LCV模型在医学图像分割中的应用

针对C-V模型不能充分利用图像局部区域灰度变化信息从而导致难以准确分割灰度不均物体等缺陷,提出一种基于局部区域的C-V(LCV)模型。利用计算局部窗函数内的加权灰度均值来取代全局均值,并加入约束水平集函数为符号距离函数的能量项,从而避免水平集函数的重新初始化。对医学图像的分割结果证明LCV模型在分割灰度不均物体方面优于C-V模型,其分割效率高于LBF模型。     

水平集方法在医学图像分割中的应用

水平集方法已广泛应用于医学图像分割中,该方法将界面看成高一维空间中的某一函数谚（称为水平集函数）的零水平集,同时界面的演化也扩充到高一维的空间中。其核心思想是利用水平集理论求解能量泛函的最小值．即当能量达到最小值时的曲线位置就是目标轮廓所在;有效解决曲线演化过程中的拓扑变化问题。介绍水平集发展过程中几个经典模型的基本思想,并通过大量实验证明该方法在医学图像分割中的适用性及有效性。     

改进的分级多相图像分割模型及其快速实现

提出一种基于分级C-V模型的改进的快速图像分割算法.针对现有的多相水平集图像分割算法存在的问题,本文从曲线演化方程的平均曲率项、水平集函数Φ的狄拉克(Dirac)函数δ(Φ)等方面进行改进,并引入了一个非线性扩散方程对图像进行预处理,从而优化组合了分级C-V模型的全局特性.实验结果表明,改进的图像分割模型不仅保留了原有方法的优势,而且提高了对多目标图像分割算法的速度与精度,同时也可以有效解决具有弱边界物体的分割问题.     

具有多指标柔性能量的Mumford Shah模型图像分割

针对Chan和Vese提出的基于Mumford Shah泛函的水平集图像分割算法，做了两方面的改进：首先,构造了具有柔性的演化曲线内外能量取代C V模型中的刚性能量，减少了C V模型求解时的数值不稳定和过度分割等现象；其次，综合图像的多方面特征，提出多指标集能量项构造方法，提升了C V模型的分割能力和精度。综合两方面的工作，提出带多指标柔性能量的C V模型。新模型能有效处理图像受严重噪音污染、目标内部有灰度起伏等情况。对人工合成图像、医学图像和真实世界图像的分割实验均表明了新模型的良好性能，并且算法收敛速度快、数值稳定。     

基于改进C-V模型的图像分割方法

传统C-V模型分割图像利用图像区域特征,忽略 了边缘等能够反应图像细节的特征。为了达到更好的图像分割效果,对于这些细节信息的处理则显得尤为重要。图像的梯度信息在边缘区域具有较大幅值,在同质区域具有较小幅值,因而可以用图像梯度来反映图像的边缘信息。把边缘信息融入C-V模型,利用同质区域信 息和边缘信息控制曲线演化,则可以达到更好的分割效果。本文提出的新模型克服了C-V模型的一些 缺陷,对背景灰度不均匀或含弱边缘的图像能够获得更好的分割效果。     

改进CV模型的医学图像分割

基于水平集的图像分割方法能有效处理拓扑结构较复杂、有分支的目标,分割结果对目标初始轮廓的位置不敏感,对图像中对比度低的边界的识别效果不佳。广义模糊算子能有效提高图像边界区域与非边界区域的对比度,图像细节分明、失真度小。运用广义模糊算子来改进水平集分割方法中的Chan-Vese模型（简称CV模型）的速度函数;并扩大传统CV模型的边界检测范围以减少迭代次数,加快收敛速度;最后消除误分割区域以进一步提高分割的准确性。对模拟和真实医学图像分割的实验结果表明：改进后的模型能较大提高分割的准确性及效率。     

矢量图像分割的快速C-V模型

为了实现对矢量图像快速有效的分割,在分析矢量图像颜色、空间信息和水平集函数特性的基础上,对主动轮廓分割模型进行了改进,提出一种免重新初始化的矢量图像分割模型.在C-V(Chan-Vese)模型中引入了非线性热方程的符号距离函数的约束项,通过对非线性热方程传导率的均衡化使水平集函数始终保持符号距离函数的特性,完全取消比较...     

改进的C-V算法在肝脏B超图像分割中的应用

图像分割是医学图像处理的重要步骤,其中,基于几何活动轮廓模型的水平集方法是广泛应用的方法之一。文中将改进的Chan-Vese(C-V)算法与梯度矢量流模型方法进行了详细的对比,实验结果证明改进的C-V算法得到的分割效果比GVF模型分割出的结果要好。     

基于Chan-Vese模型的医学图像分割算法

在二维Otsu方法和Chan-Vese模型的基础上,提出了一种新的医学图像分割算法。首先用二维Otsu方法将图像分成目标、背景、边缘和噪声等4部分,然后通过一个能量函数来判断边缘和噪声区域中各像素点属于背景还是目标,并利用同质区域的全局信息对初始分割结果进行微调,得到更精确的分割效果。该算法优化了初始轮廓位置,有效地解决了初始位置影响曲线演化速度问题,并通过逐点代入法来极小化能量函数,减少了计算量,提高了图像分割的速度。实验结果表明,提出的算法具有抗噪性,分割效果良好,有很好的实际意义。     

改进的双水平集医学图像分割方法

由于基于简化M_S模型的多相水平集图像分割模型仅仅利用了图像的区域信息,对图像的另一个重要信息(边缘信息)没有有效的利用,同时在分割的过程中需要对水平集函数不断进行重新初始化.为了解决上述模型的不足,本文提出改进的双水平集医学图像分割方法.该方法主要是在基于简化M_S模型的多相水平集图像分割模型的基础上将图像的边界信息项和为避免重新初始化水平集函数的惩罚项加入模型中.实验结果表明,添加了边界信息后的模型能够在边界位置定位更容易,同时改进后的双水平集模型在实现多目标分割时,无需重新初始化水平集函数,减少了计算量,简化了算法实现的复杂度.     

基于边缘信息C_V模型的医学图像分割方法

图像分割是医学处理中的重要研究内容之一,提出一种基于边缘信息的改进的C_V模型的医学图像分割方法.在模型中增加了表征边界特征的项,利用图像的边界信息与区域信息为分割服务,克服了传统C_V模型不能利用图像的梯度信息的不足.并对C_V模型的区域信息项进行了改造,改变了传统C_V模型中均值取值的定义,提高了对灰度层次丰富的图像分割能力.增加了距离函数惩罚项,将距离函数重新初始化的过程并入整个水平集框架模型中,极大地提高了曲线演化与分割速度.实验表明该模型是有效的医学图像分割方法.     

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。     

改进的多目标图像的水平集分割模型

Guo等人利用n个水平集方程构造n个区域提出一种改进的CV模型（简称MCV模型）,该模型需要的迭代次数很少,提高了图像分割的效率,但其分割结果受初始曲线位置的影响较大,极易陷入局部最优,无法分割复杂图像,且利用传统的Heviside函数无法得到准确的均值信息,因此无法保证数值的稳定性。本文对MCV模型进行改进,先对图像进行预分割得到初始曲线以提高分割效率且能保证分割结果全局最优,构造新的符号函数取代传统的Heviside函数改进MCV模型以保证数值稳定性。对MR图像进行的分割实验表明,其在保证迭代次数较少的同时分割更加准确。     

基于互信息和Chan-Vese模型的图像分割方法

针对多目标物体图像的分割问题，该文在Chan-Vese模型(C-V模型)的基础上，提出了基于互信息和Chan-Vese模型的图像分割方法。该方法结合多级分割的思想，引入了信息论中互信息的概念，替代多级分割中的灰度平均方差，将互信息量作为判断分割是否完成的标准。实验结果表明，该方法能够有效地解决多目标物体图像以及弱边界物体的分割问题。     

基于梯度的混合Mumford-Shah模型医学图像分割

针对C-V法的水平集图像分割法缺少局部控制能力等问题,将基于边缘的几何主动轮廓线模型和基于区域的C-V法两者结合起来,提出了基于梯度的混合Mumford-Shah图像分割模型HMSG。给出了HMSG模型的参数设置准则,在分割的初期加大模型中全局特征项的权值,在分割的后期则加大局部特征项的权值,以提高模型的图像分割能力。对合成图像与医学图像的分割实验结果表明,该方法优于C-V方法对于含有噪声和边缘模糊的非二值图像的分割,能够较为准确地提取图像边界,可以有效提高图像分割整体性能。     

一种改进的快速C-V水平集红外图像分割

当红外图像中包含较强噪声时,C-V模型水平集分割方法会产生大量冗余轮廓;同时,C-V水平集采用偏微分方程(PDE)实现,存在计算量大、分割速度慢的缺点.为此,本文提出了改进的快速算法,该算法保留了C-V模型的全局优化特性,并通过窗口滤波整合图像邻域空间信息来构建曲线进化的外部速度,从而提高C-V模型的抗噪性并减少分割中产生的冗余轮廓;采用基于双链表的快速水平集算法来实现曲线的演化,去除了传统算法中的重新初始化和PDE求解的过程,减少了迭代步数,提高了分割的速度.实验结果表明,本文算法对边缘模糊、噪声较大的红外图像能实现快速而有效的分割.     

水平集的图像分割方法综述

图像分割是图像处理中的关键技术之一,Osher和Sethian提出的水平集方法有效地解决了以前算法不能解决在曲线演化过程中的拓扑变化问题。目前,基于水平集方法的图像分割算法很多,对于不同应用领域的图像处理问题,人们都提出了相应的解决方法,而且大量的研究者还在不断改进和提高这些算法的效率和有效性。因此,本文按照水平集算法在图像分割中应用的发展历程将其分为3种情况进行了综述,以此为该领域读者提供借鉴。