的重新初始化或规则化。合成图像和真实图像的实验结果表明,该文算法不仅能够快速有效分割灰度分布不均匀的弱边缘物体,而且对于多灰阶复杂结构物体也能够精确分割;同时,该算法对噪声和初始轮廓线具有较好的鲁棒性。     

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.     

基于局部统计和高斯分布拟合的图像分割方法

为解决灰度不均匀图像的分割问题,提出一种基于局部统计和高斯分布拟合的活动轮廓模型图像分割方法。首先,利用局部统计活动轮廓模型(locally statistical active contour model, LSACM)定义联合偏移场和极大似然函数;然后,引入局部高斯分布拟合能量(local gaussian distribution fitting energy, LGDF)模型中的高斯函数;同时,将二者线性组合构造基于局部统计和高斯分布拟合的活动轮廓模型;最后,利用变分法和最速下降法即可得到偏微分演化方程。实验结果表明,所提算法能够准确分割噪声和灰度不均匀图像,而且对自然图像也有一定的分割能力。     

基于LDC的图像过渡区提取与分割

提出一种基于局部清晰度-复杂度的图像过渡区提取算法,通过计算图像局部清晰度获得清晰度图像,增加了过渡区灰度层次信息,再计算清晰度图像的局部复杂度,并根据复杂度曲线确定过渡区提取门限对过渡区进行提取,根据提取的过渡区灰度直方图,获得图像的分割阈值并对图像进行分割。实验结果表明,本文方法比传统的基于局部复杂度法提取的过渡区更加准确,图像分割效果更好。     

基于可变区域拟合水平集算法的改进

基于可变区域拟合水平集算法利用图像的局部区域信息,在活动曲线演化控制参数的手工设置使其应用受到了限制。本文提出了将灰度信息图像匹配原理应用到RSF模型中,根据计算相邻演化图像的相关系数实现迭代的自适应停止。实验结果表明,改进的RSF模型克服了自动设置迭代次数的缺点,实现了迭代的自适应停止,而且对弱边缘不连续图像能够有效地实现,节省了时间,提高了分割效率。     

结合局部能量与改进的符号距离正则项的图像目标分割算法

针对传统C-V模型对颜色不均匀图像分割失败并且对初始轮廓和位置敏感问题,以及现有符号距离正则项存在周期性振荡和局部极值问题。该文提出结合局部能量信息和改进的符号距离正则项的图像目标分割算法。首先,将全局图像信息扩展到HSV空间,并使用局部能量项信息分析每个像素及其领域内的统计特性,从而在较少的迭代次数内有效分割颜色分布不均匀图像。其次,改进现有符号距离正则项,改进后的符号距离正则项在避免水平集函数的重新初始化的同时,提高了计算效率,保证了水平集函数演化过程的稳定性。然后,定义阈值判断法的水平集函数演化的终止准则,使曲线准确演化到目标轮廓。该算法与同类模型的对比实验表明该模型具有较高的分割精度和对初始轮廓的鲁棒性。     

一种血管约束的局部活动轮廓模型

活动轮廓作为一种重要的图像分割工具,近几年来在理论和应用方面都有很大的发展。然而,现有轮廓模型在处理灰度均匀性较差的图像时,通常存在较高的分割误差,并且对初始轮廓曲线位置敏感。为此,本文提出一种基于血管特征约束的活动轮廓模型,该模型首先使用局部相位（Local Phase）的血管增强算法对图像进行增强处理以生成一种不同于图像灰度的血管特征信息,然后将血管信息和图像灰度以线性加权的形式引入到局部二值拟合（Local Binary Fitting,LBF）能量泛函中,指导图像血管分割。基于视网膜血管图像数据（Digital Retinal Images for Vessel Extraction,DRIV）的实验显示：该模型能成功地从灰度分布不均匀和弱边界轮廓的视网膜图像中提取血管,分割灵敏度和准确性分别达到74.43%和93.67%,同时对初始轮廓曲线位置的敏感性大为降低。由上述可知,该模型具有高分割准确性和低初始位置敏感性。     

改进的RSF模型应用于带钢表面缺陷分割

可调拟合(Region Scalable Fitting, RSF)活动轮廓模型在分割带钢表面缺陷图像时易陷入局部最小值;此外,因引入高斯核函数导致边缘更加模糊而影响分割效果,针对这些问题,提出改进的RSF模型并应用于带钢表面缺陷分割。一方面,在RSF模型中引入局部灰度均值差异项作为新的拟合项,并且引入局部灰度方差差异代替原拟合项的参数,驱动曲线演化避免陷入局部最小值;另一方面,用双边滤波函数代替高斯核函数,避免对边缘模糊的缺陷造成二次模糊,同时更好地保护了边缘。在NEU带钢表面缺陷数据集上的仿真实验结果表明,改进的算法的分割效果和运行效率均优于其余3种模型,能够较快地准确分割出带钢表面缺陷,并且保留图像细节。     

基于活动轮廓模型的左心室MR图像分割

本文提出一种基于局部与全局特征的活动轮廓模型左心室MR图像分割算法.该算法融合了图像局部信息和全局信息.局部信息包含了图像局部均值和方差信息,来克服图像灰度不均匀的影响.全局信息则较好地提高模型处理图像弱边界的能力,并防止模型陷入局部最优,实验结果表明,改进算法分割出较为精确的心脏左心室MR图像.     

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.     

Minimization of region-scalable fitting energy for image segmentation

Intensity inhomogeneities often occur in real-world images and may cause considerable difficulties in image segmentation. In order to overcome the difficulties caused by intensity inhomogeneities, we propose a region-based active contour model that draws upon intensity information in local regions at a controllable scale. A data fitting energy is defined in terms of a contour and two fitting functions that locally approximate the image intensities on the two sides of the contour. This energy is then incorporated into a variational level set formulation with a level set regularization term, from which a curve evolution equation is derived for energy minimization. Due to a kernel function in the data fitting term, intensity information in local regions is extracted to guide the motion of the contour, which thereby enables our model to cope with intensity inhomogeneity. In addition, the regularity of the level set function is intrinsically preserved by the level set regularization term to ensure accurate computation and avoids expensive reinitialization of the evolving level set function. Experimental results for synthetic and real images show desirable performances of our method.     

结合边界和区域的水平集超声图像分割算法

针对距离正则化的水平集演化（DRLSE）模型难以处理弱边缘图像、初始轮廓敏感以及曲线演化方向单一等问题,提出一种结合边缘和区域信息的变分水平集超声图像分割模型。该模型采用改进的四阶偏微分方程进行滤波,实现在去除噪声的同时保护图像边缘信息;构造了自适应加权系数,实现曲线自适应地向内或者向外演化;引入CV模型的外部能量项,将图像的边缘信息和区域信息相结合,提高了全局分割能力。实验结果表明：该方法在分割超声图像时,具有演化结果稳定,边缘定位准确的特点,可以较好地提取超声图像中的目标。     

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.     

利用局部离散度活动轮廓模型的强度非均匀图像分割

强度非均匀现象在真实图像中普遍存在,采用常规基于强度的分割算法会导致严重的误分割。针对强度非均匀图像分割,提出了基于局部离散度的活动轮廓模型分割算法。首先定义基于类内类间距离的离散度,然后利用核函数提取局部区域信息,同时加入边缘指示函数加权的轮廓线长度项能量,建立基于局部离散度的活动轮廓模型。最后引入水平集函数惩罚项,避免水平集方法在演化求解时需要不断初始化的问题。合成图像和真实图像实验结果证明本文算法性能稳定,适应于强度非均匀图像的分割。      

基于流形特征与形状先验的红外直升机图像分割

为有效分割复杂天空背景下的直升机目标,提出了基于流形特征与形状先验的变分分割模型.根据图像数据的灰度分布构造区域能量项,推动变形曲线向目标边界演化;引入对称正定（Symmetric Positive Definite,SPD）矩阵流形上的区域协方差描述子构造流形特征能量项以提高分割算法的鲁棒性.在区域项、边界项和流形特征项的共同作用下获取红外直升机目标的第一阶段分割结果.在第二阶段分割过程中,基于主成分分析（Principal Component Analysis,PCA）方法获取直升机目标的先验形状变化模式,以变形曲线在PCA空间重构的形状作为先验知识约束曲线的演化,最终实现红外直升机图像的分割.实验结果表明,本文方法能够有效获取直升机目标的完整轮廓.     

基于SVM能量模型的改进主动轮廓图像分割算法研究

为克服经典主动轮廓模型曲线内外区域能量定义在复杂目标与背景分布情况下的不足,本文将高效的支持向量机有监督学习分类器引入基于Mumford-shah模型的主动轮廓图像分割算法中,提出了基于SVM能量模型的改进主动轮廓图像分割方法.该方法首先利用支持向量机的分类结果对于封闭曲线的内外区域分别构造了一种新的图像能量表示方法,因为分割过程充分利用了有监督学习策略,使得本文提出的算法具有更高的稳定性和更加广泛的适用范围,特别是对目标灰度分布不均或存在多纹理的目标也可以得到较好的分割结果.分割时,首先利用SVM实现粗分割得到目标初始轮廓,然后利用改进的Mumford-shah主动轮廓模型进行精确分割,采用粗分割策略一方面可以大大提高分割速度,另一方面也可以提高了算法的自动化程度.对比实验结果表明本文提出的算法具有更大灵活性和更好的分割性能.     

A real-time algorithm for the approximation of level-set-based curve evolution.

In this paper, we present a complete and practical algorithm for the approximation of level-set-based curve evolution suitable for real-time implementation. In particular, we propose a two-cycle algorithm to approximate level-set-based curve evolution without the need of solving partial differential equations (PDEs). Our algorithm is applicable to a broad class of evolution speeds that can be viewed as composed of a data-dependent term and a curve smoothness regularization term. We achieve curve evolution corresponding to such evolution speeds by separating the evolution process into two different cycles: one cycle for the data-dependent term and a second cycle for the smoothness regularization. The smoothing term is derived from a Gaussian filtering process. In both cycles, the evolution is realized through a simple element switching mechanism between two linked lists, that implicitly represents the curve using an integer valued level-set function. By careful construction, all the key evolution steps require only integer operations. A consequence is that we obtain significant computation speedups compared to exact PDE-based approaches while obtaining excellent agreement with these methods for problems of practical engineering interest. In particular, the resulting algorithm is fast enough for use in real-time video processing applications, which we demonstrate through several image segmentation and video tracking experiments.     

基于结构分量和信息熵的Criminisi图像修复算法

针对Criminisi图像修复算法中优先级计算易受 图像纹理影响的问题,提出了改 进的基于图像结构分量的优先级函数。首先采用变分分解模型,将待修补图像分解为结构分 量和 纹理分量;其次基于结构分量计算数据项,排除纹理的影响;然后在优先权函数中 引入度量像素块复杂度的信息熵,将像素块中除了中心点之外其它位置的结构信息 融 入到优先权的计算中,使修补次序进一步向结构丰富的像素块倾斜;最后将优先权函数 表 示为置信度、数据项和信息熵的加权和,以解决传统Criminisi算法优先权随着置信度 迅速 下降为零而造成修复次序出现偏差的不足。新的优先权函数排除了像素块中在计算数据项时 纹 理的影响,并且融合更多的结构信息,使修复次序更加准确。实验结果表明,对于 不 同的人工图像和自然图像,本文模型都能取得较为满意的修复结果。     

Image Segmentation and Selective Smoothing Based on Variational Framework

This paper addresses the segmentation and smoothing problems in biomedical imaging under variational framework. In order to get better results, this paper proposes a new segmentation and selective smoothing algorithm. This paper has the following three contributions. First, a new statistical active contour model (SACM) is introduced for noisy image segmentation. SACM is proposed to solve the problem in fast edge integration (FEI) method, which takes advantages of both edge-based and region-based active contour model but only considers the mean information inside and outside of the evolution curve. In SACM, a new statistical term for considering the probability distribution density of regions and a unified variational framework are proposed for construction of different segmentation models with different probability density functions. Moreover, a penalized term is also introduced in the proposed model as internal energy in order to avoid the time consuming re-initialization process. Second, a new symmetric fourth-order PDE denoising algorithm is developed to avoid the blocky effects in second-order PDE model, while preserving edges. Third, in each stage of segmentation process, different denoising algorithms (or different parameters in the same denoising model) can be employed for different sub-regions independently, so that better segmentation and smoothing results can be obtained. Compared with existing methods, our method is more flexible, robust to noise, computationally efficient and produces better results.