基于局部边缘特征水平集演化的主动脉CT图像分割

腹腔主动脉所处环境复杂,不可避免的造成弱边缘和边缘不均匀等问题.提出一种基于局部边缘特征的水平集演化算法,根据其所处水平集内部与外部相邻区域的相关性赋值加权因子,使得能量函数最小化.实验结果表明,本算法在实验精度和稳定性方面取得了良好的效果.     

基于局部区域信息的水平集医学图像分割方法

针对医学图像中存在的亮度分布不均匀（intensity inhomogeneity）的特点,对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法进行了改进。局部区域信息是对亮度分布不均匀图像进行准确分割的关键,但是传统的基于区域信息的C-V模型没有利用到这种局部区域的图像信息,因此无法正确分割强度分布不均匀图像。利用局部区域信息构造能量函数,提出了一种基于局部区域信息的改进C-V模型。该模型无需大量计算,水平集函数可快速收敛。MR图像、血管造影图像和X线骨折图像的实验结果证明了该方法的高效性。     

基于局部Chan-Vese模型的超声颈动脉图像水平集分割方法研究

对超声主颈动脉(Common Carotid Artery,CCA)横向图像中血管的内外膜进行分割,分割结果可用于对斑块大小、厚度和形状的定性估计及定量测量。首先选用局部C-V(Local Chan-Vese,LCV)模型对外膜进行分割,而用C-V模型对内膜进行分割,并引入内外膜距离限制项来提高内膜分割准确度,同时使用稀疏场方法(Sparse Field Method,SFM)提高水平集算法的效率,最后通过全正交法(Full-Orthogonal Method,FOM)、射线法、相似系数分析法等多种评价方法对分割结果进行分析。实验结果表明,LCV模型可有效地分割颈动脉血管外膜,而C-V模型可有效地分割血管内膜,改进方法提升了程序运行速度并且提高了内外膜的分割精度。     

局部区域拟合的快速水平集图像分割方法

目的 由于灰度不均匀图像在不同目标区域的灰度分布存在严重的重叠,对其进行分割仍然是一个难题;同时,图像中的噪声严重降低了图像分割的准确性。因此,传统水平集方法无法鲁棒、精确、快速地对具有灰度不均匀性和噪声的图像进行分割。针对这一问题,提出一种基于局部区域信息的快速水平集图像分割方法。方法 灰度不均匀图像通常被描述为一个分段常数图像乘以一个缓慢变化的偏移场。首先,通过一个经过微调的多尺度均值滤波器来估计图像的偏移场,并对图像进行预处理以减轻图像的不均匀性;然后,利用基于偏移场校正的方法和基于局部区域信息拟合的方法分别构建能量项,并利用演化曲线轮廓内外图像灰度分布的重叠程度,构建权重函数自适应调整两个能量项之间的权重;最后,引入全方差规则项对水平集进行约束,增强了数值计算的稳定性和对噪声的鲁棒性,并通过加性算子分裂策略实现水平集快速演化。结果 在具有不同灰度不均匀性和噪声图像上的分割结果表明,所提方法不但对初始轮廓的位置、灰度不均匀性和各种噪声具有较强的鲁棒性,而且具有高达94.5%的分割精度和较高的分割效率,与传统水平集方法相比分割精度至少提高了20.6%,分割效率是LIC（local intensity clustering）模型的9倍;结论 本文提出一种基于局部区域信息的快速水平集图像分割方法。实验结果表明,与传统水平集方法相比具有较高的分割精度和分割效率,可以很好地应用于具有灰度不均匀和噪声的医学、红外和自然图像等的分割。     

基于多层水平集函数的三维多相图像分割

多相图像分割通常利用多个水平集函数分别定义不同区域的特征函数,其极值求解问题需要对多个函数分别求极值,计算效率较低。针对三维多相图像,提出一种改进的变分水平集模型,采用一个多层水平集函数的n层水平集隐式曲面,将图像划分为n个区域,通过对一个水平集函数求极值,实现三维多相分段常值图像的快速分割与重建。将能量泛函表达为数据项和规则项,借助规则化Heaviside函数设计区域划分的通用特征函数,采用Split-Bregman投影方法进行能量最小化求解。实验结果表明,该模型可以有效地实现三维多相图像分割,与Chan-Vese模型相比,其迭代步数较少,分割速度较快。     

基于图像层的双水平集图像分割

传统C-V模型可以将待分割图像分割成目标和背景两区域,但无法实现对多目标图像的分割.多相C-V模型能够对多目标图像进行分割,但需要多次迭代,计算量较大.为了解决上述问题,提出一种基于图像层的双水平集分割算法,该算法通过引入背景填充技术来改变图像背景,从而形成新的图像层,双水平集不断地在新的图像层中进行分割,直到所有目标被分割.这样通过双水平集就可以实现对多目标图像的分割.实验结果表明:该算法能够实现多目标分割,且迭代次数较少,同时具有较强的抗干扰能力和较快的收敛速度.     

基于水平集方法的数字胸片图像分割

水平集方法能有效地解决曲线演化过程中的拓扑变化问题,基于全局特性的活动轮廓模型采用水平集方法给出的迭代解,能有效进行分割。用这种方法对CR胸片图像进行分割研究,并根据CR图像的特点,给出了只需一次演化的方法：直接针对原图像可以得到肺部大致区域;而针对CR的局部标准偏差图像可以得到肋骨的边缘图像。实验结果表明,该方法能很好地对CR图像进行分割。     

基于区域信息的水平集藻类图像的分割

由于藻类细胞复杂多样且显微图像受光线影响,传统的图像分割算法对藻类图像分割难以取得满意的效果。针对传统的水平集C-V模型不能充分利用图像局部区域灰度变化信息从而导致难以准确分割灰度不均物体等缺陷,利用一种基于局部区域的C-V(LCV)模型,应用于藻类细胞显微图像的分割。通过实验对比,显示出LCV模型相对于传统分割方法可以分割灰度均匀或不均匀的藻类图像。     

基于优化水平集的细胞图像分割算法

介绍了一种基于优化水平集的细胞图像分割算法。优化水平集在水平集算法基础上添加了局部熵和灰度变换,以达到突出边缘和去噪的目的。为修正经典OTSU阈值法忽略目标与背景的类内平均距离,创新性地对阈值选择函数进行改进。实验结果表明,相比于传统算法,该算法在正确分割率和运行时间上更优,在复杂的细胞图像分割中具备有效性和可行性。     

基于小波和水平集方法的尿沉渣图像分割*

针对尿沉渣图像更为精细的分割,提出了首先使用小波变换和形态学处理消除散焦影响并进行图像的粗分割,然后根据粗分割得到的子图像利用水平集方法找到子图像中目标图像的边缘完成精细分割,为计算机自动识别尿沉渣中的有效成分提供更加准确的依据。实验结果表明,该方法在尿沉渣图像分割的应用中得到了令人满意的结果。     

A unified level set framework utilizing parameter priors for medical image segmentation

Image segmentation plays an important role in many medical imaging systems, yet in complex circumstances it remains an open problem. One of the main difficulties is the intensity inhomogeneity in an image. In order to tackle this problem, we first introduce a region-based level set segmentation framework to unify the traditional global and local methods. We then propose two novel parameter priors, i.e., the local order regularization and interactive regularization, and then utilize them as the constraints of the objective energy function. The objective energy function is finally minimized via a level set evolution process to achieve image segmentation. Extensive experiments show that the proposed approach has gained significant improvements in both accuracy and efficiency over the state-of-the-art methods.     

融合区域和边缘特征的水平集水下图像分割

目的 水平集模型是图像分割中的一种先进方法,在陆地环境图像分割中展现出较好效果。特征融合策略被广泛引入到该模型框架,以拉伸目标-背景对比度,进而提高对高噪声、杂乱纹理等多类复杂图像的处理性能。然而,在水下环境中,由于水体高散射、强衰减等多因素的共同作用,使得现有图像特征及水平集模型难以适用于对水下图像的分割任务,分割结果与目标形态间存在较大差异。鉴于此,提出一种适用于水下图像分割的区域-边缘水平集模型,以提高水下图像目标分割的准确性。方法 综合应用图像的区域特征及边缘特征对水下目标进行辨识。对于区域特征,引入水下图像显著性特征;对于边缘特征,创新性地提出了一种基于深度信息的边缘特征提取方法。所提方法在融合区域级和边缘级特征的基础上,引入距离正则项对水平集函数进行规范,以增强水平集函数演化的稳定性。结果 基于YouTube和Bubblevision的水下数据集的实验结果表明,所提方法不仅对高散射强衰减的低对比度水下图像实现较好的分割效果,同时对处理强背景噪声图像也有较好的鲁棒性,与水平集分割方法（local pre-fitting,LPF）相比,分割精确度至少提高11.5%,与显著性检测方法（hierarchical co-salient detection via color names,HCN）相比,精确度提高6.7%左右。结论 实验表明区域-边缘特征融合以及其基础上的水平集模型能够较好地克服水下图像分割中的部分难点,所提方法能够较好分割水下目标区域并拟合目标轮廓,与现有方法对比获得了较好的分割结果。     

基于变分Level Set方法的图像分割

文章主要利用levelset函数隐式地追踪图像的边界来实现图像分割。在该文中首先给出了一个变分问题以及相应的Euler-Lagrange方程,并且提出了一种求解该方程的数值算法,使得计算速度有了很大的提高。数值算例表明,该水平集算法具有数值稳定性,不会出现振荡现象,可以很好地处理拓扑结构的变化。     

用于灰度不均图像分割的自适应灰度拟合模型

针对灰度不均图像的分割问题,提出了一个结合全局信息的局部区域自适应灰度拟合模型。首先,分别利用图像的局部和全局信息构造了局部拟合项和全局拟合项;其次,利用像素点邻域内灰度的极差反映该点邻域内灰度的偏差程度,并以此定义了一个自适应权值函数;最后,利用定义的权值函数为局部项和全局项自适应赋权值,得到所提模型的能量泛函,并使用变分法推导出模型的水平集函数迭代方程。数值实现采用有限差分法。实验结果表明,与区域可变灰度拟合（RSF）模型和局部和全局灰度拟合（LGIF）模型相比,所提模型不仅能够稳定、准确地分割多种灰度不均图像,而且对演化曲线初始轮廓的位置、大小和形状具有更强的鲁棒性。     

一种基于水平截集的活动围道图像分割方法及算法实现

图像分割是遥感和医学图像处理的基础技术之一,但是目前缺乏工程化通用算法。适合于工程应用的图像分割技术必须满足有效、整体、精确、稳定等一系列要求。为适应这些要求,该文采用基于水平截集的活动围道图像分割方法,进行了面向工程化的算法实现和C应用程序设计。试验表明,所发展的计算技术具有很好的通用性,分割过程快速,得到的边界准确,具有拓扑自适应性和良好的抗噪性,可以实际地用于分割大型遥感图像和医学图像。     

改进的多目标图像的水平集分割模型

Guo等人利用n个水平集方程构造n个区域提出一种改进的CV模型（简称MCV模型）,该模型需要的迭代次数很少,提高了图像分割的效率,但其分割结果受初始曲线位置的影响较大,极易陷入局部最优,无法分割复杂图像,且利用传统的Heviside函数无法得到准确的均值信息,因此无法保证数值的稳定性。本文对MCV模型进行改进,先对图像进行预分割得到初始曲线以提高分割效率且能保证分割结果全局最优,构造新的符号函数取代传统的Heviside函数改进MCV模型以保证数值稳定性。对MR图像进行的分割实验表明,其在保证迭代次数较少的同时分割更加准确。     

修正局部极小值的局部灰度差异分割模型

针对现有局部模型在分割灰度不均匀图像时容易陷入局部极小值,导致演化曲线停留在背景处或目标内部无法继续演化从而造成分割失败的现象,提出本模型。该模型在能量泛函中增加局部灰度差异项,通过最大化演化曲线上所有点的邻域内目标和背景的差异来驱动演化曲线越过图像背景处或目标内部,直到准确地停留在目标边缘。实验结果表明提出的模型可以有效地解决局部模型因陷入局部极小值而导致的误分割问题,同时提高对分割灰度不均匀等复杂图像的准确性,并减小对初始轮廓的敏感性。