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.     

基于双符号压力函数的活动轮廓图像分割方法

为了解决测地线模型和CV模型无法同时对弱边界、灰度不均匀图像进行分割的问题,提出一种基于双符号压力函数的活动轮廓图像分割方法。首先,基于图像统计信息定义分割灰度不均匀图像的符号压力函数,基于内部和外部灰度均值给出轮廓曲线内外的全局区域灰度均值的加权组合函数,运用图像全局信息定义分割弱边界图像的符号压力函数;然后,结合统计信息的符号压力函数和全局信息的符号压力函数（简称“双符号压力函数”）,通过增加组合的权值系数,设计新的水平集演化方程;最后,将双符号压力函数引入到二值选择和高斯滤波正则化水平集模型中,构建一种基于双符号压力函数的活动轮廓图像分割算法。仿真实验结果表明,该算法能够有效地分割弱边界、灰度不均匀的图像,同时对噪声也有一定的抗干扰性。     

一种改进的变分水平集的图像分割算法

为了解决灰度不均匀现象对医学图像的干扰问题,提出了基于局部极性信息的活 动轮廓模型。通过引入局部图像信息,该模型能有效地分割灰度不均匀图像。在规则化项中增 加的能量惩罚项,使得水平集函数在演化过程中保持为近似的符号距离函数。该算法将图像分 割问题归结为曲线能量泛函的最小化,首先建立包含局部灰度信息（极性信息）和改进的符号 距离函数的曲线演化能量泛函;然后采用变分水平集方法求解能量函数的最小值,得到最终的 分割结果。真实医学图像和人工合成图像的实验结果表明,此方法对灰度不均匀的医学图像有 较高的分割精确度,在图像分割速度上有较大提高。由于利用了局部灰度信息,可以有效地分 割灰度不均匀的医学图像,而改进后的变分水平集可以完全避免重新初始化,使得图像分割效 率大大提高了。     

改进的C-V水平集模型图像分割算法

复杂的计算限制了基于Chan-Vese（C-V）水平集模型的图像分割方法的应用。为提高图像分割的速度,提出一种基于C-V水平集模型的改进水平集方法。在一般情况下,只需要几次简单迭代就能分割出物体的轮廓。实验表明,该方法简单高效,能够快速有效地实现图像轮廓分割。     

基于符号压力函数的几何活动轮廓模型

针对几何活动轮廓(GAC)模型的诸多缺点,提出一种基于符号压力(SPF)函数的活动轮廓模型。采用一种基于区域统计信息的符号压力函数作为边界指示,能够提高演化曲线在运动过程中对模糊边界的识别能力和抗噪能力。相对于传统几何活动轮廓模型,所提模型具有如下特点：一是能够有效分割边界模糊的目标;二是更具抗噪能力;三是轮廓线运动具有双向性。实验结果表明了所提模型的有效性。     

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.     

基于水平集的医学图像分割改进算法

医学影像分割是图像分割中的难点,具有重要的应用价值。针对医学影像的特点和图像分割算法的性能差异,提出了一种水平集医学图像分割改进算法。首先通过曲线演化仿真,得出水平集算法核心-速度函数;其次选定速度函数实现对图像的粗略分割,将灰度值较大的区域设置成灰度值较小的值,通过仿真演化准确找到图像中目标区域;最后利用选定的速度函数通过初始算法,经过一定次数的迭代操作后实现了医学影像的准确分割。实验结果表明:该算法可以精确地找到肿瘤所在区域,具有较好的分割性能和一定的鲁棒性。
     

基于改进测地线模型的医学图像分割

提出了一种由测地线活动轮廓模型GAC（Geodesic Active Contour）和局部区域信息相结合的图像分割新方法LGAC（Local Geodesic Active Contour）。构造了基于图像局部信息的演化曲线符号压力函数和演化模型,用水平集方法演化实现,零水平集能准确地在目标边缘收敛,对目标背景对比度较低的图像的分割达到理想效果。利用高斯核函数对水平集函数平滑处理以维持演化稳定,节省了计算时间。实验结果证明了该方法的可行性。     

基于图割和改进的变分水平集的图像分割方法

文章在图割理论的基础上,引入了一种新的方法将图割理论和改进的变分水平集模型结合起来,先利用图割理论对目标形成一个初始轮廓,并在得到的轮廓线上定义能量函数,通过能量函数的最小化,从而使得到的轮廓线最终收敛到目标边界,这样在保证分割精度的同时大大简化了计算量.     

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。     

基于先验形状信息的水平集图像分割

针对现有水平集方法对于具有强噪声或弱边界的目标进行分割时存在的问题,提出了一种基于形状先验的图像分割方法.该模型采用变分水平集方法,融合了区域特征和边界轮廓特征,并通过相似性匹配选择最佳先验形状.该模型不仅对具有强噪声和弱边界的复杂图像具有较好的分割效果,而且有效地解决了曲线演化的初始轮廓的确定问题.与传统方法进行对比实验,结果表明,该方法具有较好的分割效果和较高的准确率.     

基于改进变分水平集的红外图像分割方法

提出一种基于水平集的红外图像偏微分分割方法,通过改进Chan-Vese模型中的能量函数获得偏微分方程,该能量函数将红外图像边缘与区域信息相结合,取得了全局极小值,该能量模型对水平集初始曲线的位置不敏感,并可定位图像边缘。基于该模型的变分水平集分割方法可分割出红外图像目标。实验结果表明,该方法效果良好,便于下一步的红外目标识别与跟踪。     

基于贝塞尔滤波的水平集正则化图像分割方法

针对水平集函数在演化过程中的初始化敏感和数值稳定性问题,提出了一种新的基于贝塞尔滤波的正则化方法,并将其嵌入到经典的可变区域拟合(Region-Scalable Fitting,RSF)模型中,从而构成新的能量模型。首先,利用K均值算法进行自动初始化,再加以修正生成标准的初始水平集函数,以解决RSF模型对初始化敏感的问题;其次,利用RSF模型自身优点对图像进行迭代分割,同时在迭代过程中利用提出的方法对水平集函数进行正则化处理,保持迭代过程中的稳定性;最后,实现精确的分割效果。实验结果表明,提出的正则化方法有效地保持了水平集函数的稳定性。将新的模型与多种基于区域的模型进行对比,仿真实验表明,提出的方法具有较高的算法效率与分割精度。     

基于改进水平集的人脑海马图像分割方法

人脑MR图像中的海马结构存在低对比度、边界模糊等缺点,给海马的轮廓分割带来较大干扰.为解决水平集分割海马时边界容易停留在非目标区域梯度极值处的问题,提出一种改进的水平集方法.从图像全局出发考虑方差信息,在水平集函数的外部能量泛函中增加波动能量项,驱动零水平集曲线向灰度波动较小的区域运动.实验结果表明,该方法可提取出MR图像中的海马轮廓,分割效果较好,演化速度有所提高.     

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。     

一种改进的拉普拉斯水平集医学图像分割算法

作为图像识别与图像理解的关键步骤,图像分割一直受到人们的重视,很多相应的算法被提出,但它也面临着很多挑战。医学图像分割的难点是对模糊边缘的连续有效分割,为准确的目标提取提供保障。提出一种新的医学图像分割算法,算法在拉普拉斯水平集图像分割算法基础上,融入图像的区域信息,重新定义了驱动水平集表面演化的速度函数。算法除了利用图像的边缘梯度信息外,还充分融合了图像的区域信息,从而在保持图像边缘局部特征的同时,充分利用了区域全局优化的特点,可实现医学图像的有效分割。与经典水平集分割方法相比,改进后的方法能够更好地保持边界的连续性,得到比较完整的分割结果,为图像分析提供可靠的科学数据。     

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。