共查询到19条相似文献,搜索用时 359 毫秒
1.
2.
针对测地线主动轮廓(GAC)模型容易产生边界泄露且对初始位置敏感及局部图像拟合(LIF)模型容易陷入局部极小的问题,提出融合边缘与区域模型的水平集算法。通过设置权值,该算法能自适应地调整GAC模型和LIF模型在融合算法中所占的比例。对不同图像的实验结果表明该算法的迭代收敛速度比GAC模型和LIF模型要快,分割效果明显优于GAC模型和LIF模型。 相似文献
3.
4.
基于区域显著性的活动轮廓分割模型 总被引:1,自引:0,他引:1
提出一种新的活动轮廓分割模型,结合视觉显著性检测机制自动获取待分割图像中目标物体的先验形状信息,并自适应地构造初始轮廓,从而降低了初始轮廓位置对分割算法的影响.同时实现了活动轮廓模型对图像的自适应分割和自动分割,使得分割结果更符合人类视觉感知特性.实验结果表明,该模型有较好的分割效果,迭代次数少,且运行时间短. 相似文献
5.
为了有效地分割灰度不均匀图像,提出了一种区域自适应主动轮廓模型,在该模型中,定义了一个包含全局能量项和局部能量项的能量泛函。在算法的初期,全局能量项占主导地位,它具有收敛速度快、对初始轮廓不敏感的优点。在算法的后期,局部能量项占主导地位,它具有定位精度高的优点。理论分析和实验结果表明,该模型具有收敛速度快、分割精度高、对初始轮廓不敏感等优点。 相似文献
6.
7.
自适应融合颜色和深度信息的人体轮廓跟踪 总被引:1,自引:0,他引:1
采用活动轮廓对人体目标建模,提出一 种新的水平集框架下自适应融合RGB-D图像的颜色和深度信息的人体轮廓跟踪方法. 设计了一种基于超像素的局部自适应权重计算方法,自动确定深度信息在水平集演化中的重要性. 基于深度信息的活动轮廓驱动外力包括由边缘生成的梯度向量流和由目标/背景深度模型生成的置信图,基于颜色信息的驱动外力由目标/背景颜色模型生成的置信图,这三种外力通过局部自适应权重融合,驱动活动轮廓向目标的边界演化.为了得到更加精确的目标轮廓和防止误差漂移,基于本文观察到的人体表面在深度图像中的两个特性,提出两个简单但有效的算法对水平集方法得到的结果进行精化调整. 最后,通过实验验证了本文算法的优越性. 相似文献
8.
9.
针对 DRLSE 水平集模型对噪声敏感、依赖初始轮廓位置以及演化速度缓慢等不 足,利用小波变换和小波阈值去噪的方法,构造对噪声不敏感的边缘信息刻画矩阵,定义基于 图像信息的边缘停止函数和自适应权重系数,获得了改进的 DRLSE 水平集图像分割模型。利 用有限差分法对模型求解,并采用 Jaccard 相似度作为评价模型的定量分析方法,数值结果显示 改进的模型及算法对图像分割的有效性,克服了 DRLSE 水平集模型分割含噪图像以及定义初 始轮廓位置的局限性,提高了 DRLSE 水平集模型的计算效率和图像分割精度。 相似文献
10.
李淑玲 《计算机工程与应用》2018,54(11):193-197
基于水平集方法的Chan-Vese模型是一种典型的几何活动轮廓模型,已成功应用于众多领域中的图像分割问题。为了提高该模型的演化速度和分割效果,提出了一种基于径向基点插值求解Chan-Vese模型的高效数值算法。通过用径向基点插值法逼近水平集函数,Chan-Vese模型被离散为常微分方程组初值问题并可用向前Euler法求解。该算法不需要网格单元,对水平集初始轮廓不敏感,不涉及复杂费时的重新初始化过程,并且有明确的演化终止条件,无需事先设置演化次数。实验表明该算法在没有初始轮廓时也能正确分割图像,具有很快的演化速度。 相似文献
11.
12.
13.
针对传统配准方法在进行三维多模态图像配准时存在收敛速度较慢、容易陷入极值等问题,提出一种基于全卷积神经网络(Fully Convolutional Networks,FCN)和互信息的配准方法。利用FCN模型提取二维图像深层特征并进行粗配准;将得到的配准结果作为互信息算法的初始搜索点,从而使搜索范围缩小至全局最优解附近;利用互信息算法对参数进一步微调优化,得到最优三维配准结果。实验结果表明,在进行CT-MR图像配准时,所提方法不仅可以大幅度提升配准速度,还能有效避免局部收敛的情况,具有更高的准确性。 相似文献
14.
15.
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。 相似文献
16.
17.
18.