曲面扩散的变分水平集方法

基于变分水平集方法提出了一种通用的曲面扩散变分模型,其数据项为演化曲面与原曲面的水平集函数Heaviside函数差的平方,规则项为基于整体曲率的通用函数,通过图像扩散模型中的总变差与该模型中的总曲率类比设计该规则项,以实现曲面扩散的任务。为了避免水平集函数的重新初始化,在本文的能量泛函中增加了水平集函数为符号距离函数的惩罚项。所得到的演化方程为4阶偏微分方程,对其对流项采用经典迎风差分格式离散,对其中的扩散项采用中心差分格式。最后通过数值算例验证了模型用于曲面光滑、边缘保持与边缘增强的可行性。     

隐式曲面多相图像分割的变分水平集方法

基于隐式曲面的水平集表达、隐式曲面上的内蕴梯度概念和图像分割的标记函数方法,建立了隐式曲面上多相图像分割的水平集模型,并设计了相应的Split Bregman方法.首先,将分段常值与光滑平面图像两相分割的Chan-Vese模型推广到隐式曲面上图像分割的变分水平集模型,并根据图像分割的二值标记函数和凸松弛的概念将该模型转化为全局凸优化的极值问题;然后借助n-1个水平集函数划分n个区域的区域特征函数,将隐式曲面上两相图像分割变分模型推广到了多相图像分割,并利用凸优化方法将该模型的变分问题松弛为一系列凸子优化过程.通过引进辅助变量和Bregman迭代参数设计的Split Bregman方法,将每个子优化问题转化为简单的Poisson方程求解和解析的软阈值公式.数值算例结果表明,文中方法在计算效率方面要优于传统的方法.     

三维图像多相分割的变分水平集方法

变分水平集方法是图像分割等领域出现的新的建模方法,借助多个水平集函数可有效地实现图像多相分割.但在区域/相的通用表达、不同区域内图像模型的表达、通用的能量函的设计、高维图像分割中的拓展研究等方面仍是图像处理的变分方法、水平集方法、偏微分方程方法等研究的热点问题.文中以三维图像为研究对象,系统地建立了一种新的三维图像多相分割的变分水平集方法.该方法用n-1个水平集函数划分n个区域,并基于Heaviside函数设汁出区域划分的通用的特征函数;其能量泛函包括通用的区域模型、边缘检测模型和水平集函数为符号距离函数的约束项3部分;最后,针对所得到的曲面演化方程,采用半隐式差分格式进行离散,并对多种类型三维图像进行分割验证了所提出模型的通用性和有效性.     

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。     

隐式曲面上两相图像分割的变分水平集方法

在平面图像分割的Chan-Vese模型基础上,提出隐式曲面上两相图像分割模型。用静态水平集函数的零水平集表达图像所在的闭合曲面,用另一动态水平集函数的零水平集与静态水平集函数零水平集的交线表达静态曲面上图像分割的动态轮廓线。所研究模型的能量泛函的数据项即为曲面上两分割区域的图像强度与对应区域平均图像强度的差的平方,其轮廓线长度项为两水平集函数的零水平集交线的长度。为避免动态水平集函数的重新初始化,在能量泛函中引入水平集函数为符号距离函数的约束惩罚项。通过变分方法得到图像分割空间轮廓线演化的梯度降方程。通过显式差分格式对演化方程进行离散。实验结果表明,该模型能有效实现复杂封闭曲面上图像的两相分割。     

几种基于参数估计的图像分割比较

基于变分水平集方法建立了两相图像分割的通用模型,其区域模型基于图像的一般概率分布函数,通过变分方法得到水平集函数的演化方程和符合常值分布、Gauss分布及Rayleigh分布的参数估计。通过半隐式差分格式对演化方程离散求解,对含不同噪声分布图像采用不同的参数估计模型进行分割,得到了有意义的结论,得出三种模型适用范围,并分析各个模型驱动曲线演化所依据的图像蕴含信息。此外,通过在能量泛函中增加使水平集函数为符号距离函数的约束项,有效地避免了水平集函数需要重新初始化的问题。     

隐式曲面上图像扩散的高阶模型

用零水平集函数表达3维曲面,应用曲面上图像梯度的切投影表达其内蕴梯度,把基于梯度的图像扩散变分模型从平面图像拓展到了隐式曲面上的图像处理。基于内蕴梯度的变分模型对曲面上的图像进行扩散的同时可有效地保持其边缘,但像平面图像扩散的变分模型一样会在本该光滑的区域产生明显的阶梯效应。为消除阶梯效应,引入内蕴散度建立了基于内蕴梯度和内蕴散度的隐式曲面上图像扩散的变分模型,并以TV (total variation) 模型、PM(peronamalik)模型为例对所提出的模型的有效性进行了数值验证,实验结果表明该类模型在保持图像边缘的同时可以有效地抑制阶梯效应。     

隐式曲面上图像扩散的变分水平集方法

用零水平集函数表达曲面,应用曲面上图像梯度的切投影表达其内蕴梯度,把基于梯度的图像扩散变分模型从平面图像拓展到了隐式曲面图像.首先基于变分水平集方法推导了隐式曲面上图像非线性扩散的通用模型,作为特例,研究了曲面上Charbonnier模型、广义,Ⅳ模型、PM模型的图像噪声去除能力,并通过数值实验验证了这些模型向前、向后扩散及在边缘保持、边缘增强等方面的能力.根据图像修复与图像扩散的联系,将上述模型推广到了图像修复,并通过数值实验进行验证.     

Fisher准则和正则化水平集方法分割噪声图像

随着活动轮廓模型的不断成熟和发展,模型的抗噪能力又成为重要的研究课题.为了精确地分割图像的同时去除图像的噪声,针对噪声图像用非负稳健函数作为边缘保持函数,从而保证图像在去噪的过程中边缘和纹理信息不被模糊.首先创造性地将分类器中的Fisher准则函数引入到图像分割中,从分类的角度对C-V模型给出了Fisher解释.把Fisher准则作为分割的标准来建立一个基于区域和边缘相结合的同时完成去噪和分割变分水平集分割模型.其次详细讨论了该模型的数值求解方法.最后实验验证了用Fisher值来衡量分割标准的理论的正确性和可靠性以及模型中正则项约束在去噪过程中的边缘保持功能.通过3组实验检验了提出的模型对噪声图像的去噪和分割比聚类算法、松弛迭代算法、Mean Shift算法有更好的效果.     

基于PM模型的曲面去噪变分水平集方法

PM（perona-malik）模型是一种经典的非线性图像扩散模型,该模型能根据设定的阈值对图像光滑区域进行扩散,并能自适应地保持图像边缘。本文将曲面法矢量与一般灰度图像的强度进行类比,将经典的图像扩散的PM模型转化为曲面几何噪声处理的自适应扩散变分模型,在使曲面光滑的同时,能够保持曲面边缘。曲面采用隐函数的零水平集表达,能量泛函中的数据项用初始水平集函数的Heaviside函数与演化后水平集函数的Heaviside函数差的平方表达,能量泛函中的光滑项基于几何曲率定义。此外,在能量泛函中增加了水平集函数为符号距离函数的惩罚项,避免了水平集函数需要不断重新初始化的问题。数值实验验证了所提出模型的曲面噪声去除及曲面边缘保持效果。     

全变分引导图像去噪

引导滤波要求具有良好结构的引导图像进行辅助滤波。当噪声较多时,引导图像中的结构、边缘等遭到破坏,无法提供有效的引导信息,严重影响去噪效果。经典的全变分模型可以得到分片常数图像,具有良好的保持边界和结构的性能,可为引导滤波提供鲁棒的引导信息。为此,结合全变分模型和引导滤波,以噪声图像作为输入,利用全变分模型处理后的图像作为引导图像,而后进行引导滤波,并对上述过程进行迭代处理,以消除全变分模型带来的阶梯效应。实验结果表明,该算法在去除噪声的同时保持更多的细节,同时减轻全变分模型的阶梯效应。     

一种基于卷积积分的图像去噪变分方法

在图像去噪过程中更多地保持图像的细节信息是很重要的。将基于梯度的总变分图像去噪模型推广到基于分数阶微分的模型,并根据分数阶微分与卷积运算在特殊情形下具有相同的离散格式这一特点,提出了一种易于数值计算的基于卷积积分的图像去噪变分模型,实验结果表明,新模型在提高图像信噪比的同时,可以更好地保持图像的细节信息。     

基于水平集的新型彩色图像分割算法

由于考虑的泛函变分形式是非凸性质,向量值图像分割模型的计算结果经常会陷入局部最小值。基于活动轮廓的向量值图像的全局图像分割方法,以新型变分形式将向量值图像分割和图像去噪融入具有全局极小能力泛函框架中。新模型具有容易构造和较少计算量的特点,对比经典的水平集方法,可以避免繁琐的距离重复化水平集过程。通过对人工图像和真实图像进行分析,验证新方法具有更好的图像分割效果。     

带噪声散乱数据的光滑曲面重构——变分水平集方法

带噪声散乱数据点的光滑曲面重构应用广泛,基于变分水平集方法提出一种求解该问题的新的能量模型,并由此能量得到一新的微分方程,该微分方程演化后得到的极限曲面即为要重构的光滑曲面.给出了一种快速建立初始曲面的方法,节约了重构时间;然后对该微分方程的初值问题运用水平集方法求解,其中的空间方向离散化采用本质无震荡或加权本质无震荡技术,时间方向采用具有高精度的TVD Runge-Kutta技术.提出一种变步长的TVDRunge-Kutta方法来重新初始化符号距离函数,保证了Runge-Kutta方法中每一欧拉步都满足迎风设计要求.实验结果表明,该方法高效且能产生良好的重建效果.     

基于偏微分方程的混合噪声去噪研究

针对目前图像去噪方法存在的主要缺陷是仅适用于单一噪声的滤除, 无法解决图像混合噪声去噪的问题, 提出一种加权混合噪声模型, 建立其能量泛函表达式, 利用变分法获得其欧拉—拉格朗日方程并给出其显式差分迭代求解算法。通过对其数值算法的改进, 不仅提高了该模型数值算法的速度和稳定性, 而且在一定程度上避免了降噪后图像的阶梯效应。仿真实验表明, 加权混合噪声去噪算法在去除混合噪声的同时更好地保留了图像的细节信息, 其降噪性能相比现有方法有一定程度的改善。     

A Framework for Moving Least Squares Method with Total Variation Minimizing Regularization

In this paper, we propose a computational framework to incorporate regularization terms used in regularity based variational methods into least squares based methods. In the regularity based variational approach, the image is a result of the competition between the fidelity term and a regularity term, while in the least squares based approach the image is computed as a minimizer to a constrained least squares problem. The total variation minimizing denoising scheme is an exemplary scheme of the former approach with the total variation term as the regularity term, while the moving least squares method is an exemplary scheme of the latter approach. Both approaches have appeared in the literature of image processing independently. By putting schemes from both approaches into a single framework, the resulting scheme benefits from the advantageous properties of both parties. As an example, in this paper, we propose a new denoising scheme, where the total variation minimizing term is adopted by the moving least squares method. The proposed scheme is based on splitting methods, since they make it possible to express the minimization problem as a linear system. In this paper, we employed the split Bregman scheme for its simplicity. The resulting denoising scheme overcomes the drawbacks of both schemes, i.e., the staircase artifact in the total variation minimizing based denoising and the noisy artifact in the moving least squares based denoising method. The proposed computational framework can be utilized to put various combinations of both approaches with different properties together.     

Image Denoising Using Directional Adaptive Variable Exponents Model

In this paper, a new variational image denoising model is proposed. The new model could be seen to be a two-step method. In the first step, structure tensor analysis is used to infer something about the local geometry. The eigenvectors and the eigenvalues of the structure tensor are used in the construction of the denoising energy. In the second step, the actual variational denoising takes place. The steps are coupled in the sense that the energy expression is built using the underlying image, not the data. Two variable exponents are incorporated into the regularizer in order to reduce the staircasing effect, which is often present in the methods based on the first-order partial derivatives, and to increase smoothing along the image boundaries. In addition, two pointwise weight functions try to help to preserve small-scale details. In the theoretical part, the existence of a minimizer of a weak form of the original energy is considered. In the numerical part, an algorithm based on iterative minimization is presented and the numerical experiments demonstrate the possible advantages of the new model over some existing variational and partial differential equations methods.     

基于梯度自适应函数的彩色图像变分去噪方法

分析了彩色图像的全变分降噪模型,该模型在降噪的同时可以保持好图像的特征信息,但对于噪声较大的图像具有明显的"阶梯效应".Blomgren的基于梯度自适应函数的去噪模型只能处理灰度图像,因此提出改进的基于彩色图像的梯度自适应函数去噪模型.实验证明,改进的模型有效地解决了"阶梯效应"的发生,提高了模型的去噪能力和边缘保持能力.     

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.