基于改进符号压力函数的变分水平集图像分割算法

为了更好地解决含有弱边界、灰度不均匀的图像在分割时出现的轮廓线错误移动而导致分割结果错误的问题,结合图像的统计信息,构造出一种新的符号压力(SPF)函数,提出了一种基于改进的压力符号函数的变分水平集图像分割算法。首先,利用新的压力符号函数代替边缘函数,构造了新的活动轮廓模型;其次,该算法保持了测地线活动轮廓(GAC)模型和chan-vese(C-V) 模型的优点,使水平集函数演化到目标的边界上;最后,对一些弱边界、灰度不均匀的图像进行仿真实验,结果表明提出的算法能够精准地分割目标,并且具有一定的抗噪性。     

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.     

用于图像分割的自适应距离保持水平集演化

Li等人提出的距离保持水平集方法有传统变分水平集方法不具备的许多优点,然而,它有初始曲线必须包围目标物体或完全置于目标物体内部或外部的缺点.提出一种自适应距离保持水平集方法,它无须初始曲线包围目标物体或完全置于目标物体内部或外部,即初始曲线可以置于图像的任何地方.它能够解决原方法所不能解决的一些图像分割问题,例如,能够从任意选取的一条初始曲线出发自动检测目标物体的内外轮廓,检测多目标物体以及深度凹陷区域的边缘,并能较好地提取目标物体的弱边界.对几幅具有不同目标边界形态的合成图像和自然图像进行了实验,结果都取得了预期的分割效果.     

水平集函数规则化的C-V主动轮廓模型

Chan与Vese 提出的C-V主动轮廓模型采用传统的水平集方法实现,为了保证水平集函数演化的稳定性,需要加入轮廓的长度项来规则化水平集函数,且在演化的过程中要周期性重新初始化为符号距离函数,从而大大增加了计算量和实现的复杂度。提出一种新的规则化水平集函数的方法,不但可以保证水平集函数演化稳定,而且避免了重新初始化。实验结果表明：该方法稳健、快速。     

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.     

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。     

水平集方法中符号距离函数的快速生成

准确快速地计算任意闭合曲线的符号距离函数,是提高水平集方法的效率和稳定性的至关重要的一步。改进了基于快速步进法标记任意闭合曲线内外部的方法,优化了基于源点映射扫描方法生成距离函数值的方法。实验证明方法准确有效,进一步提高了水平集方法中符号距离函数的生成速度。     

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。
     

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。     

基于几何活动轮廓模型的图像分割

为降低噪声对图像分割的影响,提出一个几何活动轮廓模型,并应用变分方法求解出模型对应的水平集曲线演化的偏微分方程。该模型考虑到图像区域和边缘的先验信息,并充分考虑图像的统计信息。引入一个惩罚项作为内部能量项,以避免耗时的重新初始化过程。为了验证模型的有效性,文中基于简单的高斯型概率密度函数建立分割实例,结合应用高效且无条件稳定的AOS算法进行分割实验。实验结果表明,模型准确性较高,具有良好的抗噪性、高效性。     

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。     

非重复初始化水平集方法的图像轮廓检测

水平集方法(LevelSet Method)是一种用于计算曲线演化位置的有效方法。该文针对传统LevelSet Method进行图像检测中需要重复初始化水平集函数的缺点,研究了不需要重复设置水平集函数的图像检测方法.实验表明,该方法能更好的检测多目标图像轮廓。     

非重复初始化水平集方法的图像轮廓检测

水平集方法（Level Set Method）是一种用于计算曲线演化位置的有效方法。该文针对传统Level Set Method进行图像检测中需要重复初始化水平集函数的缺点,研究了不需要重复设置水平集函数的图像检测方法,实验表明,该方法能更好的检测多目标图像轮廓。     

耦合配准与分割的水平集演化模型

提出一种配准与分割耦合模型。配准项采用基于抽象匹配流的非参数配准模型,解决基于B样条的参数化配准方法与非参数活动轮廓模型在定义形式和求解方法上不一致的问题。分割项采用基于边缘的活动轮廓模型实现对感兴趣区域的分割,对分割模型的改进解决原有模型对初始化敏感的问题。整个模型直接定义在水平集函数上,定义直观,数值求解简单。对单模态及多模态大脑图像的实验,验证该模型的有效性。     

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.     

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。