基于K-means和图割的脑部MRI分割算法

为了克服原始图割算法在用户选定的像素种子点较少情况下,目标边界容易出现错分这一现象,本文提出了基于K-means和图割(Graph cut,GC)算法相结合的交互式K-均值图割（K-means and graph cut,KMGC）算法,对脑部核磁共振图像（Magnetic resonance image,MRI） 进行交互式操作,该算法通过K-means聚类,对脑部MRI的灰度不均匀性进行了处理,在此基础上,再使用图割算法进一步对脑部MRI进行细化,从而达到有效地分割脑白质和脑 灰质的目的。本文分别在仿真和真实的脑部MRI数据上进行了大量的实验,分别从定量分析和定性分析两个角度对实验结果进行了分析,并与其他分割算法进行了对比,对比实验结果标明,KMGC算法能够有效地对脑部MRI进行分割,并在分割效果上优于其他算法。     

基于核图割模型的肝脏CT图像肿瘤分割

计算机断层成像(CT)对疾病的确诊意义重大,在医学图像的自动检测中应用较多的模型为图割模型,但传统图割算法严重依赖于对复杂区域进行大量建立的模型,运算复杂且不利推广。为此,在传统图割理论基础上引入核函数,提出一种基于核图割模型的肝脏CT图像肿瘤分割算法。通过核函数将原始数据映射到高维空间,并在高维图像数据空间用图割理论对CT图像的肝区与肿瘤区域进行分割,以提取疑似肿瘤区域,解决传统图割模型中需要依赖人机交互和对复杂区域建模困难等问题。由Mercer定理得出,核空间的点积运算不需要显式指定图像各区域的具体模型,进行核推广后克服了传统模型通用性不强的弱点。利用临床CT图像数据对该算法进行分割实验,结果表明,基于核推广后的图割算法能够有效对肿瘤和肝区进行分离,可应用于临床实际中作为肿瘤辅助诊断手段。     

基于K均值聚类的图割医学图像分割算法

图割是一种同时基于区域和边界的交互式图像分割算法。传统的基于高斯混合模型的图割具有时间慢和描述组织中灰度分布不准确的缺点。为此,提出一种基于K均值聚类的图割算法。通过用改进的图割来分割仿体的和真实的脑部核磁共振图像,显示出该方法的有效性。该方法不但能提高图割在分割时的速度,在有噪音和灰度不均匀的图像上也能在较短的时间内得到更准确且鲁棒的结果。     

基于人机交互式图割的目标快速提取

根据RGB颜色值表征像素距离,运用图割理论,提出一种人机交互式的目标快速提取方法。在目标外围人工划出封闭折线作为初始活动轮廓线,向内生成单侧变宽域,消除前后重叠,避免重复切割,构造能量函数,生成s-t网络,通过对s-t网络的最小代价切割实现目标提取。后期对局部错误提供方便快捷、安全导向、手自结合的纠错措施。实验表明,所提算法人机交互方便快捷,纠错方式有效完备,目标提取快速准确。     

基于图割的图像分割方法及其新进展

鉴于图割的理论意义和实际应用价值,系统综述了基于图割的图像分割方法. 首先,深入分析了基于图割的图像分割方法的基本原理,主要从定性和定量角度剖析了图割与能量函数最小化之间的关系, 然后,概括了基于图割的图像分割方法的基本步骤,包括能量函数的设计、图的构造和最小割/最大流方法, 其次,系统梳理和评述了基于图割的图像分割方法的国内外研究现状,最后,指出了基于图割的图像分割方法的发展方向.     

基于图割的快速图像贴图技术

图像贴图是为了对一个图像集合进行快速浏览和生成数字蒙太奇的一种技术手段,提出了一种度量图像之间相似性的方式来衡量图像之间的相似度,并除去图像中相似度较高的图像以达到去除冗余信息的效果;采用图割(graph cuts)优化技术寻找相邻图像之间颜色和梯度上最平滑的最佳绗缝,并利用图像融合技术消除直接在绗缝处拼接所出现的不自然现象。与原有技术相比,该贴图系统具有平滑效果好和速度快的优点。     

SAR图像分割的改进参数核图割方法

针对合成孔径雷达(SAR)图像的分割问题,提出一种改进的参数核图割方法。对参数核图割方法中的能量函数进行改进,在核空间中考虑分段常数模型,并实现目标函数的空间核化。SAR图像的分割通过能量函数的最小化实现,由不动点迭代估计区域参数,并由图割模型逐步最小化能量函数实现SAR图像的分割。为验证改进参数核图割方法的分割效果,对自然图像进行分割,结果表明,其分割精度达到83%,比参数核图割方法提高了11%。真实SAR图像的分割结果验证了该方法对SAR图像的分割结果优于参数核图割方法。     

基于图割的图像分割综述

从图割的特性与图像的对应性以及图割的能量最小化方面,综述了图割的基本理论框架及基于图割进行图像分割的基本框架;介绍了图割的研究现状及应用领域;指出了基于图割的解题步骤及能量函数的构造方法,从图割存在的问题和研究前景出发,展望了图割未来的研究方向.     

合理利用空间信息的MRI脑部图像分割

在合理利用空间信息的基础上,提出了一种更准确,紧致性和分离性更好的分割算法。该算法首先定义一个空间函数,并在其中引入一个控制参数,该参数可以对噪声点、边缘点以及区域内部的点进行区别对待,然后用空间信息更新隶属度。实验结果表明,该算法效果要明显优于sFCMpq算法及其改进算法(EsFCMpq)。     

利用感兴趣区域从脑部MRI中提取脑组织

从脑部MRI图像提取脑组织是影像学分析中的一项重要的预处理过程。本文提出了一种基于感兴趣区域和混合水平集方法的脑组织提取方法。该方法先采用BET方法得到脑组织的感兴趣区域,然后在该感兴趣区域内演化改进的混和水平集得到真实的脑组织边界。改进的混合水平集采用了一个非线性的速度函数,能够有效地防止边界泄露。该方法所用到的MRI数据均来自于互联网（IBSR, Internet Brain Segmentation Repository Web)。利用18组IBSR网站的MRI数据,本方法得到的结果接近于标准手动提取结果,并且在多个评价参数上都取得最好结果。实验表明该方法提取脑组织具有一定的准确性和稳定性。     

基于图割与改进水平集的目标提取方法

在Li模型的基础上引入C-V模型外部能量项重新构造能量函数,给出一种结合区域与边缘信息的变分水平集模型,结合基于图割理论的GCBAC算法,提出一种图割与改进变分水平集结合的目标提取方法。该方法能够让2种模型有机结合达到优势互补的效果。实验结果表明,该方法具有快速、鲁棒、抗噪性强等优点。     

基于SIFT特征和图割算法的图像分割方法研究

图割算法是图像分割方法中的一种高效的最优化计算方法,针对图像中目标物体的旋转尺度光照变化导致的分割不准确问题,提出了一种基于SIFT(Scale-Invariant Feature Transform)特征的图割(Graph Cuts)算法;该方法将SIFT特征的尺度旋转不变性和图割算法的准确快速性结合在一起,通过提取图像中物体SIFT特征点做为图割算法的种子点,求解最小能量函数快速从而获得该图像的最优分割;实验结果表明,该方法鲁棒性较好,能准确地分割出目标物体在图像中的轮廓。     

基于图割的单幅图像影子检测

为了准确检测单幅图像中的影子, 提出一种基于图割的影子检测方法. 首先,使用均值漂移将原始图像分割为若干区域并记录区域之间的边界. 其次,利用支持向量机分类器分别获得分割图像中的候选影子边界和候选影子非影子区域对. 然后,利用候选影子边界两侧的区域信息及候选影子非影子区域对信息构造一个能量函数, 该能量函数反映了将图像中一部分区域划分为影子区域而另一部分区域划分为非影子区域时所需的代价. 再次,结合该能量函数构造出无向图,并证明所构造的无向图的最小割对应能量函数的最小值. 最后,通过图割算法求解该能量函数得到最终的影子检测结果. 实验结果表明,与现有代表最新进展的单幅图像影子检测方法相比,所提方法提高了影子检测结果的准确性和连续性.     

基于图割和改进的变分水平集的图像分割方法

文章在图割理论的基础上,引入了一种新的方法将图割理论和改进的变分水平集模型结合起来,先利用图割理论对目标形成一个初始轮廓,并在得到的轮廓线上定义能量函数,通过能量函数的最小化,从而使得到的轮廓线最终收敛到目标边界,这样在保证分割精度的同时大大简化了计算量.     

基于分水岭变换和图割的彩色图像快速分割

基于图割理论的图像分割具有结合多种知识的统一图像分割框架,可获取全局最优解,但海量的像素级处理单元以及为达到一定分割精度而采用的迭代求解模式,导致算法分割效率不高。以GrabCut算法为基础,通过分水岭变换,将图像划分成区域内颜色相似的若干分块,以各个块内像素的RGB均值代表所在分块的全部像素点来估计高斯混合模型参数,使问题规模减小,算法效率得到提高。     

基于高斯超像素的快速Graph Cuts图像分割方法

提出了一种交互式的快速图像分割方法. 该方法通过使用高斯超像素来构建Graph cuts模型以实现加速. 首先, 利用融合了边缘置信度的快速均值漂移算法, 将原始图像高效地预分割为多个具有准确边界的同质区域, 并将这些区域描述为超像素, 用于构建精简的加权图. 然后, 使用区域的彩色高斯统计对超像素进行特征描述, 并在信息论空间中对高斯距离度量进行设计. 另外, 为了准确而精炼地对先验知识进行参数化学习, 本文还使用了分量形式的期望最大化混合高斯(Component-wise expectation-maximization for Gaussian mixtures, CEMGM)算法对用户交互进行聚类. 最后, 在改进的加权图模型中应用Graph cuts方法, 获得最终的分割结果. 通过使用不同的彩色图像进行分割实验比较, 仿真结果表明本文的方法在准确性和高效性方面都具有很好的性能.     

基于小波变换与图割的彩色图像分割方法

为提高图割算法的分割效率与质量并改善shrinking bias现象,提出将图割理论与小波变换相结合的方法.该方法利用小波变换多分辨率分析的特点,将变换中的低频子带图像作为估计GMM参数的训练样本进行多尺度迭代分割,提高算法效率,利用简单高效的CS_LBP纹理描述子提取高频子带图像中的纹理信息,将颜色与纹理特征相结合改善分割效果,并利用高频系数进行多尺度边缘检测,用于计算局部自适应的正则化参数,改善对细长边界的分割.实验结果表明,分割效果得到了改善,算法效率得到了提高.     

模糊C 均值聚类与多相水平集图割优化相结合的图像分割

针对在分割多个目标时多相水平集模型对初始轮廓曲线敏感且计算量大的问题, 提出采用模糊C 均值聚类算法将图像进行粗分割,初始化多相水平集函数,使用图割算法分割 出多相结果的方法。该方法能有效减小多相水平集算法对初始轮廓曲线的敏感性,使图割算法 在分割图像时更容易分割出理想的目标轮廓;同时,采用图割算法可使水平集函数很快收敛到 能量最小值,有效减少计算量,提高计算效率。实验表明该方法具有较好地分割效果和较高地 分割效率。