基于多元信息的高斯混合模型左心室MR图像分割

水平集模型在核磁共振图像(MRI)分割中具有十分重要的地位。但由于MR图像往往具有弱边界和强噪音,传统的水平集模型用于图像分割时一般依据图像梯度信息,因而很难得到真实解。高斯混合模型使用了图像全局信息,能较好地处理弱边界问题。但传统的高斯混合模型仅使用了灰度值分布信息,未对像素的位置进行考虑,这使得其在处理噪音图像时效果并不是很理想。该文利用图像多种信息构造新的信息场,使得由信息场构造的高斯混合模型更能处理噪音等影响,同时防止从弱边界泄漏。在取得心脏内壁后构造能量方程,运用形状约束和图像信息以得到心脏外壁。对左心室MR图像分割实验表明该模型具有较好的分割效果。     

遥感图像的有向空间高斯混合模型分割方法

针对传统高斯混合模型没有考虑像素间的空间关系,使得遥感图像分割算法对噪声不具备健壮性的问题,提出了一种基于有向空间关系高斯混合模型的遥感图像分割方法。首先,根据图像区域特征,利用像素之间的空间信息对高斯混合模型的先验概率和后验概率进行约束,定义的空间约束能够确保图像空间更新时算法结构的稳定;其次,根据像素区域分类信息,通过能量函数中灰度信息的分量控制,确保图像灰度和空间信息的自适应分配;最后,利用K均值算法初始化分割模型参数,通过交替进行评估像素与类别之间的对应关系和空间约束变换,实现图像的精准分割。利用遥感样本图像对该算法进行性能测试实验,与当前流行的3种算法相比,该算法展现出卓越的分割性能。     

一种基于高斯混合模型的距离图像分割算法

提出了一种基于表面法向的高斯混合模型的距离图像分割算法.它充分利用了表面法向高斯混合模型的物理含义,使数据聚类的次数减少,并利用Expectation-Maximization(EM)算法估计出的模型参数计算模型的后验概率实现了自动模型选择.算法针对两种距离相机的60幅真实距离图像进行了实验.将实验结果与几个流行的分割算法进行了客观比较.     

用于图像分割的多分类高斯混合模型和基于邻域信息的高斯混合模型

高斯混合模型是一种简单有效且被广泛使用的图像分割工具。然而,传统的高斯混合模型在混合成分个数确定时的拟合结果不够精确;此外,由于没有考虑像素间的空间关系,导致分割结果易受噪声干扰,且分割精度不高。为弥补传统高斯混合模型的缺陷,文中提出多分类高斯混合模型和基于邻域信息的高斯混合模型用于图像分割。多分类高斯混合模型对传统混合模型进行二重分解:传统混合模型由M个分布加权混合得到,多分类混合模型进一步将M个分布中的每一个分布分解成R个分布。即多分类高斯混合模型由M个高斯分布混合组成,而这M个分布分别由R个不同的分布混合得到,提高了模型的拟合精度。基于邻域信息的高斯混合模型通过对模型中的先验概率和后验概率添加空间信息约束,增强了像素间的信息关联和抗噪性。采用结构相似性、误分率和峰值信噪比等指标来评价分割结果。通过实验发现:与现有的混合模型分割方法相比,文中方法大幅提高了分割精度,且有效地抑制了噪声干扰。     

基于高斯混合模型的人脑MR图像分割新算法研究

有限高斯混合模型是广泛应用于聚类分析与分布估计的概率模型之一,同样在脑部MR图像分割领域获得了广泛应用.利用高斯混合模型可以描述大脑图像,通过期望最大算法求解随机变量的特征值,并用其对图像上的点进行分类,可以在一定程度上解决脑图像分割问题.针对含脉冲噪声的大脑图像,首先利用改进的滤波方法对图像进行滤波,再利用粒子群改进算法的全局优化特性求解高斯混合模型的参数,这样避免了EM算法易陷入局部极值的现象,以提高参数精度,从而进一步提高分割质量.     

基于高斯混合模型的纹理图像分割

纹理图像分割是图像处理的一个基本问题。由于基于高斯混合模型的纹理图像分割方法．大多采用单像素的方法，因此分割精度和效率都较低。为了更好地进行纹理图像分割，在子空间思想的基础上，提出了一个基于图像块的分割算法及其改进算法，即先取图像块的均值、标准差、最大值、最小值以及中间像素的像素值等5个特征作为纹理特征，再利用高斯混合模型进行纹理图像分割，实验结果表明，该新算法的分割精度和分割效率较原分割算法都有较大提高。     

基于高斯混合模型的活动轮廓模型脑MRI分割

传统的活动轮廓模型用于图像分割往往基于目标的边界信息,在图像含有强噪音或目标具有弱边界时很难得到真实解.引入高斯混合模型构造新的约束项,在新的约束项作用下模型可以减少噪音的影响,并防止从弱边界泄漏.高斯混合模型求解通常使用Expectation-maximization(EM)算法,该算法是局部优化算法,且对初值敏感.因此引入粒子群算法,并提出一种改进的算法,利用该算法的全局优化性求解高斯混合模型的参数,以提高参数精度.对脑核磁共振图像(MRI)分割实验表明该模型具有较好的分割效果.     

高斯混合模型改进的活动轮廓模型MRI分割

引入高斯混合模型逼近图像的直方图概率,利用遗传算法的全局优化特性求解高斯混合模型的参数,以提高参数精度;由此构造新的活动轮廓模型约束项.在新的约束项作用下,活动轮廓模型可以有效地减少噪声的影响,防止从弱边界泄漏.对左心室核磁共振图像的分割实验表明,该模型具有较好的分割效果.     

基于改进高斯混合模型的MR图像分割

传统高斯混合模型分割核磁共振图像时严重依赖初值,且易受图像中偏移场与噪声的影响。为此,提出一种基于片信息的改进高斯混合模型。采用模糊C均值聚类方法优化初始值,以减小初值对分割结果的影响,加快算法的收敛速度。使用Legendre多项式对偏移场进行拟合,并融入EM框架中,得到光滑的偏移场。利用邻域信息降低噪声的影响,使模型在降低噪声影响的同时,保留细长拓扑结构信息。实验结果表明,该模型能恢复出偏移场,分割结果较好。     

基于混合高斯模型MRF场的CT图像分割

提出了一种基于混合高斯模型的马尔可夫随机场CT图像分割方法.此方法根据工业CT图像的特点,建立混合高斯逼近的图像灰度统计模型;用混合高斯模型作为Markov随机场的先验模型,提出混合高斯Markov随机场分割模型.实验表明,该方法较单高斯模型有很大的改善,对工业CT图像分割效果好.     

基于多变量类别自适应的图像分割算法

提出一种根据分割要求自动配置区域平滑性的图像分割算法.通过对现有的类别自适应空间变量混合模型进行改进,修改模型算法中Markov随机场的势函数部分,在判断分割区域环节时引入了像素的色彩或灰度信息,使改进后算法的稳定性有明显提升;同时增加了像素强度系数α以及算法的灵活性,提高了其实用价值.最后在MIT及Berkeley的分割测试图片上进行仿真实验,证明了该算法的有效性.     

基于EM算法的混合模型医学图像分割

医学图像分割中的期望最大化(EM)算法在求解混合模型参数时存在局限性。为此,提出一种模糊约束的混合模型图像分割算法。该算法以像素的独立性假设为前提,在采用EM算法对模型参数进行求解的过程中,通过模糊集合论方法,引入像素空间信息。实验结果表明,该算法没有引入新的模型参数,能够保持独立混合模型的简单性,且具有自动模型选择能力,可以获得较理想的分割结果。     

一种快速的空间约束混合模型图像分割算法

采用滤波方法在EM算法中引入像素的位置信息,利用图像减采样方法以提高EM算法的收敛速度。为了避免小样本情况下混合分量选择的不稳定性问题,在所给出的受位置约束混合模型基础上,对采样数据进行加权处理。该方法在获得与原始分辨率分割效果相接近的情况下,能够明显地提高算法的运行速度。     

一种快速、鲁棒的有限高斯混合模型聚类算法

有限混合模型聚类是一种基于概率模型的有效聚类方法。针对高斯混合模型的聚类算法,分别对模型的成分混合系数及样本所属成分的概率系数施加熵惩罚算子,实现对模型成分数的两级控制,快速消除无效成分,使算法能在很少的迭代次数内收敛到确定解。传统算法对初始值(成分数目c需事先指定)的设置非常敏感,容易导致EM算法陷入局部最优解或收敛到解空间的边界,而文中的算法对初始值的设定没有特殊的要求,实验证明其具有很好的鲁棒性。