Snake模型与深度凹陷区域的分割

在基于Snake模型的图像分割中,深度凹陷区域的分割是一个难点．尽管GVFSnake模型极大地改善了这个问题,但它需要事先求解一个偏微分方程组,增大了计算量;同时,GVFsnake模型在初始化时还存在一个“临界点”问题．探讨了深度凹陷区域的分割,用离散轮廓上顺序3点所成三角形内切圆圆心来定义离散轮廓的曲率,该曲率既能反映轮廓的弯曲程度,又具有合理的方向．基于该曲率定义了曲率外力项,构造了基于Snake模型的两阶段算法,先采用传统Snake模型使离散轮廓逼近目标边缘,然后在曲率外力的作用下使离散轮廓进入目标的凹陷区．曲率外力项的引入能较好地解决深度凹陷区域的分割问题,也可以扩展该外力项来扩大Snake模型的捕捉范围．实验结果表明该方法是有效的．     

SAR图像多尺度配准的小波域等周割方法

研究在同一场景中不同时间和角度的图像配准问题,针对保证配准的精确性,给出了基于合成孔径雷达(SAR)图像小波域等周割多尺度分割的SAR图像多尺度配准方法.为了抑制噪声和配准精度,提出了SAR图像小波域等周割模型并给出模型的多尺度分割算法,以得到较为精确的轮廓特征,结合轮廓修正过程对每个小波分解层进行多尺度配准;并且,配准过程决定了分割中尺度因子的变化程度.小波分解的应用可有效降低搜索空间,在一定程度上加快配准速度,且使用修正后的轮廓特征信息,提高了配准精度.实验结果表明了方法的有效性,为图像配准技术提供了参考.     

基于感兴趣窄带区域的同步分割与配准方法及在IGRT中的应用

医学图像分割与配准是图像引导放疗(Image guided radiation therapy, IGRT)系统中的关键技术. 为提高基于CBCT (Cone beam CT)的IGRT系统实施胸腹部肿瘤放疗的实时性与自适应性, 特别是实现重要危及器官肝脏区域照射剂量的合理控制, 本文提出一种基于感兴趣窄带区域的同步分割与配准方法, 目标是实现放疗计划系统中计划CT和CBCT图像目标区域的分割与配准. 通过构建感兴趣窄带模型, 并且与活动轮廓模型相结合实现初始分割, 然后与基于光流场(Optical flow field, OFF)的形变配准方法进行循环迭代, 从而构造ASOR分割与配准同步模型(Active contour segmentation and optical flow registration synchronously, ASOR). 在方法实施时, 首先利用非线性扩散模型和窄带活动轮廓模型在CT图像中提取肝脏空间初始位置信息, 为同步模型提供合理的肝脏初始轮廓. 然后将该轮廓及相应窄带区域经仿射变换映射到CBCT图像, 进而结合构造的ASOR同步模型, 用光流场确定活动轮廓水平集的运动情况, 使分割与配准在同一个演化过程中完成迭代. 实验结果和临床应用表明, 本文提出的方法应用于基于CBCT的IGRT系统时, 可实现肝脏组织的自动分割与放疗剂量分布的快速计算. 同时, 我们将同步过程中获得的形变域用于实现肝脏与肿瘤靶区等剂量线从计划CT到CBCT的自适应转移, 进行自适应放疗效果的临床测评.     

基于迭代重加权的非刚性图像配准

非刚性图像配准问题是当今重要的研究课题. 本文提出一类基于能量最小化方法的非刚性图像配准模型, 其中包括单模态和多模态两个模型. 在单模态模型中,正则项采用迭代重加权的L2范数度量, 一方面克服了迭代收敛不同步的问题, 另一方面使新模型既能保持图像的边缘几何结构, 又能避免块效应的产生. 在多模态模型中, 不同模态的图像被转化为同一模态进行处理, 提高了配准的效率. 在模型求解方面, 利用算子分裂和交替最小化的方法, 将原问题转化为阈值和加性算子分裂的迭代格式进行求解. 数值实验表明, 本文的方法对含噪以及变形较大的图像都能实现较好的配准.     

用改进的粒子群算法实现多模态刚性医学图像的配准

多模态医学图像的配准在医学诊断和治疗计划中起着重要的作用．提出了一种基于轮廓特征点和改进的粒子群优化算法((Particle Swarm Optimization，PSO))求解的配准方法．该方法首先用Canny算子提取图像的边缘，用ISODATA算法进行聚类分析提取出轮廓特征点，然后用两轮廓匹配点对的欧几里德距离平均值的极小值作为两个特征点对配准准则，并用改进的PSO算法求解配准所需的空间变换参数．实验证明；该方法配准精度能够达到亚像素级，能够避免陷入局部极小值而且速度得到明显改善，其应用于多模态医学图像的配准是可行的．     

同时配准-分割脑MR图像的耦合变分模型

提出一种新颖的变分耦合模型,同时实现配准与分割.模型中使用耦合函数将非刚性配准信息与基于区域信息的曲线演化理论结合在一起,构造总能量函数,通过求解该能量函数的极值达到配准-分割的目的.该方法可以分割多模态医学图像,即使在两图间的强度信息区别较大时,也可以得到较好的分割结果.实验结果表明该方法具有较好的鲁棒性.     

基于变分和互信息的先验形状配准算法

针对带先验形状约束的几何活动轮廓模型中的形状配准问题,提出一种基于变分方法和最大互信息准则的先验形状配准算法。利用变分配准模型计算仿射变换参数,将其作为互信息配准算法的初值,通过Powell优化算法计算仿射变换参数的最优解。实验结果表明,该算法在保证配准精度的同时,能明显提高计算效率。     

结合活动轮廓模型的无监督纹理图像分割

定义了清晰度参数、细节信号能量参数和边缘信号能量参数3个纹理参数,对图像的纹理特征进行分析,以获取原图像的特征能量图;再利用基于简化Mumford-Shah的活动轮廓模型对图像进行纹理分割,该分割模型能较好地处理模糊、缺省的边界,同时具有去噪的功能．利用水平集方法求解该模型,解决了演化曲线拓扑可变的问题．与传统的纹理分析方法相比,文中方法能更好地表达图像中复杂纹理的信号特征．通过对合成纹理图与自然纹理图进行分割及大量实验结果表明：该方法能有效、快速地分割纹理图像．     

基于偏微分方程的图像分割

介绍了在图像分割中用到的偏微分方程方法,主要论述了参数活动轮廓模型和几何活动轮廓模型在图像分割中的应用．以及对基于它们的改进算法进行了综述。并简单讨论了偏微分方程在图像处理中要解决的主要问题和发展前景。     

基于变动权值的混合水平集图像分割模型

基于局部区域的活动轮廓模型(LRAC)分割图像时对初始轮廓的严重依赖性,提出一种基于局部和全局区域结合的水平集图像分割算法。结合Chan-Vese水平集模型和LRAC模型的特点,在构造水平集函数时定义了变动的权值参数,将水平集函数的局部和全局能量泛函项结合起来,其中,权重参数由图像梯度和图像演化曲线内外局部均值定义。另外,在水平集函数演化时采用窄带法,以减小计算的时间复杂度。实验结果表明,该算法模型兼有CV模型和LRAC模型的优点,比LRAC模型对初始轮廓选取的依赖性低,收敛速度快;比窄带CV模型的对目标边缘分割效果好。     

曲率无关方向扩散及改进型Chan-Vese主动轮廓模型

低信噪比条件下的图像分割是图像分割与应用中所面临的难点之一.针对当前非参数化主动轮廓分割模型在低信噪比、高曲率条件下难以准确收敛到目标边缘的问题,以主动轮廓模型中的噪声处理项作为切入点,提出一种基于曲率无关方向扩散的非参数化主动轮廓噪声去除方法.通过曲率无关方向扩散避免了去噪过程对主动轮廓形状的影响,并通过非规则边缘控制函数进一步控制噪声去除过程对信号边缘与噪声的不同作用,在有效去除噪声的同时保证了高曲率轮廓的收敛性;在此基础上,提出一种针对低信噪比图像分割的改进型Chan-Vese主动轮廓模型.最后通过详细的实验证明了该方法和改进Chan-Vese主动轮廓模型的有效性.     

基于主动轮廓模型和水平集方法的图像分割技术

图像分割是计算机底层视觉中首要解决的关键问题。为了使人们对该领域现状有个概略了解。首先回顾了近十几年来基于主动轮廓模型的图像分割技术的发展概况；然后分类介绍了基于边界、基于区域和基于边界与区域的主动轮廓模型技术的演变及各自的优缺点，以及相应的能处理轮廓拓扑变化的稳定数值求解方法——水平集方法；最后展望了主动轮廓模型在图像对准中的应用。     

Active contour model for simultaneous MR image segmentation and denoising

In this paper, a new region-based active contour model is proposed for magnetic resonance image segmentation and denoising based on the global minimization framework and level set evolution. A new region fitting energy based on Nadaraya–Watson estimator and local image information is defined to enforce the curve evolution. By this improved region fitting term, the images with noise and intensity un-uniformity can be segmented and denoised. Inspired by the Perona–Malik diffusion equation, an edge-preserving regularization term is defined through the duality formulation to penalize the length of region boundaries. By this new regularization term, the edge information is utilized to improve the contour?s ability of capturing the edge and remaining smooth during the evolution. The energy functional of the proposed model is minimized by an efficient dual algorithm avoiding the inefficiency of the gradient descent method. Experiments on medical images demonstrate the proposed model provides a hybrid way to perform image segmentation and image denoising simultaneously.     

自适应正则化活动轮廓模型

针对Chan-Vese模型含有许多参数,分割时需要人为调整参数,耗费大量的人力和时间的问题,提出了一个自适应正则化活动轮廓模型。首先,对Chan-Vese模型的数据项进行简化;其次,使用改进的边界加权H¹正则化代替长度项;最后,形成了一个新的不含任何参数的活动轮廓模型。在分割实验中,该模型对初始轮廓的大小、位置不敏感,具有较强的抗噪性,分割6幅图像的平均时间和迭代次数分别为1.5834 s、19次。实验结果表明,所提模型无需人工调整参数,能够分割强噪声图像和灰度不均图像,并且具有较快的分割速度。     

基于局部增强与区域拟合的活动轮廓模型

针对活动轮廓模型在分割弱边缘图像及严重的灰度不均匀图像方面存在轮廓曲线不能很好地演化到目标边界等问题,提出了一种基于局部增强与区域拟合的活动轮廓模型。首先,利用局部区域增强方法将原始图像转换为新图像,以增强图像的对比度。其次,利用统计信息计算图像的区域拟合能量。然后,加入正则项以避免演化轮廓重新初始化,提高图像分割效率。最后,通过灰度不均匀的合成图像和真实图像的实验,验证了该算法的有效性。     

结合梯度和区域信息的多尺度水平集图像分割

提出了一种结合梯度和区域信息的多尺度水平集图像分割算法。该算法结合梯度和区域信息构造能量函数,在梯度约束项中,构建了一个基于小波高频分量的边缘检测函数,在区域约束项中,运用经典C-V模型的区域项,得到混合C-V模型,采用变分法求解,并消除了水平集的重初始化。利用小波变换首先在逼近图像中运用混合C-V模型得到粗分辨图像的一个粗尺度分割,再对当前粗尺度下的最终轮廓线作内插操作,将得到的近似轮廓曲线作为初始水平集函数在原图像中运用消除重初始化的C-V模型演化得到最终的分割。实验结果表明,在同样的模型参数条件下,该方法具有比传统方法更高的演化效率和分割质量。     

An improved region-based model with local statistical features for image segmentation

In this paper, we propose a new region-based active contour model (ACM) for image segmentation. In particular, this model utilizes an improved region fitting term to partition the regions of interests in images depending on the local statistics regarding the intensity and the magnitude of gradient in the neighborhood of a contour. By this improved region fitting term, images with noise, intensity non-uniformity, and low-contrast boundaries can be well segmented. Integrated with the duality theory and the anisotropic diffusion process based on structure tensor, a new regularization term is defined through the duality formulation to penalize the length of active contour. By this new regularization term, the structural information of images is utilized to improve the ability of capturing the geometric features such as corners and cusps. From a numerical point of view, we minimize the energy function of our model by an efficient dual algorithm, which avoids the instability and the non-differentiability of traditional numerical solutions, e.g. the gradient descent method. Experiments on medical and natural images demonstrate the advantages of the proposed model over other segmentation models in terms of both efficiency and accuracy.     

基于目标模糊置信度描述驱动的区域能量进化增长图像分割算法

为了克服经典区域增长算法在复杂目标与背景分布情况下, 停止条件难以确定的不足, 提出基于目标模糊置信度描述驱动的区域能量进化增长图像分割算法. 该算法结合了主动轮廓模型(Active contour model, ACM)、目标数据分布域描述与区域增长三者的优点, 首先利用分割目标的支持向量数据域描述将待分割图像转化为相对于分割目标的模糊置信度表示, 因为分割过程充分利用了有监督学习策略得到的目标特征分布情况, 使得本文提出的算法具有更高的稳定性和更加广泛的适用范围, 特别是对目标灰度分布不均或存在多纹理的目标也可以得到较好的分割结果. 在区域增长进行分割时, 引入了新的区域能量表示模型作为区域增长的结束判决条件, 分割时逐渐降低目标模糊置信度的门限, 通过对区域能量模型的动态优化来逼近最佳分割结果. 对比实验结果表明本文提出的算法具有更大的灵活性和更好的分割性能.