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.     

图割与非线性统计形状先验的图像分割

提出一种图割与非线性统计形状先验的图像分割方法。首先,在输入空间对输入的形状模板进行配准,得到训练集;其次,采用非线性核函数将目标形状先验映射到特征空间进行主成分分析,获取其投影形状,将此投影形状映射回原输入空间得到目标的平均形状,构成新的能量函数;第三,通过自适应调整形状先验项的权值系数,使能量函数的形状先验项自适应于被分割的图像;最后,用Graph Cuts方法最小化能量函数完成图像分割。实验结果表明,该方法不仅能准确分割与形状先验模板有差别的图像,而且对目标有遮挡或污染的图像也有较好的分割效果,提高了分割效率。     

结合形状先验的水平集灰度纹理图像分割方法

传统水平集图像分割方法多考虑图像底层数据而忽略高层语义特征,对灰度纹理图像的分割效果较差。针对该问题,结合形状先验设计水平集灰度纹理图像分割方法。通过ASLVD滤波获取纹理项,同时对滤波图像进行局部化处理得到形状先验,以形状概率表示形状先验能量项,将其与灰度项、规则化项和纹理项相结合,构造整体水平集曲线演化能量函数,并最小化能量函数得到分割结果。实验结果表明,该方法能够对目标背景遮挡的灰度纹理图像取得较好的分割效果。     

含先验形状的水平集血管分割方法

针对图像中灰度分布不均匀和弱边缘情况下已有的水平集模型不能正确分割,且现有基于先验形状的水平集模型都要利用大量样本来进行训练的不足,提出一种无需训练的血管先验形状水平集分割方法.首先通过机械应力张量的方法分析Hessian矩阵,并建立血管相似函数;然后根据血管相似函数临界值得到血管的先验形状,并用水平集符号距离隐式表达形状曲线;最后将先验血管形状模型作为约束加入到耦合最小方差和FLUX模型的能量函数中,采用变分水平集法求解能量函数的极值.由于曲线的演化不仅依赖图像的区域信息和梯度信息,还受到血管先验形状的约束,因此该模型不但能精确定位边缘,还能准确地提取出血管.实验结果表明,采用该方法分割严重灰度分布不均匀的血管造影图像,具有准确度好、精度高、鲁棒性好的优点.     

结合形状统计的水平集图像分割

给出了一种结合先验形状统计信息的Mumford-Shah模型的水平集实现方法。结合形状统计的水平集图像分割主要包括先验形状模型的构造和形状能量项的构造,针对这两个主要方面做了如下两点工作：（1）提出了一种简单可行的先验形状模型构造方法;（2）重新构造了形状能量项,它综合考虑了全局和局部形状信息,且不含形状姿态参量,使曲面演化稳定可靠。带标记线左心室核磁共振（MR）长轴图像的实验结果和合成图像的分割结果证明了该方法的有效性。     

稀疏形状先验的脑肿瘤图像分割

目的 在脑部肿瘤图像的分析过程中,准确分割出肿瘤区域对于计算机辅助脑部肿瘤疾病的诊断及治疗过程具有重要意义。然而,由于脑部图像常存在结构复杂、边界模糊、灰度不均以及肿瘤内部存在明暗区域的问题,使得肿瘤图像分割工作面临严峻挑战。为了克服上述困难,更好地实现脑部肿瘤图像分割,提出一种基于稀疏形状先验的脑肿瘤图像分割算法。方法 首先,研究脑部肿瘤图像的配准与形状描述,并以此为基础构建脑部肿瘤的稀疏形状先验约束模型;继而,将该稀疏形状先验约束模型与区域能量描述方法相结合,构建基于稀疏形状先验的能量函数;最后,对能量函数进行优化及迭代,输出脑部肿瘤区域分割结果。结果 本文使用脑胶质瘤公开数据集BraTS2017进行算法测试,本文算法的分割结果与真实数据之间的平均相似度达到93.97%,灵敏度达到91.3%,阳性预测率达到95.9%。本文算法的实验准确度较高,误判率较低,鲁棒性较强。结论 本文算法能够结合水平集方法在拓扑结构描述和稀疏表达方法在复杂形状表达方面的优势,同时由于加入了形状约束,能够有效削弱肿瘤内部明暗区域对分割结果造成的影响,从而更准确和稳定地实现脑部肿瘤图像分割。     

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。     

一种基于边缘与区域信息的先验水平集图像分割方法

传统的水平集图像分割方法仅考虑了图像的数据信息,因此对被遮盖的目标以及与背景灰度相近的目标无法达到理想的分割效果.针对这个问题,提出了一种基于边缘和区域信息的先验水平集图像分割方法.该方法首先将图像的区域信息融入基于边缘的水平集方法,然后将其与形状先验结合.对比实验表明该文方法由于综合考虑了多种信息,能够更好地完成被遮盖目标的分割,对于与背景灰度相近的目标也能达到更好的效果.     

基于先验知识水平集方法的草莓图像分割

在实际应用中,当目标本身含有一些固有的颜色纹理特征时,可将这些特征作为一种先验信息,这样可以大大提高分割的准确性.为此,本文提出了一种基于先验信息的改进水平集图像分割方法.首先,利用传统的C-V模型能量项的构造思想构建了基于颜色信息的局部能量项,该项是用于处理彩色图像;然后将颜色分量引入到传统的结构张量中构建出新的扩展型结构张量,该项是用于处理纹理信息;最后,将上述新构造的能量项以及Li模型约束项引入到传统C-V模型中得到新的水平集模型.鉴于草莓果实所具有的颜色信息和纹理信息,本文将上述改进水平集方法应用到农业自动化应用中草莓果实分割中.对实验室环境与草莓生长环境下的草莓图像进行分别实验,结果显示该方法能够不仅能够分割出草莓果实且能够很好地处理草莓表面的纹理信息.另还与OTSU算法、传统C-V模型、改进C-V模型对草莓图像作对比实验,结果表明本文算法均比上述三种算法具有更好的分割效果.     

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。     

基于图像层的双水平集图像分割

传统C-V模型可以将待分割图像分割成目标和背景两区域,但无法实现对多目标图像的分割.多相C-V模型能够对多目标图像进行分割,但需要多次迭代,计算量较大.为了解决上述问题,提出一种基于图像层的双水平集分割算法,该算法通过引入背景填充技术来改变图像背景,从而形成新的图像层,双水平集不断地在新的图像层中进行分割,直到所有目标被分割.这样通过双水平集就可以实现对多目标图像的分割.实验结果表明:该算法能够实现多目标分割,且迭代次数较少,同时具有较强的抗干扰能力和较快的收敛速度.     

基于贝塞尔滤波的水平集正则化图像分割方法

针对水平集函数在演化过程中的初始化敏感和数值稳定性问题,提出了一种新的基于贝塞尔滤波的正则化方法,并将其嵌入到经典的可变区域拟合(Region-Scalable Fitting,RSF)模型中,从而构成新的能量模型。首先,利用K均值算法进行自动初始化,再加以修正生成标准的初始水平集函数,以解决RSF模型对初始化敏感的问题;其次,利用RSF模型自身优点对图像进行迭代分割,同时在迭代过程中利用提出的方法对水平集函数进行正则化处理,保持迭代过程中的稳定性;最后,实现精确的分割效果。实验结果表明,提出的正则化方法有效地保持了水平集函数的稳定性。将新的模型与多种基于区域的模型进行对比,仿真实验表明,提出的方法具有较高的算法效率与分割精度。     

基于多尺度统计形状模型的Levelset分割方法

提出并建立了一种基于小波分析的多尺度统计模型,将该统计模型作为先验知识引入Mumford-Shah能量约束函数,从而指导水平集函数进行图像分割。实验表明,当对拓扑结构复杂的医学图像进行分割时,该方法具有明显的效果,同时分割速度和精度都得到了明显改善。     

基于水平集方法的航拍图像运动分割

针对航拍图像由于受噪声和光照影响导致分割精度差问题,将一种改进的C-V水平集方法引入到航拍图像运动分割中.首先对C-V模型作了改进,通过引入新的能量项使改进方法无需重新初始化符号距离函数,在保证分割精度的同时提高了分割速度;其次对水平集函数的偏微分方程进行改进,消除了原始C-V方法对远离实际边缘的轮廓曲线进化的抑制作用.实验结果显示,改进方法能有效地分割出航拍图像中的运动目标,在初始轮廓线远离目标实际轮廓时也能够正确分割,并能更好地满足实时性的要求.改进方法具有分割精度高,耗时少的优点,可用于航拍图像运动目标检测跟踪系统.     

一种改进的拉普拉斯水平集医学图像分割算法

作为图像识别与图像理解的关键步骤,图像分割一直受到人们的重视,很多相应的算法被提出,但它也面临着很多挑战。医学图像分割的难点是对模糊边缘的连续有效分割,为准确的目标提取提供保障。提出一种新的医学图像分割算法,算法在拉普拉斯水平集图像分割算法基础上,融入图像的区域信息,重新定义了驱动水平集表面演化的速度函数。算法除了利用图像的边缘梯度信息外,还充分融合了图像的区域信息,从而在保持图像边缘局部特征的同时,充分利用了区域全局优化的特点,可实现医学图像的有效分割。与经典水平集分割方法相比,改进后的方法能够更好地保持边界的连续性,得到比较完整的分割结果,为图像分析提供可靠的科学数据。     

基于Level Set算法的医学图像分割的研究与实现

提出了一种改进的结合基于阈值分割特点的Level Set方法.首先用滤波器对原始图像进行平滑,然后根据当前曲线找到区域的统计特性,最后根据区域之间的统计特性的相似度重新定义了Level Set方法的演化停止准则,从而提高了算法的准确性和自动性.实验结果表明,该方法具有较好的分割效果和较高的分割效率.     

一种基于形状特征的图像检索方法

基于内容的图像检索技术中,形状特征是最重要的图像特征部分。傅立叶描述子(FD),因为它高效性,稳定性,低计算复杂度和少量参数运行的优点而被广泛应用。目前已经存在的大多数傅立叶描述子往往直接使用它的傅立叶系数,本文我们应用主成分分析Principal Component Analysis(PCA)方法在傅立叶描述子中,从而提出基于PCA的傅立叶描述子的形状描述和检索方法。本论文的实验采用MPEG-7标准图像数据库来比较检索性能。实验结果表明PCA-FD的方法实现了更短时间内的更好检索精确率。