基于全局极小解Chan-Vese模型的SAR图像分割

活动轮廓模型是近年来最成功的分割模型之一。但由于SAR图像存在较强的斑点噪声,使用传统的Chan-Vese模型水平集分割方法会产生很多误分割。因此,需要对传统Chan-Vese模型进行改进,将非凸的Chan-Vese模型转换为凸优化问题,得到Chan-Vese模型的全局极小解。对凸优化Chan-Vese模型引入边缘检测算子,得到基于边缘和区域信息的全局极小解Chan-Vese模型。在水平集演化迭代过程中,引入一个新的迭代终止条件,可以敏感地判断演化曲线的变化幅度,根据设定条件,自动的停止迭代计算。针对合成图像和真实SAR图像进行分割实验,实验结果表明,提出的改进Chan-Vese模型能够快速、准确地提出图像中感兴趣目标,并具有较强的抗噪性。     

基于圆形约束C-V水平集的肺部CT图像病灶分割

针对肺部CT图像中圆形病灶区域的分割问题,对Chan-Vese水平集图像分割方法进行了分析和改进,提出了基于圆形约束的C-V水平集模型,进而提出了基于圆形约束水平集的肺部图像病灶分割算法,解决了图像中大小不同的多圆检测问题。对合成图像和实际临床肺部CT图像进行了分割实验,结果表明,该方法可以较好地分割出图像中的多个圆形区域,算法具有较好的抗噪性,实现速度较快,有利于实现肺部CT图像肺结节自动检测。     

自适应正则化活动轮廓模型

针对Chan-Vese模型含有许多参数,分割时需要人为调整参数,耗费大量的人力和时间的问题,提出了一个自适应正则化活动轮廓模型。首先,对Chan-Vese模型的数据项进行简化;其次,使用改进的边界加权H¹正则化代替长度项;最后,形成了一个新的不含任何参数的活动轮廓模型。在分割实验中,该模型对初始轮廓的大小、位置不敏感,具有较强的抗噪性,分割6幅图像的平均时间和迭代次数分别为1.5834 s、19次。实验结果表明,所提模型无需人工调整参数,能够分割强噪声图像和灰度不均图像,并且具有较快的分割速度。     

基于改进Chan-Vese模型的电力设备红外图像分割

电力设备红外图像分割是电力设备模式识别和红外故障诊断的基础。Chan-Vese模型能够有效分割含强噪声和边缘模糊的图像,但其分割速度缓慢,并且在分割电力设备红外图像时不能有效消除无关背景。提出一种改进的Chan-Vese模型,采用多个初始轮廓,并采用二值函数代替距离函数初始化水平集函数;同时对Chan-Vese模型的梯度下降流提出改进,简化其图像数据项,并用一个高斯核函数取代长度正则项。改进的模型不仅方便计算,而且可以在迭代过程中采用更大时间步长,加快曲线演化速度。在对电力设备红外图像的分割实验中,证明了相比Chan-Vese模型,新模型分割速度明显提高,并且具备较好的消除无关背景的性能。     

基于小波变换的权重自适应图像分割模型

针对灰度不均匀且含噪声图像的分割问题,提出了全局和局部灰度信息的权重参 数自适应水平集分割模型。首先,利用图像的全局和局部灰度信息构造全局能量项和局部能量 项;然后,利用小波变换和小波阈值去噪方法,构造对噪声不敏感的边缘信息刻画矩阵,定义包含 图像边缘信息的自适应权重系数矩阵;最后,利用定义的权重系数矩阵组合全局和局部能量项, 得到分割模型的能量泛函。使用变分法得到了水平集函数演化方程,利用有限差分法实现数值 求解。实验结果表明,该模型兼有 Chan-Vese 模型和 Local Binary Fitting 模型的优点,能够有效 地分割灰度不均匀含噪图像,并对活动轮廓曲线的初始位置和初始形状具有很强的鲁棒性。     

C-V模型的一种集成化改进

C-V(Chan-Vese)模型不能分割灰度不均图像,分割速度慢.因此,对图像分割理论进行深入探讨,采用实验方法,提出一个新的边缘停止函数,并将其与图像灰度变换及H1正则项融入C-V模型中,对其进行集成化改进,提出一个新颖的以偏微分方程形式表示的活动轮廓模型.实验表明:该模型能分割灰度不均图像,对初始轮廓的大小敏感性较小,抗噪性较强,分割速度较快.     

BEMD-分层水平集侧扫声纳图像快速分割算法

针对侧扫声纳图像不同区域的像素分布特点,提出了一种改进的BEMD(二维经验模态分解)-分层水平集分割算法。介绍了CV(Chan和Vese)水平集模型和分层水平集模型,利用分层水平集模型进行三类分割。为了提高分割精度,利用BEMD重新描述模型的能量函数。通过BEMD的加权参数,在不影响分割精度的前提下提高模型的抗噪性能。分析了c-均值算法与水平集算法的联系,利用改进的c-均值算法初始化水平集演化曲线,以减少迭代次数。对水平集能量函数添加惩罚项,以提高水平集演化速度。利用改进的BEMD-分层水平集分割算法进行无监督的图像分割实验并与其他算法比较,验证了该算法的抗噪性、分割的准确性和快速性。     

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。     

边缘与区域联合活动轮廓模型研究

图像分割在计算机视觉和模式识别中起着重要的作用,近年来基于活动轮廓和水平集方法的图像分割模型得到了广泛的研究。提出一种新的边缘与区域相结合的活动轮廓模型,并利用水平集方法来进行曲线的演化。通过合成图像和真实图像的实验,提出的模型与经典的Chan-Vese模型相比,不但提高了抗噪能力,而且可以更准确地检测图像的边缘,同时分割精度也得到了较大的提高。     

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.     

一种新的窄带快速区域水平集C-V模型图像分割方法

Chan-Vese提出了区域水平集图像分割C-V模型,该模型随着水平集函数的演化,演化曲线能自然地改变其拓扑结构,因而在很多研究领域有着广泛的应用,特别是在图像分割、目标跟踪领域取得了显著的效果。基于区域的水平集函数比基于梯度的水平集函数在抗噪声方面也表现得更优秀,但是其演化水平集函数也更复杂,主要缺点是演化速度特别慢,限制了在大型高分辫率图像分割中的应用。针对此问题,提出了一种窄带快速区域水平集C-V模型,即先利用GV水平集在低分辨率的图像上检测出大致的边缘,然后映射到高分辨率的图像上,在其边缘的一个窄带内检测更为精确的边缘,其检测速度有了很大的提高。采用高分辫率的大型合成孔径雷达(SAR)遥感图像进行的实验证明了该方法能够快速而有效地提取出海岸线,满足工程中的实际应用。     

多区域SAR图像分割的改进水平集方法

由于合成孔径雷达（SAR）图像易受相干斑噪声的影响,光学图像的分割方法并不适用于SAR图像,更不能获得精确的分割结果对比,因此,首先基于GA^0统计模型定义能量映射函数以代替像素值进行后续处理,减小相干斑的影响;其次,使用水平集算法对处理后的图像进行分割处理,选用了一种形式更为简单的水平集函数,并可以较容易地推广到多区域SAR图像分割情况。实验结果表明,该方法可以减少相干斑噪声对SAR图像分割过程的不良影响,具有较好的准确性。     

Multiregion level-set partitioning of synthetic aperture radar images

The purpose of this study is to investigate synthetic aperture radar (SAR) image segmentation into a given but arbitrary number of gamma homogeneous regions via active contours and level sets. The segmentation of SAR images is a difficult problem due to the presence of speckle which can be modeled as strong, multiplicative noise. The proposed algorithm consists of evolving simple closed planar curves within an explicit correspondence between the interiors of curves and regions of segmentation to minimize a criterion containing a term of conformity of data to a speckle model of noise and a term of regularization. Results are shown on both synthetic and real images.     

Variational Segmentation of Image Sequences Using Region-Based Active Contours and Deformable Shape Priors

In this paper we address the problem of segmentation in image sequences using region-based active contours and level set methods. We propose a novel method for variational segmentation of image sequences containing nonrigid, moving objects. The method is based on the classical Chan-Vese model augmented with a novel frame-to-frame interaction term, which allow us to update the segmentation result from one image frame to the next using the previous segmentation result as a shape prior. The interaction term is constructed to be pose-invariant and to allow moderate deformations in shape. It is expected to handle the appearance of occlusions which otherwise can make segmentation fail. The performance of the model is illustrated with experiments on synthetic and real image sequences.     

A novel multi-scale level set method for SAR image segmentation based on a statistical model

To overcome the problems of large data volumes and strong speckle noise in synthetic aperture radar (SAR) images, a multi-scale level set approach for SAR image segmentation is proposed in this article. Because the multi-scale analysis of SAR images preserves their highest resolution features while additionally making use of sets of images at lower resolutions to improve specific functions, the proposed method is useful for removing the influence of speckle and, at the same time, preserving important structural information. The Gamma distribution is one of the most commonly used models employed to represent the statistical characteristics of speckle noise in a SAR image and it is introduced to define the energy functional. Moreover, based on the multi-scale level set framework, an improved multi-layer approach is introduced for multi-region segmentation. To obtain a fast and more accurate result, a novel threshold segmentation result is used to represent the initial segmentation curve. The experiments with synthetic and real SAR images demonstrate the effectiveness of the new method.     

Chan-Vese可变模块法快速实现红外图像分割

Chan-Vese方法作为Mumford-Shah的简化模型,因其水平集函数在演化过程中的全区域变化,会造成计算量极大,严重影响曲线形变速度;即使采用窄带法,在像素大的图像处理中,演化速度也极大地受到限制。提出一种改进Chan-Vese可变模块法快速实现红外图像分割,提出了形变曲线的不同节点根据前一次迭代演化情况,采用不同大小的模块运算,从而极大地提高了Chan-Vese模型演化速度。通过对红外图像的实验仿真,证明了该改进C-V方法能达到理想的效果。     

基于边缘检测函数尺度变换的水平集图像分割

针对Chan-Vese模型（C-V模型）存在收敛缓慢等缺陷,给出一种基于边缘检测函数尺度变换的水平集图像分割算法。引入边缘检测函数对C-V模型进行改进,在不降低分割质量的前提下,提高图像分割的速度。为了增强改进模型的灵活性,提出对边缘检测函数进行尺度变换的方法。实验结果表明,改进模型有良好的分割效果,尺度变换能有效加快改进模型的演化速度,保持分割过程的稳定性。     

An efficient local Chan-Vese model for image segmentation

In this paper, a new local Chan-Vese (LCV) model is proposed for image segmentation, which is built based on the techniques of curve evolution, local statistical function and level set method. The energy functional for the proposed model consists of three terms, i.e., global term, local term and regularization term. By incorporating the local image information into the proposed model, the images with intensity inhomogeneity can be efficiently segmented. In addition, the time-consuming re-initialization step widely adopted in traditional level set methods can be avoided by introducing a new penalizing energy. To avoid the long iteration process for level set evolution, an efficient termination criterion is presented which is based on the length change of evolving curve. Particularly, we proposed constructing an extended structure tensor (EST) by adding the intensity information into the classical structure tensor for texture image segmentation. It can be found that by combining the EST with our LCV model, the texture image can be efficiently segmented no matter whether it presents intensity inhomogeneity or not. Finally, experiments on some synthetic and real images have demonstrated the efficiency and robustness of our model. Moreover, comparisons with the well-known Chan-Vese (CV) model and recent popular local binary fitting (LBF) model also show that our LCV model can segment images with few iteration times and be less sensitive to the location of initial contour and the selection of governing parameters.