非重复初始化水平集方法的图像轮廓检测

水平集方法(LevelSet Method)是一种用于计算曲线演化位置的有效方法。该文针对传统LevelSet Method进行图像检测中需要重复初始化水平集函数的缺点,研究了不需要重复设置水平集函数的图像检测方法.实验表明,该方法能更好的检测多目标图像轮廓。     

一种改进的活动区域轮廓模型——无需水平集重新初始化

基于区域的活动区域模型已经成功应用在图像分割、目标跟踪等领域,较之基于梯度的活动轮廓模型具有很多优点。但是,这些水平集模型在演化过程中,为了保持为符号距离函数,必须对其重新初始化,降低了曲线演化速度,增加了实现复杂度。为了解决重新初始化问题,在测地活动区域模型的能量函数中,加入惩罚项来约束水平集保持为符号距离函数,无需再重新初始化,极大地提高了演化速度。将其运用在纹理图像、脑MR图像分割以及视频跟踪中,实验证明该模型是有效的。     

水平集图像分割中重新初始化规避的探索

水平集方法有效地解决了图像分割中曲线演化过程中的拓扑变化问题,其实质是水平集方法与模型的结合,以水平集方法来求解模型得到的偏微分方程的方法.要想约束水平集函数在迭代过程中保持为符号距离函数,保证水平集函数的稳定收敛,就必须对SDF重新进行初始化.但是每次都对SDF重新进行初始化,大大增加了计算量,浪费了宝贵的时间,从而大幅降低了曲线的演化速度.一直以来,大家在不断地改进算法,缩短每次初始化所需的时间,但收效甚微.SDF重新初始化的规避,使图像分割时曲线演化速度加快,实验结果表明这种方法是非常有效的,并且具有很强的鲁棒性.重新初始化的规避,减少了计算量,使水平集图像分割法能满足更多的生活、工业应用中的实时性要求.     

一种新颖的快速水平集初始化方法

水平集方法是偏微分图像分析的一个重要的数值方法,其最大的问题是计算量大,速度缓慢,特别是需要频繁的初始化。针对这个问题进行深入研究,提出了基于数学形态学的水平集初始化方法。形态学方法分为平滑和重建两个步骤,利用基本的开、闭和膨胀运算来分别平滑数值不精确的距离函数和重建窄带。新的方法不仅具有很高的效率,而且可以适应各种拓扑变化,完全可以替代常规方法,运用于数字图像的实时处理中。     

一种基于水平集的图像分割新方法

首先从理论上分析了无需重新初始化的水平集方法的主动轮廓图像分割模型,该模型对一些具有不光滑的尖角的图像分割时,捕捉这些尖角往往不精确甚至失败。然后通过修正边缘检测函数,则能准确地捕捉到物体的尖角,保证了分割的准确性。实验证明了该方法的可行性。     

背景提取和水平集相结合的运动目标轮廓提取方法

提出一种基于背景提取和水平集的方法来进行运动目标的检测和轮廓提取。首先,通过一种改进的背景提取法将视频序列中的背景提取出来,然后通过结合背景差分结果和帧间差分结果检验出运动目标的运动区域,以检验出的运动区域的外接矩形为初始曲线,应用一种无需初始化的水平集的方法进行运动目标轮廓的提取。仿真实验表明,该方法能够实时有效地对运动目标轮廓进行提取。     

一种新的水平集图像分割方法

对Chan-Vese提出的基于简化Mumford-Shah区域最优划分模型和测地线主动轮廓模型在水平集框架下的物理机理进行了分析,在充分考虑其模型优点的基础上,通过构造新的能够整合局部边缘信息和全局区域信息的演化函数对上述模型所存在问题进行了针对性处理,得到了一种新的水平集图像分割模型。人工合成图像和红外光学图像的仿真结果表明,在同样的模型参数条件下,该文模型具有比传统CV模型和GAC模型更高的演化效率和分割质量。     

一种新的水平截集函数初始化和重新初始化方法——距离函数光滑法

水平截集(LevelSet)方法是求解曲线进化方程的一种重要方法,该方法主要缺陷是每隔一定时间需要重新初始化水平截集函数,使水平截集函数具有距离函数和充足光滑性的特征。现有各种重新初始化方法均不能使水平截集函数同时具有这两种特性。论文提出了一种新的水平截集初始化和重新初始化方法-距离函数光滑法,该方法可使初始化和重新初始化后的水平截集函数同时具有上述两种特性。该方法适用于数值求解精度为网格的界面运动问题的初始化和重新初始化,也可作为任意数值求解精度界面运动问题的初始化方法。数值试验表明了所建议方法的有效性,也表明了该方法可降低重新初始化的次数以及数值计算达到稳态的时间。     

水平集函数规则化的C-V主动轮廓模型

Chan与Vese 提出的C-V主动轮廓模型采用传统的水平集方法实现,为了保证水平集函数演化的稳定性,需要加入轮廓的长度项来规则化水平集函数,且在演化的过程中要周期性重新初始化为符号距离函数,从而大大增加了计算量和实现的复杂度。提出一种新的规则化水平集函数的方法,不但可以保证水平集函数演化稳定,而且避免了重新初始化。实验结果表明：该方法稳健、快速。     

多目标轮廓Mumford-Shah水平集提取

目标轮廓的快速检测进而提取其几何形状,在图形图像处理中有着重要的作用.提出了一种多目标轮廓的水平集提取方法,对基于Mumford-Shah模型的C-V方法从两方面进行了改进:增加梯度矢量场和曲线法方向的融合作为边界吸引场,生成可以驱动主动轮廓向边缘进化的双向几何变形流,保留原图像分布信息作为区域进化能,解决未考虑局部几何信息造成的区域能量捕捉信息不全,或边缘梯度场和演化曲线法线方向正交时无法实现拓扑结构变化的缺陷;对水平集函数进行修正,使得它在收敛过程中能自动进行调整,确保其满足符号距离函数的要求,扩大初始化前迭代搜索区域,减少初始化次数,提高收敛效率;最后给出所提方法的数字化求解方案.实验表明该方法可行且具有较好的鲁棒性.     

基于改进符号距离函数的变分水平集图像分割算法

为保证水平集图像分割算法的稳定性,传统水平集方法常采用重新初始化的方法或引入符号距离函数,但这两种方法存在计算量大或计算不稳定的问题.因此,提出一种基于改进符号距离函数的变分水平集图像分割算法.首先,改进已有的Double-Well型符号距离函数约束项,改进后的约束项可避免重新初始化、提高计算效率,同时也能更好地保证水平集函数演化过程的稳定.然后,利用基于全局灰度信息和局部灰度信息的活动轮廓模型构造能量泛函,该能量函数继承了全局模型和局部模型的优点,可驱动水平集函数准确演化至目标边界,且可动态调整组合权重.最后,引入高斯卷积运算,加快演化速度同时也对水平集函数起到平滑的作用.对人工合成和自然图像的数值实验及与同类模型的对比实验证明,提出的模型具有较高的分割准确度及对噪声和初始轮廓的鲁棒性.     

一种基于AOS格式的多相水平集快速分割方法

采用迎风格式的水平集算法实现需要在曲线演化过程中重新初始化水平集函数的要求,为保证算法的稳定,时间步长选取较小值,算法运行速度较慢。文中基于无须重新初始化的水平集方法,在算法数值实现中引入AOS半隐格式,对基于不同统计模型的水平集分割算法给出统一的数值实现。以二相水平集分割算法为基础提出一种新的多相水平集分割方法。该方法采用一个水平集函数进行多次演化实现多区域分割,其优点包括：1)采用AOS半隐格式,该格式无条件稳定,可采用较大的时间步长;2)对多个统计模型进行统一处理;3)采用单一的水平集函数进行演化,减少水平集演化方程的数量,算法更加灵活。实验结果表明,该方法具有较快的分割速度,对具有多个区域的图像能够进行较准确的分割。     

基于几何活动轮廓模型的图像分割

为降低噪声对图像分割的影响,提出一个几何活动轮廓模型,并应用变分方法求解出模型对应的水平集曲线演化的偏微分方程。该模型考虑到图像区域和边缘的先验信息,并充分考虑图像的统计信息。引入一个惩罚项作为内部能量项,以避免耗时的重新初始化过程。为了验证模型的有效性,文中基于简单的高斯型概率密度函数建立分割实例,结合应用高效且无条件稳定的AOS算法进行分割实验。实验结果表明,模型准确性较高,具有良好的抗噪性、高效性。     

基于CUDA的图像轮廓提取并行实现

对图像轮廓提取进行并行实现,介绍基于形态水平集的图像轮廓提取算法,对该算法的并行可行性进行分析,并采用CUDA技术并行实现。与串行的方式实现比较,采用CUDA技术实现可以节省更多的时间,得出CUDA并行技术在需要大量数据计算时加速的有效性。     

一种基于Level Set方法的图像修补技术

图像修补可用于被损坏的图像和视频修复、视频文字去除以及视频错误隐藏等。目前的许多模型都有很好的恢复效果,但都是运算量较大,现提出一种基于水平集方法和快速步进法的图像修补方法,能显著地减少运行时间,取得很好的修补效果。     

一种基于Level Set方法的图像修补技术

图像修补可用于被损坏的图像和视频修复、视频文字去除以及视频错误隐藏等。目前的许多模型都有很好的恢复效果，但都是运算量较大，现提出一种基于水平集方法和快速步进法的图像修补方法，能显著地减少运行时间，取得很好的修补效果。     

活动轮廓模型的图像分割方法综述

基于活动轮廓模型的图像分割方法作为计算机视觉应用领域的一个研究热点而倍受关注。文中首先阐述活动轮廓模型的数学模型及其相关的数值实现方法。然后以参数活动模型和几何活动模型的发展为主线, 对活动模型的发展进行综述, 对其应用于图像分割的经典方法、优势和所存在的问题进行比较性研究。最后对活动轮廓模型的未来发展进行展望。     

基于水平集方法的弱边界运动人体目标跟踪与轮廓提取

针对图像中目标和背景灰度偏差较小、目标边缘轮廓弱的特点,提出了一种快速收敛并具有较强捕获弱边缘能力的水平集曲线演化方法。该方法采用指数函数作为边缘指示函数,运用归一化的Gauss分布函数改进传统的正则化Dirac函数。在目标跟踪过程中,采用卡尔曼滤波获取视频相应帧图像的运动人体目标最小外接矩形框,对外接矩形框内运动人体进行水平集曲线演化,实现对人体目标的跟踪和轮廓提取。分别对可见光下的运动目标和红外运动视频序列进行仿真实验。结果表明,相对于传统方法,其在跟踪速度上有很大的提高,对于红外图像中的弱边界目标及凸凹度较大的区域,也具有快速准确的收敛效果。     

基于聚类信息的活动轮廓图像分割模型

基于传统Chan-Vese( CV)模型,结合图像聚类信息,提出一种有效的活动轮廓模型图像分割方法。该方法首先改进CV模型的能量泛函,考虑图像的梯度信息,提高图像分割的精确度。其次在能量泛函中添加图像的聚类信息系数K,并使用图像的聚类信息实现对水平集轮廓曲线的自动初始化。在分割处理彩色图像时,为提高分割效率,对彩色RGB图像的三通道进行加权处理。最后为能量泛函添加正则项,避免水平集的重新初始化,完成对灰度图像及彩色图像的快速精确分割。实验表明该方法的有效性。