基于双符号压力函数的活动轮廓图像分割方法

为了解决测地线模型和CV模型无法同时对弱边界、灰度不均匀图像进行分割的问题,提出一种基于双符号压力函数的活动轮廓图像分割方法。首先,基于图像统计信息定义分割灰度不均匀图像的符号压力函数,基于内部和外部灰度均值给出轮廓曲线内外的全局区域灰度均值的加权组合函数,运用图像全局信息定义分割弱边界图像的符号压力函数;然后,结合统计信息的符号压力函数和全局信息的符号压力函数（简称“双符号压力函数”）,通过增加组合的权值系数,设计新的水平集演化方程;最后,将双符号压力函数引入到二值选择和高斯滤波正则化水平集模型中,构建一种基于双符号压力函数的活动轮廓图像分割算法。仿真实验结果表明,该算法能够有效地分割弱边界、灰度不均匀的图像,同时对噪声也有一定的抗干扰性。     

结合混合符号压力函数的活动轮廓模型

为分割灰度不均图像和各类噪声图像,本文提出了一个结合混合符号压力函数的活动轮廓模型。首先,利用图像的全局和局部信息,根据当前活动轮廓的位置,构造一个混合符号压力函数,该函数通过自适应权值线性组合一个全局压力项和一个局部压力项,得到图像相对于当前活动轮廓的混合压力。然后,结合此混合符号压力函数,构造活动轮廓的演化方程,最后通过交替迭代算法求解模型。实验中采用不同的人造、医学和自然图像对模型进行了测试,实验结果表明,该模型对初始轮廓有较强的鲁棒性,能有效分割灰度不均图像及各类噪声图像,并且相对于其他活动轮廓模型,本文模型具有最好的实验效果。     

无需初始轮廓的快速图像分割模型

在图像分割领域中，几何活动轮廓模型是较成功的方法之一。但现有的几何活动轮廓模型大都需要为演化曲线定义一个初始位置，这容易导致图像分割结果受初始轮廓位置的影响。为此，结合图像的局部和全局信息构造一个新的符号压力函数，提出一个以偏微分方程形式存在的快速图像分割模型。所提模型形式简单，算法过程容易实现。实验结果表明，该模型允许常值初始化，无需初始轮廓即可快速分割三相图像、灰度不均图像、渐变图像以及深度图像等多类图像。     

结合全局和局部信息的活动轮廓模型

利用全局信息的C-V模型对轮廓初始化和噪声不敏感,但不能分割灰度不均的图像;利用局部信息的RSF模型能分割灰度不均的图像,但对轮廓初始化和噪声很敏感。针对该问题,基于C-V模型和RSF模型,提出一个新的水平集正则化项,给出一个用偏微分方程表示的结合全局和局部信息的活动轮廓模型。实验结果表明,该模型能分割灰度不均的图像,且允许灵活的轮廓初始化,抗噪性较强。     

基于改进活动轮廓模型的图像分割

针对图像分割中的灰度不均匀和轮廓初始化问题,提出一种基于区域的活动轮廓模型。将图像的全局信息和局部信息作为能量项驱动活动轮廓向目标边缘演化,以有效分割灰度不均匀图像,为保证图像分割的速度和精度,在能量方程中加入长度项和惩罚项,并采用梯度下降法得到该模型的最小化能量方程。实验结果表明,和局部二值拟合模型、局部图像拟合模型相比,该模型能分割灰度不均匀的图像,对初始轮廓曲线大小和位置更不敏感,且分割图像所需的迭代次数、迭代时间更少。     

融合局部图像信息的SLGS活动轮廓模型

SLGS模型不能处理灰度不均图像,而RSF模型对初始轮廓较敏感。为此,将RSF模型定义的局部信息融入SLGS模型中,提出一个以偏微分方程形式表达的活动轮廓模型。利用SLGS模型全局拟合量和RSF模型局部拟合量的线性组合构造符号压力函数,调整拟合量的权重以提升模型对灰度不均图像的处理能力和轮廓初始化的灵活性,并利用高斯滤波正则水平集函数法实现水平集函数的正则化。实验结果表明,该模型的分割结果比SLGS模型更准确。     

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。     

结合全局和双核局部拟合的活动轮廓分割模型

针对可缩放区域拟合（RSF）模型对初始轮廓敏感的缺点,提出了一种结合全局和局部图像信息的变分水平集活动轮廓模型。该模型设计了一个灰度域上的核函数,将其与RSF模型空域核的线性组合作为局部能量项,弥补了采样权值仅与空间距离有关的缺陷,提高了分割精度;构造了带有自适应全局指示函数的面积项,作为全局拟合力,提高了模型的收敛速度且避免陷入局部极小值;使用了高斯滤波方法,规则水平集函数,使其保持光滑,并避免了复杂的重新初始化过程。实验结果表明,该模型初始化灵活,对灰度不均匀图像有很好的分割效果     

融合局部和全局高斯概率信息的图像分割模型

在现有的活动轮廓中,LBF模型、LIF模型和LGDF模型是著名的基于区域的模型。虽然能分割灰度不均匀的图像,但对活动轮廓的初始化和噪声较为敏感。针对该问题,提出一种融合全高斯和局部高斯概率信息的活动轮廓模型。首先由全局高斯模型的全局灰度拟合力和局部高斯模型的局部灰度拟合力的一个线性组合来构造水平集演化力,然后引入这两个拟合力的动态权重以达到该模型的灵活性,实验结果表明,该模型能分割灰度不均的图像,且允许灵活的轮廓初始化,抗噪声性强。     

结合统计和梯度信息的高效活动轮廓模型

提出一种由统计和梯度信息驱动的活动轮廓模型。该模型有效利用梯度信息使演化轮廓线快速精确地定位到物体的边缘;同时,由局部统计信息和全局统计信息构造符号压力函数,减少噪声对轮廓线演化的影响。另外,模型利用局部统计信息能够有效处理灰度分布不均的图像,全局信息的利用避免了演化轮廓线陷入局部最小,因此,该模型可以任意设置初始轮廓线。最后通过高斯卷积核对水平集函数规则化,避免了传统模型中计算代价高昂的重新初始化和规则化。实验结果表明,提出的模型不仅能够在任意初始轮廓下精确有效地分割灰度分布均匀的图像和不均匀的图像,而且对噪声具有较好的鲁棒性。     

改进符号压力函数的区域活动轮廓模型

利用具有图像增强能力的局部区域信息,定义一种新的符号压力函数(SPF)。用该SPF函数取代GAC模型中的边界停止函数,对GAC模型进行改进,提出一种新的区域活动轮廓模型,从而解决了非同质或弱边界图像的分割问题。继续采用Selective Binary and Gaussian Filtering水平集方法,避免水平集函数的重新初始化,简化新模型。真实图像和合成图像的实验结果表明,新模型与LBF模型具有相同的分割效果,但在计算效率上远优于LBF模型。新模型不仅能够分割非同质或弱边界图像,且具有亚像素分割精确性、抗噪性、局部全局选择分割性等性质。     

Active contours with selective local or global segmentation: A new formulation and level set method

A novel region-based active contour model (ACM) is proposed in this paper. It is implemented with a special processing named Selective Binary and Gaussian Filtering RegularizedLevel Set(SBGFRLS) method, which first selectively penalizes the level set function to be binary, and then uses a Gaussian smoothing kernel to regularize it. The advantages of our method are as follows. First, a new region-based signed pressure force (SPF) function is proposed, which can efficiently stop the contours at weak or blurred edges. Second, the exterior and interior boundaries can be automatically detected with the initial contour being anywhere in the image. Third, the proposed ACM with SBGFRLS has the property of selective local or global segmentation. It can segment not only the desired object but also the other objects. Fourth, the level set function can be easily initialized with a binary function, which is more efficient to construct than the widely used signed distance function (SDF). The computational cost for traditional re-initialization can also be reduced. Finally, the proposed algorithm can be efficiently implemented by the simple finite difference scheme. Experiments on synthetic and real images demonstrate the advantages of the proposed method over geodesic active contours (GAC) and Chan–Vese (C–V) active contours in terms of both efficiency and accuracy.     

Unsupervised active contours driven by density distance and local fitting energy with applications to medical image segmentation

This study presents an efficient variational region-based active contour model for segmenting images without priori knowledge about the object or background. In order to handle intensity inhomogeneities and noise, we propose to integrate into the region-based local intensity model a global density distance inspired by the Bhattacharyya flow. The local term based on local information of segmented image allows the model to deal with bias field artifact, which arises in data acquisition processes. The global term, which is based on the density distance between the probability distribution functions of image intensity inside and outside the active contour, provides information for accurate segmentation, keeps the curve from spilling, and addresses noise in the image. Intensive 2D and 3D experiments on many imaging modalities of medical fields such as computed tomography, magnetic resonance imaging, and ultrasound images demonstrate the effectiveness of the model when dealing with images with blurred object boundary, intensity inhomogeneities, and noise.     

自适应尺度的局部强度聚类图像分割模型

针对传统活动轮廓模型无法精确分割强度不均匀图像，并且对尺度参数比较敏感的问题，提出了一种基于区域信息的自适应尺度的活动轮廓模型。根据图像的局部熵构建自适应尺度算子，利用图像的局部强度聚类性质构建能量函数。使用一组平滑基函数的线性组合来表示偏移场，这样可以增加模型的稳定性。通过最小化该能量，所提模型能够同时分割图像和估计偏移场，并且估计的偏移场可以用于强度不均匀校正。实验结果表明，与其它4种模型相比，该模型拥有更高的分割精确度，且分割结果对水平集函数的初始化和噪声具有鲁棒性。     

融合区域和测地线的活动轮廓模型与图割相结合的自然图像分割

针对活动轮廓模型利用水平集函数演化来分割图像时,只能分割灰度均匀的图像 问题以及容易陷入能量泛函局部极小值的缺点,提出一种新的图像分割模型。模型将区域中的 局部和全局信息融合的活动轮廓模型与边界模型相结合,然后利用图切割进行优化。实验表明, 该方法对初始曲线不敏感,能分割灰度不均的自然图像,避免陷入局部极小,并能有效提高图 像分割的速度和精度。