利用偏置校正的分数阶正则化水平集分割算法

针对待分割图像中含有强度不均匀性和噪声情况,传统水平集分割方法不能得到理想的分割结果且效率低、抗干扰能力弱等不足。为此,提出一种利用偏置校正的分数阶正则化水平集分割算法。该方法利用分数阶距离正则项惩罚水平集函数（level set function,LSF）与带符号符号距离函数之间的偏差,抑制LSF在平坦区域的急剧反向扩散,保证LSF平稳演化。采用（Grünwald-Letnikov,G-L）分数阶导数,设计了新的分数阶导数及其共轭覆盖模板并采用改进的边缘停止函数和偏置校正,用于驱动LSF演化曲线快速地接近目标边缘。将偏置校正和分数阶距离正则化相结合用水平集函数来定义得到了能量泛函最小化的数值解。实验结果表明,所提方法对图像分割效率和鲁棒性有明显的提升。     

前向后向扩散的距离正则模型应用于图像分割*

针对在演化过程中水平集函数震荡问题,提出前向后向扩散的距离正则模型应用于图像分割。新的距离正则项由一个势函数定义,推导的演化方程以唯一的方式前向后向扩散,即：水平集函数在其陡峭区域前向扩散,降低函数的梯度模直至为1,反之它后向扩散,提高梯度模直至1。演化结果是水平集函数收敛于符号距离函数,这是水平集函数稳定演化所希望保持的状态。为了阐述距离正则项的有效性,本文将其和基于边缘信息的外能量项相结合。实验结果表明,该模型能够好的完成图像分割,对噪声和弱目标图像鲁棒。     

参数化形态学梯度修正的水平集肝肿瘤分割

针对单一水平集算法处理低对比度或边缘模糊肝脏CT图像时,在梯度局部极小值区域或虚假边缘处常常会出现曲线停止演化现象的问题,提出了一种参数化形态学梯度修正的水平集图像分割方法进行研究.首先对图像进行形态学梯度变换,增强图像的对比度;然后以此为基础,在特定邻域内建立结构元素半径与梯度级的函数关系对图像进行梯度修正,增强目标边缘聚合度并去除图像噪声及非规则细节引起的局部极小值,同时减小目标轮廓位置的偏移;最后根据图像梯度信息运用水平集方法实现图像中单个或多个目标分割.实验结果表明,该算法有效地解决了标准水平集分割方法中存在的伪分割问题,能够对肝脏肿瘤进行较准确分割.     

结合统计模型和曲线演化的左心室MRI图像分割

提出结合区域统计模型和图像梯度信息的MRI图像分割算法.由于心脏的变形和血液的流动,MRI图像中出现弱边界、局部梯度极大值区域、伪影等现象.基于图像梯度构造停止项的水平集方法难以分割此类图像.本文提出两阶段图像分割算法.首先结合先验知识和直方图,确定图像中像素的类别总数.用极大似然估计原理求出每一类的先验概率和概率分布参数,根据像素属于感兴趣区域(ROI)的后验概率构造水平集速度函数,通过曲线演化获取ROI的粗边界.然后再使用图像梯度构造速度函数对边界进行细化.实验结果表明,本文算法能够有效分割心脏MRI图像.     

基于区域信息的水平集医学图像分割

医学图像分割是医学诊断中非常重要的部分,针对医学图像分割往往出现边缘泄漏和不完全分割等问题,本文提出一种基于区域信息的水平集图像分割方法。该方法通过引入符号压力函数来取代传统的停止函数,可以有效地解决曲线初始位置敏感的问题,同时使得演化曲线摆脱了单方向演化的缺陷,演化曲线根据区域信息来选择演化方向.通过构造新的速度函数可以有效地控制速度大小,当演化曲线接近目标边缘时,速度值较小,可以有效避免边缘泄漏.当曲线远离目标边缘时,速度值很大,节省演化所需的时间.     

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。     

噪声鲁棒的水平集演化模型

针对噪声图像,基于曲线演化理论与水平集方法,提出一个对噪声鲁棒的水平集分割模型。利用图像局部和全局信息,构造一个新的速度函数,得到一个水平集演化偏微分方程。实验表明,该模型对含有高噪声的合成和真实图像有很好的分割效果,同时能准确提取弱边缘和模糊边缘,而且对轮廓初始化有很强的鲁棒性。     

融合局部和全局图像信息的活动轮廓模型

为了克服局部图像拟合模型对轮廓初始化敏感的不足,结合改进C-V模型,提出一种融合局部和全局图像信息的活动轮廓模型.首先由改进C-V模型的全局灰度拟合力和局部图像拟合模型的局部灰度拟合力的一个线性组合来构造水平集演化力,然后通过调整这2个拟合力的权重以提升该模型对轮廓初始化的灵活性,最后利用高斯滤波正则水平集函数法实现水平集函数的正则化.实验结果表明,对于一些真实和人造图像,文中模型显示了对轮廓初始化的鲁棒性,以及较好地处理灰度不均图像的能力.     

基于演化曲线自适应的图像分割模型的研究

利用图像梯度和几何曲率等信息可以准确定位分割图像的边缘。基于此,在对图像分割典型变分模型有效性及所存在问题分析和讨论的基础上,提出了一种演化曲线自适应驱动的图像分割水平集模型。模型通过调整演化曲线长度项和面积项的权重函数,使演化曲线能够根据图像当前的状态自适应地调整演化幅度和方向,不仅提高了图像分割的准确度,还大大缩减了图像分割时间;模型在利用图像局部区域信息的同时,也利用全局化的正则函数来兼顾模型能量泛函的全局性,使模型有了对异质区域边界的捕捉能力。经试验验证,文章所提出的新模型有效可靠。     

自适应主动轮廓模型下的骨关节MRI快速分割

提出一种无须重新初始化的变分水平集自适应主动轮廓模型。该模型利用图像的局部特性自适应决定曲线的演化,同时加入局部C-V能量项,改进边界停止函数,提高对灰度分布重叠、分布不均匀及弱边界处理的鲁棒性,并加快了曲线演化的收敛速度。结合医学序列图像特点,利用Heaviside函数对当前截面分割结果进行分段常量化后投射至相邻界面作为初始化曲线,实现对序列图像的自动分割。最后,以骨关节磁共振图像中正常结构和病灶组织的分割实验对算法进行了验证。     

区域活动模型彩色图像分割研究

在图像分割优化问题的研究中,在图像提取识别感兴趣的目标中存在噪声和重叠,造成质量不高。传统的区域活动图像分割需要将能量泛函转换为封闭曲线,造成了算法复杂度高,图像分割边缘信息容易丢失,质量效果差。为解决上述问题,提出了一种新的遗传算法优化区域活动轮廓模型图像分割算法。根据区域的活动模型中融入了含有梯度方向指示性信息的边缘停止函数,使曲线在非期望边缘处加速演化,然后采用遗传算法交叉,变异操作优化图像区域活动模型参数。仿真结果表明,提出的改进的方法可以有效的对图像进行分割,大大的提高了图像分割的精确度和效率,改善图像分割的质量。     

Towards nonideal iris recognition based on level set method, genetic algorithms and adaptive asymmetrical SVMs

We present algorithms for iris segmentation, feature extraction and selection, and iris pattern matching. To segment the inner boundary from a nonideal iris image, we apply a level set based curve evolution approach using the edge stopping function, and to detect the outer boundary, we employ the curve evolution approach using the regularized Mumford-Shah segmentation model with an energy minimization algorithm. Daubechies wavelet transform (DBWT) is used to extract the textural features, and genetic algorithms (GAs) are deployed to select the subset of informative features by combining the valuable outcomes from the multiple feature selection criteria without compromising the recognition accuracy. To speed up the matching process and to control the misclassification error, we apply a combined approach called the adaptive asymmetrical support vector machines (AASVMs). The parameter values of SVMs are also optimized in order to improve the overall generalization performance. The verification and identification performance of the proposed scheme is validated using the UBIRIS Version 2, the ICE 2005, and the WVU datasets.     

双Level Set遥感影像建筑物检测

对传统的基于梯度的Level set方法和基于区域的Chan-Vese分割模型进行分析,提出结合局部梯度和同质区域全局均值信息的双水平集遥感影像分割模型,并利用变分法得到曲线的演化方程。该模型引入一种内部约束能量项近似地表示符号距离函数,使算法摆脱了重新初始化符号距离函数的缺陷,提高了曲线的演化速度,且可以同时分割出多类目标。在建筑物检测中可以同时检测出建筑物的向阳区域、屋顶和阴影区域。实验表明,该方法是一种有效的建筑物检测方法。     

基于变分水平集的图像分割模型

基于传统的变分水平集方法的图像分割,水平集函数必须周期性地重新初始化使之保持为符号距离函数,这存在如何选择重新初始化的时间和方式的难题.Li模型通过在能量泛函中引入一个内部约束能量,去除了水平集函数在演化过程中需重新初始化的难题.通过对Li模型的分析,提出了一个新的变分水平集的分割模型.该模型通过在能量泛函中加入一个较简单的内部约束能量,同样可以实现水平集演化过程中的无需重新初始化.并且通过对边缘停止函数的重新定义,引入了新的外部能量,使得本文模型对噪声图像的分割更具鲁棒性.实验表明无论是在收敛速度上,还是在对噪声图像的分割质量上,本文模型和Li模型相比都具有一定的优势.     

基于GFO模型的水平集分割算法

众所周知,水平集分割方法由于能克服Snake分割中所要求的初始轮廓必须与目标轮廓相近以及图像结构不应发生拓扑改变这两大难题而深受青睐。然而,其在图像分割遇到的最大困难是解决边界泄漏问题。虽然有许多研究工作均试图解决这一难题,但收获甚微,究其原因主要是：图像的梯度信息不仅被作为轮廓线运动的停止策略,同时也将为零水平集向目标轮廓运动提供吸引力。因此,其不可避免将产生边界泄漏现象。针对这一难题,本文通过采用GFO模型以提供更鲁棒的边界信息和更可靠的停止策略来构造运动驱动力,从而较好地解决传统水平集分割算法所不能解决的大部分边界泄漏难题。     

基于Chan-Vese模型的SAR图像分割

由于SAR图像存在较强的斑点噪声,使用Chan-Vese模型水平集分割方法会产生很多误分割。同时,水平集解法存在计算量大、分割速度慢的问题。在Chan-Vese模型基础上,增加新的内能项——距离正则项,得到了一种改进的曲线演化模型。避免了水平集函数的周期性更新,具有更大的迭代步长,从而加快分割速度,并且提高Chan-Vese模型的抗噪性。对该模型采用人工合成图像和真实SAR图像进行分割实验,通过比较,可看出改进模型具有较高的数值精度和较快的分割速度。对于噪声很强的图像,使用增强Lee滤波进行预处理,可以进一步提高改进模型的分割速度和效果。实验结果表明:改进Chan-Vese模型能高效快速地完成SAR图像分割,具有较高的抗噪性。     

结合局部熵能量泛函与非凸正则项的图像分割

为了克服灰度不均匀对图像分割的影响，结合CV模型的全局能量项和LBF模型的局部能量项，引入图像局部熵信息和非凸正则项，构造新的能量泛函，提出了结合局部熵的局部能量泛函与非凸正则项的图像分割算法。该算法首先采用CV模型中的全局能量泛函得到图像的大致演化轮廓；通过构建具有局部熵信息的局部能量泛函，实现对图像的精确分割。然后，利用非凸正则项作为图像演化过程中零水平集逼近目标的又一驱动力驱动曲线演化和边缘保护。该算法利用变分水平集方法将这一新构建的能量泛函进行最小化，通过迭代更新水平集函数，完成曲线演化。最后，对比实验表明，所提出的算法可以高效、准确地分割灰度不均匀图像。     

A new active contour remote sensing river image segmentation algorithm inspired from the cross entropy

The CV (Chan–Vese) model is a piecewise constant approximation of the Mumford and Shah model. It assumes that the original image can be segmented into two regions such that each region can be represented as constant grayscale value. In fact, the objective functional of the CV model actually finds a segmentation of the image such that the within-class variance is minimized. This is equivalent to the Otsu image thresholding algorithm which also aims to minimize the within-class variance. Similarly to the Otsu image thresholding algorithm, cross entropy is another widely used image thresholding algorithm and it finds a segmentation such that the cross entropy of the segmented image and the original image is minimized. Inspired from the cross entropy, a new active contour image segmentation algorithm is proposed. The region term in the new objective functional is the integral of the logarithm of the ratio between the grayscale of the original image and the mean value computed from the segmented image weighted by the grayscale of the original image. The new objective functional can be solved by the level set evolution method. A distance regularized term is added to the level set evolution equation so the level set need not be reinitialized periodically. A fast global minimization algorithm of the objective functional is also proposed which incorporates the edge term originated from the geodesic active contour model. Experimental results show that, the algorithm proposed can segment images more accurately than the CV model and the implementation speed of the fast global minimization algorithm is fast.     

一种快速保边的图像分割方法

在分段光滑Mumford-Shah(MS)模型的基础上提出了一种快速的图像分割方法。该方法在分割过程中利用分段常数MS模型产生一种驱动力,在每个时间间隔加入这种驱动力来推动水平集函数的进化,提高曲线演化速度;另外,通过在MS模型中引入一个非线性函数■(s)代替u+和u-实现保边。最后通过实验验证,该方法不仅克服了原始方法的一些缺点,而且提高了收敛速度。