用于图像分割的活动轮廓模型综述

图像分割和边界提取对于图像理解、图像分析、模式识别、计算机视觉等具有非常重要的意义,而活动轮廓模型(Active Contour Model)则是图像分割和边界提取的重要工具之一,它主要包括参数活动轮廓模型和几何活动轮廓模型两类。相对于参数活动轮廓模型,几何活动轮廓模型具有很多的优点,如计算的简单性和在变形的过程中能够处理曲线的拓扑变化,等等。近年来,几何活动轮廓模型在理论和应用方面的研究都有很大的发展,令人关注。为了使人们对这一技术有一概略了解,首先提出了一种新的分类方式用来描述参数活动轮廓模型、几何活动轮廓模型以及它们之间的联系,然后通过重点分析几个经典的活动轮廓模型及其算法实现来综述活动轮廓模型的研究、发展及其应用情况,最后指出了进一步进行活动轮廓模型理论与应用研究的方向。     

图像分割的结构张量几何活动轮廓模型

基于水平集方法和结构张量,提出几何活动轮廓模型应用于图像分割,解决水平集方法轮廓初始化和弱边缘处易于边缘泄露问题.该方法利用张量图像的散度算子构造新的外力,引导水平集函数的自适应运动,使得其可以初始为常值函数,消失其演化对初始轮廓的需要;在偏微分方程中引入张量迹信息,减少噪声对其演化的影响,避免轮廓在弱边缘处泄露.实验结果表明,该方法对噪声图像鲁棒,能提取深度凹陷目标轮廓和红外图像中的弱目标.     

基于改进几何活动轮廓模型的图像分割算法

针对传统几何活动轮廓（GAC）模型易出现边界泄露的缺陷,提出一个基于改进GAC模型的图像变速分割算法。该算法结合了图像边缘梯度信息和边缘角点坐标信息,通过改变演化曲线在角点及弱边界处的常量速度,避免活动轮廓曲线继续演化进入目标边界内,造成边界泄露和角点丢失现象,影响目标轮廓提取的准确性。实验结果表明：该算法可使演化曲线更加准确地停在目标边缘,并且在一定程度上减少了边界泄露问题。     

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。     

无需初始轮廓的图像分割模型

为了增强对初始轮廓的鲁棒性并提高对灰度不均图像、噪声图像的分割效率,提出一种基于区域的活动轮廓模型.首先分别构造全局灰度拟合力与局部灰度拟合力,然后用线性组合获得模型的拟合项,并通过调整拟合力之间的权重提高模型对初始轮廓的鲁棒性,最后利用演化曲线的长度项保持曲线的光滑性.通过实验结果可以看出:与区域可变灰度拟合(RSF...     

基于区域的活动轮廓模型

基于区域几何活动轮廓模型已经成为目前最流行的图像分割方法之一。本文主要介绍了自Mumford-Shah模型提出以来基于区域几何活动轮廓模型的发展演变过程,分析其中几种典型模型,并对他们的优缺点加以评述,最后指出进一步的发展方向。     

基于区域显著性的活动轮廓分割模型

提出一种新的活动轮廓分割模型,结合视觉显著性检测机制自动获取待分割图像中目标物体的先验形状信息,并自适应地构造初始轮廓,从而降低了初始轮廓位置对分割算法的影响.同时实现了活动轮廓模型对图像的自适应分割和自动分割,使得分割结果更符合人类视觉感知特性.实验结果表明,该模型有较好的分割效果,迭代次数少,且运行时间短.     

一种改进的活动轮廓模型图像分割方法

基于全局信息的活动轮廓模型不能有效分割灰度不均匀图像,而基于局部信息的活动轮廓模型对轮廓初始化位置比较敏感。为此,提出结合全局信息和局部信息,构造新的符号压力函数（Signed Pressure Force,SPF）,替代Selective Binary and Gaussian Filtering Regularized Level Set（SBGFRLS）模型中的符号压力函数,同时构造一种新的气球力函数,并采用SBGFRLS水平集方法演化轮廓曲线来分割图像的方法。实验结果证明该方法能有效分割灰度不均图像,同时对轮廓初始化位置不敏感,对噪声有较好的抗干扰性。     

基于改进活动轮廓模型的数字虚拟人图像分割算法

对组织器官的分割和提取是医学图像三维重建及可视化的基础工作。根据数字虚拟人图像的特点,提出了一种基于改进活动轮廓模型的数字虚拟人图像分割算法,推导出了基于改进活动轮廓模型方程的解析表达式,并采用梯度向量流场对该算法进行了改进。该算法克服了传统活动轮廓模型不能处理深度凹陷区域的问题。实验结果表明,该算法具有对“U”形区域计算精确、抗干扰性强、可得到很好的分割结果。     

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。     

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。     

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。     

活动轮廓模型在医学图像分割中的应用及发展

图像分割是医学三维重建、医学可视化等的基础,对疾病的诊断和治疗有着重要的临床意义,目前,用于医学图像分割的算法很多,而活动轮廓模型（Active Contour Model）的提出则是这个领域的一个重大突破。介绍活动轮廓模型从参数活动轮廓模型到几何活动轮廓模型的发展过程及发展现状,提出活动轮廓模型的研究和发展方向。     

活动轮廓模型在医学图像分割中的应用及发展

图像分割是医学三维重建、医学可视化等的基础,对疾病的诊断和治疗有着重要的临床意义,目前,用于医学图像分割的算法很多,而活动轮廓模型(Active Contour Model)的提出则是这个领域的一个重大突破。介绍活动轮廓模型从参数活动轮廓模型到几何活动轮廓模型的发展过程及发展现状,提出活动轮廓模型的研究和发展方向。     

An Active Contour Model for Selective Segmentation

In this paper, we develop a new active contour model for image selective segmentation. The model adopts cascade anisotropic diffusion prcprocessing and a selective term in level set function. Cascade anisotropic diffusion filtering is powerful and tlexible to enhance image for various segmentation tasks. The selective term in level set function can evolve a single curve to capture a selective segmentation region which we are interested in. This is useful for intentional segmentatioa tasks. We ,：an al, so realize the multi-region segmentation by varying selecting term conditions. Furthermore, we obviously speed the process of the new algorithm by using AOS scheme in cascade anisotropic diffusion filtering aad discarding mean curvature motiou in level set function. We illustrate the performance of our segmentation method on images generated by different modalities.     

先验形状约束的超声前列腺图像分割方法

提出一种结合超声前列腺图像的局部特征和前列腺的先验形状知识的分割方法。该方法在传统图像分割方法中引入了前列腺的先验形状约束,使得分割能够一定程度地避免由于超声图像中噪声、伪影、灰度分布不均匀等因素对前列腺分割所造成的影响。算法分为两个部分：先验形状模型的学习和先验形状约束的分割。在先验形状模型学习阶段,采用主成分分析方法对形状作特征提取,以高斯分布作为形变参数的估计;在先验形状约束分剖阶段,将基于局部高斯拟合特征的活动轮廓模型与形状模型相结合对前列腺图像分割。实验表明,所提出的方法在超声前列腺图像中取得了良好的分割效果,为临床诊断和治疗提供了定量分析的工具。     

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。     

基于先验形状的混杂活动轮廓模型及其在图像分割中的应用

提出了一种新颖的基于先验形状学习的混杂活动轮廓(SHAC)模型,该模型采用变分水平集方法,融合自适应区域信息与边界信息,运用主成分分析的方法从给定的含有目标物体轮廓的训练集学习得到最佳形状信息,并将其作为先验形状。将自适应区域特征和轮廓特征作为局部信息,先验形状作为全局信息,在迭代过程中结合全局和局部信息实现对演化曲线的形变进行指导和约束,达到分割目标物体的目的。通过定量和定性地分析低对比度的乳腺核磁共振图像中的乳腺轮廓的分割,以及具有复杂背景的自然图像中感兴趣区域的分割结果,验证了SHAC模型比传统活动轮廓模型具有更高的准确率,表明了该模型不仅提高了图像分割中对弱边界的识别度,减弱了非目标轮廓的干扰,而且具有良好的抗噪能力。     

基于活动轮廓模型的人脸轮廓提取

在传统的snake算法基础上,针对人脸轮廓提取这一课题,提出了一种初始化snake的方法,并对传统的snake算法进行了改进。实验结果表明,该方法能够较好地提取人脸轮廓,并在精确度和计算量方面大大优于边缘检测算子方法。