多层Mumford-Shah向量值图像分割、去噪与重建模型

针对多层 Mumford-Shah 图像分割、去噪与重建模型不能进行彩色等向量值图像处理的问题, 提出了多层 Mumford-Shah 向量值图像分割、去噪与重建模型和求解该模型泛函最小值的水平集逐层迭代算法. 该模型是 Mumford-Shah ``最小分割问题'的向量值图像``多层'实现模型. 实验结果表明, 该方法不仅能够同时进行具有 T 型图像边缘或更复杂拓扑结构图像边缘的向量值图像分割、去噪与重建, 而且比 Tsai A 等人提出的多层求解轮廓和 Chan T 等人提出的多相水平集方法更简单有效.     

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。     

基于Mumford-Shah模型的图像快速分割方法

针对传统的Mumford-Shah（M-S）模型在图像分割的每一次迭代中都需要另外求解两个椭圆型方程,从而使得算法的执行效率大大降低的缺点,利用分片常函数代替M-S模型中的待优化输出图像,简化了曲线演化的过程,避免了额外计算,有效地提高了算法的执行速度。实验表明,该方法在图像分割效果方面与传统方法没有明显差别,但是程序的运行速度方面却远远优于传统方法。     

基于水平集逐层迭代算法的多层Mumford-Shah图像分割、去噪与重建模型

针对能够同时进行图像分割、去噪与重建目的的Mumford-Shah能量泛涵最小值图像模型求解非常困难这一问题,提出了"多层Mumford-Shah图像分割、去噪与重建模型"和求解该多层模型最小值的"水平集逐层迭代算法".该多层模型是Mumford-Shah"最小分割问题"的"多层"模型.实验结果表明,该方法不仅能够同时进行具有T型图像边缘或更复杂拓扑结构图像边缘的图像分割、去噪与重建,而且比Tsai A.等人提出的多层求解轮廓和Chan T.等人提出的多相水平集方法更简单更有效.     

基于简化Mumford-Shah模型的水平集红外图像分割算法

由于红外图像大多具有目标模糊,对比度低的特点,传统的分割方法容易受到噪声和边界轮廓的影响而导致分割效果不佳,提出了一种基于简化Mumford-Shah模型的水平集红外图像分割算法.该算法能够通过将初始闭合曲线嵌入水平集函数,利用函数的求解从而达到图像分割的目的.仿真实验结果表明,该分割算法与初始轮廓线位置无关,受边界轮廓线和图像噪声的影响较小,具有较强的鲁棒性,在目标与背景灰度级差别较小的红外图像的分割中取得了较好的效果.     

结合先验形状和Mumford-Shah模型的活动轮廓分割

基于先验形状和Mumford-Shah模型的活动轮廓分割是一种抗噪声干扰、稳定的图像分割方法。该模型采用水平集方法,并结合活动轮廓模型、先验形状和Mumford-Shah模型来控制曲线演化。特定目标的先验知识可以有效地指导目标准确分割,经过主成分分析（PCA）法可以得到感兴趣对象形状的主要信息。通过对不同图片分割实验表明,针对特定的形状,该方法对杂乱背景、部分遮挡、缺失和强噪声的图片依然能得到满意的结果。     

基于Mumford-Shah模型的快速水平集图像分割方法

该文对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法做了两方面的改进:首先改进了C-V方法的偏微分方程,使得C-V方法可以快速计算出全局最优分割;其次,采用源点映射扫描方法来快速计算符号距离函数,克服了常规水平集方法中构造符号距离函数计算量大的缺点,并结合该文所提出的基于快速步进法生成符号表的方法,进一步提高了计算稳定性.两方面的改进提高了计算的速度和分割效果,试验统计结果显示,对于512×512的大幅图像,一般只需要10次左右的迭代就可以得到最优的分割效果.对合成图像、生物医学图像的分割结果表明了本文方法的稳健、快速.     

形状统计Mumford-Shah模型的MR图像左心室外轮廓分割

左心室的分割是左心室运动重建的前提,分割的精度直接影响重建的真实性,由于左心室外轮廓存在弱边界,甚至边界的断裂,使得精确分割左心室外轮廓变得相当困难．文章在详细分析左心室外轮廓的基础上,采用了形状统计Mumford-Shah模型的分割方法,同时对原模型做了如下两点改造：（1）用期望最大（EM）算法求得图像中每点属于心肌的后验概率,通过此后验概率构造“伪灰度”图像来替代原灰度图像,以达到目标与背景灰度呈阶跃型分布的目的;（2）坩边缘罔替代Mumfor-Shah模型中的梯度项,以增强弱边缘,提高分割精度．实验结果证明,此方法可以有效地改进分割精度,适合整个心动周期．     

基于区域的图切割算法求解Mumford-Shah图像分割模型

在Egil Bae和Tai Xue-Cheng提出的图切割算法基础上,给出了一种改进算法用于求解Mumford-Shah图像分割模型。首先利用Mean Shift算法对原始图像进行过分割,基于过分割产生的小区域构造恰当的图,使得分割问题转化为求特定图的最小切割问题。数值实验结果显示,直接利用Mean Shift算法分割的效果不理想,本方法保持了与Egil Bae和Tai Xue-Cheng方法相类似的分割效果,而运算效率却有了很大提高。     

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。     

提花织物图像的Mumford-Shah模型修补算法

提出一种用于填补提花图像中斑点和折痕区域的修补算法,首先对经典Mumford-Shah模型进行了改进,增加了对其不连续点集形成中的光滑度约束;然后通过对改进Mumford-shah模型的梯度流方程的求解,得到了算法的数值解,梯度流方程包含两个相互耦合的二阶偏微分方程,分别用于灰度函数和不连续点集示性函数的演化,对含噪提花织物图像进行修补的结果证明了该算法的可行性。     

基于PSO和M-S模型的图像分割方法

为得到快速、准确的图像分割方法，提出了一种基于微粒群算法（PSO）的主动轮廓线模型和Mumford-Shah（M-S）模型的方法。利用PSO方法对主动轮廓线模型的蛇点寻优，使其快速收敛到图像边缘附近，得到目标的粗糙轮廓，作为M-S模型的初始水平集；并将窄带方法引入M-S模型的计算，快速得到准确的分割结果。该方法克服了主动轮廓线模型对初始曲线敏感、不能收敛到物体的凹陷边缘、对噪声敏感问题和M-S模型需要对所有图像数据进行计算且计算量大等问题。实验结果表明了该方法的可行性和有效性。     

Mumford-Shah模型在卫星云图分割中的应用

利用Mumford-Shah模型对卫星云图进行分割和识别。根据卫星云图自身的特征,提出了基于核心灰度的Mumford-Shah模型,并用此模型分割出了单通道卫星云图中的高云、中云和低云。同时提出了一种基于核心灰度的Mumford-Shah模型的向量图像分割方法,对两个通道的卫星云图进行分割,更加准确地识别出中低云系在红外通道和可见光通道中的位置。     

Mathematical Analysis of An Extended Mumford-Shah Model for Image Segmentation

Morel and Solimini have established proofs of important properties of segmentations which can be seen as locally optimal for the simplest Mumford-Shah model in the continuous domain. A weakness of the latter is that it is not suitable for handling noisy images. We propose a Bayesian model to overcome these problems. We demonstrate that this Bayesian model indeed generalizes the original Mumford-Shah model, and we prove it has the same desirable properties as shown by Morel and Solimini. Trevor Tao was Born in 1977 in Adelaide, Australia, found to be autistic when he was two years old. He was the first autistic child in Australia to have started normal school at the same age as his peers. He later became interested in music, chess, and mathematics. He has been described as a musical savant, and has represented Australia in the International Chess Olympiad in 1994, and won a bronze medal in the International Mathematical Olympiad in 1995. In 2000 he completed a double degree in B.Sc (Mathematics & Computer Science) and B.Mus. (Performance & Composition) at the University of Adelaide. After a short vacation job at the Defence Science & Technology Organization in Adelaide, he became interested in Image Analysis, and studied for a Ph.D. in Applied Mathematics. He is expected to complete his thesis this year. Dr David J. Crisp graduated from the University of Adelaide (Australia) in 1993 with a Ph.D. in Mathematics. He held several different research positions from 1994 to 1998. In 1999 he joined Australia’s Defence Science & Technology Organisation (DSTO) as a research scientist. His current research at DSTO is focused on the automated detection of targets in synthetic aperture radar imagery. Dr John van der Hoek graduated from University of Adelaide (Australia) in 1975 with a PhD in Pure Mathematics. He is currently a senior lecturer in the Department of Applied Mathematics at University of Adelaide. His research interests are applied functional analysis, partial differential equations and free boundary value problems, stochastic processes, mathematical finance and signal processing.     

A Variational Model for Object Segmentation Using Boundary Information and Shape Prior Driven by the Mumford-Shah Functional

In this paper, we propose a new variational model to segment an object belonging to a given shape space using the active contour method, a geometric shape prior and the Mumford-Shah functional. The core of our model is an energy functional composed by three complementary terms. The first one is based on a shape model which constrains the active contour to get a shape of interest. The second term detects object boundaries from image gradients. And the third term drives globally the shape prior and the active contour towards a homogeneous intensity region. The segmentation of the object of interest is given by the minimum of our energy functional. This minimum is computed with the calculus of variations and the gradient descent method that provide a system of evolution equations solved with the well-known level set method. We also prove the existence of this minimum in the space of functions with bounded variation. Applications of the proposed model are presented on synthetic and medical images.