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。     

基于局部与全局拟合的活动轮廓模型

针对局部二值拟合(LBF)模型容易陷入能量泛函局部极小值的问题,提出基于局部与全局拟合的活动轮廓模型。引入一个衡量某点处局部区域内灰度分布是否均匀的特征函数,将LBF模型中的局部拟合项与CV模型中的全局拟合项相结合,同时保留LBF模型分割灰度不均匀图像和CV模型全局收敛性的优点。实验结果表明,该模型能够分割灰度不均匀图像,对初始轮廓的依赖性较弱,并且具有一定的抗噪性。     

结合全局和局部信息的“两阶段”活动轮廓模型

目的 LBF(local binary fitting)模型用每个像素点的邻域信息来拟合局部能量,对灰度不均匀图像可以得到很好的分割效果。但是LBF模型只考虑了图像的局部信息,没有考虑全局信息,因此它对初始轮廓大小、形状及位置都非常敏感。针对以上问题,结合全局和局部信息,提出"两阶段"活动轮廓模型。方法第1阶段,采用退化的CV(Chan-Vese)模型,利用图像的全局信息(灰度均值)快速为图像的目标大致定位;第2阶段,以第1阶段结束时的水平集函数的零水平集为第2阶段的初始轮廓,利用图像的局部信息(局部高斯拟合)得到更加精确的分割结果。结果实验结果表明,该"两阶段"活动轮廓模型保留了LBF模型分割灰度不均匀图像的能力。结论改进后的模型较LBF模型对各种初始轮廓(大小、形状、位置)有较强的鲁棒性,以及较强的抗噪性。     

一种新的活动轮廓图像分割模型

基于区域的局部二值拟合模型在处理灰度不均匀图像方面有较大优势,但其只考虑原始图像灰度的平均统计信息,对于包含大量噪声的图像通常很难获得理想的效果。为克服上述缺陷,提出一种基于原始图像和差分图像统计信息的分割模型。该模型在原始图像灰度统计信息的基础上,加入差分图像信息,分别对原始图像和差分图像构造以高斯函数为核函数的能量方程,并运用梯度下降法求解,驱使活动轮廓向目标边缘演化。实验结果表明,与传统活动轮廓模型相比,该模型能正确提取含有噪声和信噪比低的图像,同时对初始轮廓曲线有更高的鲁棒性。     

一种改进的图像分割活动轮廓模型

C-V模型具有计算复杂度低、对初始化和噪声不敏感等优点,在处理图像的时候总是从全局的角度去考虑图像区域的灰度变化,从而导致难以分割灰度不均的图像。局部二元拟合(LBF)模型在处理灰度不均匀的图像分割方面有很大优势,但是LBF模型存在依赖初始轮廓大小、位置等缺点。针对C-V模型不能分割灰度不均图像和LBF模型敏感于轮廓初始化的问题,给出一个用偏微分方程表示的新的融合局部(LBF模型)和全局信息(改进的C-V模型)的活动轮廓模型。实践结果表明,新的模型对初始轮廓的敏感性低,能分割灰度不均的图像,且优于C-V模型,其分割效率明显高于LBF模型。     

基于局部熵的区域活动轮廓图像分割模型

为解决区域活动轮廓模型不能有效分割灰度不均图像的问题，提出了局部熵约束的区域活动轮廓模型应用于图像分割。首先基于局部熵信息将图像划分为两个特征区域，然后利用局部熵特征信息构造二值拟合能量，并与区域可放缩拟合（Region-scalable fitting，RSF）模型相结合，最后得到水平集演化方程。该模型考虑了图像灰度分布的聚集特征和局部区域统计信息，能有效处理灰度不均匀、弱边缘等图像分割问题，且对轮廓初始位置更具鲁棒性，医学图像实验结果验证了模型的有效性。     

C-V活动轮廓模型的一个注记

Chan-Vese提出的“无边活动轮廓”模型（C-V模型）是一个著名的基于区域的图像分割模型,它是基于Mumford-Shah泛函和二值PC函数（目标区域取一个值,背景区域取另一个值）解决图像分割问题的。在C-V模型中,定义能量泛函的面积项的系数被要求为非负值,这个要求限制了模型适用的范围。实验研究表明：面积项系数取负值时,C-V模型能够分割某些原来不适用的图像。     

结合全局和局部信息的活动轮廓模型

利用全局信息的C-V模型对轮廓初始化和噪声不敏感,但不能分割灰度不均的图像;利用局部信息的RSF模型能分割灰度不均的图像,但对轮廓初始化和噪声很敏感。针对该问题,基于C-V模型和RSF模型,提出一个新的水平集正则化项,给出一个用偏微分方程表示的结合全局和局部信息的活动轮廓模型。实验结果表明,该模型能分割灰度不均的图像,且允许灵活的轮廓初始化,抗噪性较强。     

全局和局部拟合的活动轮廓模型

在现有的活动轮廓模型中,PC模型和RSF模型是两个著名的基于区域的模型。PC模型对活动轮廓的初始化和噪声不敏感,但不能分割灰度不均一图像。RSF模型能够分割灰度不均一图像,但对活动轮廓的初始化和噪声较为敏感。基于PC和RSF模型,提出一个以偏微分方程形式表达的基于区域的活动轮廓模型。实验表明该模型能够分割灰度不均一图像,对初始轮廓的大小和位置不敏感,抗噪性也较强。     

融合局部和全局高斯概率信息的图像分割模型

在现有的活动轮廓中,LBF模型、LIF模型和LGDF模型是著名的基于区域的模型。虽然能分割灰度不均匀的图像,但对活动轮廓的初始化和噪声较为敏感。针对该问题,提出一种融合全高斯和局部高斯概率信息的活动轮廓模型。首先由全局高斯模型的全局灰度拟合力和局部高斯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,然后引入这两个拟合力的动态权重以达到该模型的灵活性,实验结果表明,该模型能分割灰度不均的图像,且允许灵活的轮廓初始化,抗噪声性强。     

快速稳定的局部二元拟合分割算法

基于局部区域信息的局部二元拟合(LBF)模型在处理弱边界或灰度不均匀的图像分割方面有一定优势,但该方法非常依赖于初始轮廓,不当的初始轮廓不仅会导致分割时间较长,甚至分割失败。针对这一不足,提出一种快速稳定的LBF模型。首先通过添加带有变权系数面积项的LBF模型进行初始分类以获取较好的初始轮廓,然后采用传统的LBF模型对图像进行进一步的分割。实验证明,在保证良好分割效果的前提下,该方法对初始轮廓的选择更加灵活,分割速度明显快于传统的LBF模型。     

基于对偶方法和局部统计信息的快速图像分割

CV模型和局部二值拟合模型用于图像分割时往往只能得到局部最优解,且计算量大,分割速度慢。为此,引入一个变量,将其与已知变量组成对偶变量,并利用图像的局部统计信息,建立主动轮廓模型的对偶模型,实现图像的快速分割。针对合成图像、多目标物体图像和灰度不均匀的医学图像进行实验,结果表明,该模型能自动处理拓扑结构的变化,从而快速准确地分割图像。     

带线性正则化项的RSF模型

RSF（Region-Scalable Fitting）模型能够分割灰度不均一图像,但对活动轮廓的初始化和噪声较为敏感。运用理论探究与实验相结合的方法,基于RSF模型,添加一个新的水平集线性正则化项,得到了一个新的活动轮廓模型。实验表明,该模型能够分割灰度不均一图像,对初始轮廓的大小和位置不敏感,抗噪性也较强。     

扩展无边活动轮廓模型

灰度变化对图像分割是至关重要的。然而,一个著名的基于区域的活动轮廓模型——无边活动轮廓模型（通常称CV模型）完全忽略了这种灰度变化。提出了一个扩展CV模型（ECV）,它利用了图像的灰度变化信息。实验表明：（1）ECV模型能分割CV模型不适用的某些类型的图像;（2）ECV模型也能分割CV模型适用的图像,且对噪声的鲁棒性强于CV模型。     

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FCM和LBF模型的医学图像自动分割

基于局部区域二相拟合(LBF)模型的医学图像分割方法,对初始轮廓敏感并仅能分割单类目标,若手动选取的初始轮廓不合适,将导致算法耗时过大甚至分割失败。针对上述不足,提出联合模糊C均值(FCM)聚类的LBF模型自动分割算法。对待分割图像进行FCM聚类,将得到的目标类隶属度值变换为适用于LBF模型的水平集函数初始值,利用LBF模型从该初始值开始演化直至收敛,从而完成分割。合成图像及血管和脑部图像的分割实验结果表明,该算法能够自动获取合适的初始值,有效解决LBF模型对初始轮廓敏感的问题,减少迭代次数,而且通过选择不同的FCM聚类结果,可以实现对多类目标的分割。