多相图像分割的Split-Bregman方法及对偶方法

变分水平集方法为多相图像分割提供了统一框架,但其能量泛函的局部极值问题和较低的计算效率制约着该类方法的应用,文中针对此问题提出一种改进模型和方法.首先将两相图像分割的全局凸优化模型推广到多相图像分割,建立了多相图像分割的交替凸优化变分模型,以改善传统模型的局部极值问题;然后提出了相应的快速Split-Bregman方法和对偶方法来提高计算效率,其中Split-Bregman方法通过引入辅助变量将凸松弛后的变分问题转化为简单的Poisson方程和精确的软阈值公式,对偶方法则通过引入对偶变量将该问题转化为对偶变量的半隐式迭代计算和主变量的精确计算公式.文中的改进模型适用于任意多相图像分割,且对二维和三维图像分割具有相同形式,可用于三维图像的多对象自动形状恢复.最后通过多个数值算例验证了文中方法的计算效率优于传统的方法.     

结合局部熵能量泛函与非凸正则项的图像分割

为了克服灰度不均匀对图像分割的影响，结合CV模型的全局能量项和LBF模型的局部能量项，引入图像局部熵信息和非凸正则项，构造新的能量泛函，提出了结合局部熵的局部能量泛函与非凸正则项的图像分割算法。该算法首先采用CV模型中的全局能量泛函得到图像的大致演化轮廓；通过构建具有局部熵信息的局部能量泛函，实现对图像的精确分割。然后，利用非凸正则项作为图像演化过程中零水平集逼近目标的又一驱动力驱动曲线演化和边缘保护。该算法利用变分水平集方法将这一新构建的能量泛函进行最小化，通过迭代更新水平集函数，完成曲线演化。最后，对比实验表明，所提出的算法可以高效、准确地分割灰度不均匀图像。     

基于变分水平集的图像模糊聚类分割

结合变分水平集方法和模糊聚类,提出了一个基于变分水平集的图像聚类分割模型.该模型引入了一个基于图像局部信息的外部模糊聚类能量和一个新的关于零水平集的正则化能量,使得该模型对噪声图像的聚类分割更具鲁棒性.通过在能量泛函中加入一个内部约束能量约束水平集函数为符号距离函数,可以使水平集演化过程无需重新初始化.进一步提出了一种变分形式的聚类中心更新方法,实现了半监督的图像聚类分割.实验中采用不同类型的图像与FCM聚类模型、CV模型、Samson模型进行了对比实验,实验结果显示,该模型能够克服图像中噪声的影响,取得较满意的聚类分割效果.     

变分水平集分割方法

针对三维图像多相分割问题,提出一种变分水平集分割方法。由变分方法和梯度坡降方法得到能量泛函取极小值的水平集函数演化方程,与基于区域模型的参数估计构成一个交替迭代过程。仿真结果表明,该方法简单高效,能快速实现三维图像的轮廓分割与重建,真实反映采集序列断层图像的信息,具有较好的应用价值。     

变分水平集分割方法

针对三维图像多相分割问题,提出一种变分水平集分割方法。由变分方法和梯度坡降方法得到能量泛函取极小值的水平集函数演化方程,与基于区域模型的参数估计构成一个交替迭代过程。仿真结果表明,该方法简单高效,能快速实现三维图像的轮廓分割与重建,真实反映采集序列断层图像的信息,具有较好的应用价值。     

扩展的Chan-Vese模型在噪声图像分割中的应用

针对带噪声图像分割结果不理想的现象,提出一种对带不同类型噪声的图像都能进行有效分割的变分模型。首先扩展了Chan-Vese(CV)模型的能量泛函,然后在数值求解过程中,引入一个辅助变量与水平集方法相结合,采用高效和无条件稳定的MOS算法,提高精度和计算效率。对带一定强度噪声的图像进行地分割实验,并与CV变分模型的分割结果进行比较。结果表明,该新变分模型较好地克服了噪声干扰的影响,对带噪图像的分割是有效的,迭代次数少,速度快且提高了目标分割的准确性。     

用于图像分割的鲁棒的区域活动轮廓模型

针对非同质或者弱边界图像分割时出现的问题,提出一种改进的活动轮廓模型。首先,由图像的区域统计信息定义了一个新的能量泛函。区域统计信息由局部信息和全局信息采用新的加权组合而成。其次,采用水平集方法最小化该能量泛函,得到水平集演化方程并不断更新。最后,采用高斯滤波方法规则化水平集方程。此外,该模型可以退化成一种无需初始化和规则化的简单的全局活动轮廓模型。合成图像和真实图像的实验结果表明:该模型能有效地分割非同质或弱边缘图像,对噪声并初始轮廓曲线具有较好的鲁棒性,并且计算效率高。     

基于改进能量泛函模型的噪声图像分割算法

针对噪声图像的分割难,分割不准确,以及现有模型无法适应多种噪声环境的问题,提出了一种基于改进的能量泛函模型的噪声图像分割算法,该算法结合各向异性扩散方程和灰度水平集算法,通过对能量泛函的改进实现对噪声图像的准确、快速分割。将非凸泛函引入能量泛函模型,并通过证明不存在全局最小值,利用获得的能量泛函模型得到光滑的目标图像边界。将各向异性扩散模型得到的光滑图像与水平集模型相结合,得到改进的能量泛函模型。通过求解在能量泛函的最小值,得到前景目标的水平集演化的最佳位置。该算法与同类模型的对比实验表明该模型对噪声图像具有较高的分割精度和鲁棒性。     

多层Mumford-Shah向量值图像分割、去噪与重建模型

针对多层 Mumford-Shah 图像分割、去噪与重建模型不能进行彩色等向量值图像处理的问题, 提出了多层 Mumford-Shah 向量值图像分割、去噪与重建模型和求解该模型泛函最小值的水平集逐层迭代算法. 该模型是 Mumford-Shah ``最小分割问题'的向量值图像``多层'实现模型. 实验结果表明, 该方法不仅能够同时进行具有 T 型图像边缘或更复杂拓扑结构图像边缘的向量值图像分割、去噪与重建, 而且比 Tsai A 等人提出的多层求解轮廓和 Chan T 等人提出的多相水平集方法更简单有效.     

基于变分水平集的图像分割模型

基于传统的变分水平集方法的图像分割,水平集函数必须周期性地重新初始化使之保持为符号距离函数,这存在如何选择重新初始化的时间和方式的难题.Li模型通过在能量泛函中引入一个内部约束能量,去除了水平集函数在演化过程中需重新初始化的难题.通过对Li模型的分析,提出了一个新的变分水平集的分割模型.该模型通过在能量泛函中加入一个较简单的内部约束能量,同样可以实现水平集演化过程中的无需重新初始化.并且通过对边缘停止函数的重新定义,引入了新的外部能量,使得本文模型对噪声图像的分割更具鲁棒性.实验表明无论是在收敛速度上,还是在对噪声图像的分割质量上,本文模型和Li模型相比都具有一定的优势.     

区域拟合的背景去除图像分割模型

目的 图像分割是图像处理领域的重要研究内容之一,且应用广泛。在基于PDE和变分法的图像分割方法中,大部分图像分割模型的能量泛函均为非凸性,较容易陷入局部极小解,因而分割结果往往不尽如人意,且运算时间较慢。为此,本文根据背景去除模型的思想结合区域拟合的方法,提出了一种区域拟合的背景去除图像分割模型。方法 首先对背景去除模型进行改造;再结合区域拟合的方法对模型进行改进,并对改进模型进行凸优化处理;最后结合水平集和Split Bregman法对改进模型进行快速求解,获得全局最小值解。结果 针对改进模型在分割效果、计算效率及初始化位置对实验结果的影响这3个方面了进行数值实验,相较于ICV(improved Chan-Vese)模型、LK(Li-Kim)模型及CV(Chan-Vese)模型,本文模型能得到更优的分割效果,且在分割效果相似的情况下,本文模型较RSF(region-scalable fitting)模型耗时更短,同时当实验初始化位置不同时,实验亦能取得良好的分割效果。结论 在对于MRI(magnetic resonance imaging)图像以及合成图像等进行处理时,本文所给出的模型不仅能获得良好的分割效果,并且效率较高,而且从实验结果来看,本文模型具有一定的鲁棒性。     

Fast Global Minimization of the Active Contour/Snake Model

The active contour/snake model is one of the most successful variational models in image segmentation. It consists of evolving a contour in images toward the boundaries of objects. Its success is based on strong mathematical properties and efficient numerical schemes based on the level set method. The only drawback of this model is the existence of local minima in the active contour energy, which makes the initial guess critical to get satisfactory results. In this paper, we propose to solve this problem by determining a global minimum of the active contour model. Our approach is based on the unification of image segmentation and image denoising tasks into a global minimization framework. More precisely, we propose to unify three well-known image variational models, namely the snake model, the Rudin–Osher–Fatemi denoising model and the Mumford–Shah segmentation model. We will establish theorems with proofs to determine the existence of a global minimum of the active contour model. From a numerical point of view, we propose a new practical way to solve the active contour propagation problem toward object boundaries through a dual formulation of the minimization problem. The dual formulation, easy to implement, allows us a fast global minimization of the snake energy. It avoids the usual drawback in the level set approach that consists of initializing the active contour in a distance function and re-initializing it periodically during the evolution, which is time-consuming. We apply our segmentation algorithms on synthetic and real-world images, such as texture images and medical images, to emphasize the performances of our model compared with other segmentation models. Research supported by NIH U54RR021813, NSF DMS-0312222, NSF ACI-0321917 and NSF DMI-0327077.     

抑制纹理信息的偏置场变分图像分割模型

偏置场变分水平集图像分割模型利用原始图像的局部灰度信息,可以对灰度不均匀图像进行有效的分割,但当灰度图像中存在纹理时,分割效果往往很差。针对这一问题,提出抑制纹理信息的偏置场变分水平集图像分割模型。利用一种基于纹理几何结构的纹理描述符描述图像中不同的纹理区域,使得不同纹理区域对比更加明显,相同纹理区域更加平滑,通过抑制纹理信息使后续的图像分割在纹理部分的错分大大减少。实验结果表明,相比偏置场变分模型,所提模型对自然及人工合成纹理图像均获得更好的分割结果。     

基于小波变换的权重自适应图像分割模型

针对灰度不均匀且含噪声图像的分割问题,提出了全局和局部灰度信息的权重参 数自适应水平集分割模型。首先,利用图像的全局和局部灰度信息构造全局能量项和局部能量 项;然后,利用小波变换和小波阈值去噪方法,构造对噪声不敏感的边缘信息刻画矩阵,定义包含 图像边缘信息的自适应权重系数矩阵;最后,利用定义的权重系数矩阵组合全局和局部能量项, 得到分割模型的能量泛函。使用变分法得到了水平集函数演化方程,利用有限差分法实现数值 求解。实验结果表明,该模型兼有 Chan-Vese 模型和 Local Binary Fitting 模型的优点,能够有效 地分割灰度不均匀含噪图像,并对活动轮廓曲线的初始位置和初始形状具有很强的鲁棒性。     

基于区域混合活动轮廓模型的医学图像分割

针对变分水平集算法在图像分割过程中计算量较大且收敛速度慢的现象, 在一些基于区域的活动轮廓模型基础上提出了一种新的基于区域混合模型的非凸正则化活动轮廓模型。该模型构造了一个新的能量泛函,该能量泛函结合了考虑图像局部聚类性质的LBF模型和测地线模型,增加了非凸正则化项,加快了轮廓曲线的收敛速度,可以很好地保持区域形状并能防止边缘过平滑,然后通过经典有限差分法求得能量泛函的极小值。最后,在合成图像和医学图像上做了仿真实验,结果表明,该算法具有较快的收敛速度 和很好的鲁棒性,分割结果也较准确。     

基于变分水平集的灰度不均匀医学图像分割

针对医学图像中存在的灰度不均匀现象,提出一种变分水平集分割模型。将邻域信息引入到基于Bayes决策准则的水平集分割框架中,以增强灰度不均匀条件下弱目标边界的识别能力。为缓解模型求解时易出现的局部极小问题,设计一种简单而有效的随机优化方法以搜索近似全局最优解。实验对比及分析验证了该水平集分割模型在多种灰度不均匀场景下均表现出较好的分割性能。     

结合全局信息的局部图像灰度拟合模型

针对局部图像拟合（LIF）模型对初始轮廓大小、形状和位置敏感的问题,提出一个结合全局信息的局部图像灰度拟合模型。首先,构造了一个基于全局图像信息的全局项;其次,将该全局项与LIF模型中的局部项线性组合;最后,得到了一个以偏微分方程形式存在的图像分割模型。数值实现采用有限差分法,同时采用高斯滤波器正则化水平集函数以确保水平集函数的光滑作用。在分割实验中,当选取不同的初始轮廓时,该模型均能得到正确的分割结果,且分割时间仅为LIF模型的20%到50%。实验结果表明,所提模型既对演化曲线初始轮廓的大小、形状和位置都不敏感,又能够有效地分割灰度不均图像,且分割速度较快。此外,在无初始轮廓的情形下,该模型能快速分割一些真实图像和人造图像。     

结合FCMS与变分水平集的图像分割模型

提出了一个结合融合空间约束的模糊C均值（Fuzzy C means with spatial constraints,FCMS）聚类与变分水平集的图像模糊聚类分割模型.在该模型中引入了一个基于图像局部信息和空间信息的外部模糊聚类能量,从而可以获取精确的局部图像的空间特征,使得本文模型对噪声图像的聚类分割具有较强的鲁棒性.采用不同类型的实验图像,将本文模型与10个不同类型的图像分割模型进行了对比实验,实验结果显示本文模型能克服图像中噪声影响并取得较满意的聚类分割结果.