基于snake模型的IVUS图像序列三维分割方法

针对血管内超声（Intravascular Ultrasound,IVUS）图像序列中血管壁内外膜轮廓的提取问题,提出一种基于snake模型的三维并行分割方法。首先,对原始图像进行滤除噪声和抑制环晕伪像等预处理。然后,获取IVUS图像序列的四个纵向视图,并从中提取出内腔边界和中-外膜边界。通过将这些边界曲线映射到各帧IVUS图像中,得到横向视图中的初始轮廓。最后,将该初始轮廓作为snake模型的初始形状,通过使snake能量函数最小,模型不断变形,最终得到各帧IVUS图像中的内腔和中-外膜边界。该方法可实现对IVUS图像序列的并行分割,与二维串行分割方法相比,可大大提高处理效率。采用大量临床图像数据的实验结果证明该方法可自动、快速、可靠的完成IVUS图像序列的分割。     

基于多尺度小波边缘检测改进GVF snake的颈部淋巴结超声图像轮廓提取

提取超声图像的轮廓对医学诊断有着积极意义。然而,由于超声图像具有目标与背景间对比度低、信噪比低等特点,以往的边缘检测算法在解决图像噪声、精确定位边缘以及获得连续光滑的边缘线之间的矛盾均未得到理想的效果。GVF snake能较好地解决以上矛盾,且具有更大的捕获范围和更强的凹陷域收敛性。但GVF snake初始轮廓线需手工勾勒,不仅比较繁琐,而且目标提取的结果在很大程度上受人工初始化的影响。为此,提出一种多尺度小波变换模极大值与GVF snake算法结合的方法来提取颈部淋巴结超声图像轮廓。该方法首先运用小波变换模极大值多尺度边缘检测算法得到目标图像的边缘图,再在边缘图上分别选取上、下、左、右四个不同方向若干个特征点,即可自动获得较为客观的初始轮廓线,最后利用GVF snake模型提取图像的精确轮廓。实验表明该方法能得到目标图像连续光滑的轮廓线,同时比GVF snake提取的轮廓更加精确,更能反映轮廓的局部细节。此外,由于初始轮廓更加接近给定图像的真实边缘,从而减少了梯度矢量流力场迭代(GVF)次数,提高了轮廓的收敛速度。     

分水岭算法应用于主动轮廓模型能量分割算法的研究

主动轮廓模型(snake模型)被广泛应用于边缘提取、图像分割等领域。该模型能对目标适当初始化,并进行自主收敛,使得能量处于极小值状态,以达到目标分离的效果。当目标初始位置敏感时,需要依赖其他机制对内部能量进行合理初始化,由于模型的非凸性,它有可能收敛到局部极值点甚至发散。将分水岭算法应用于主动轮廓模型的能量分割算法,通过改进的分水岭算法确定主动轮廓模型的初始轮廓,利用迭代完成对轮廓点周围的局部近邻点的检索,以选取更小的轮廓模型,当获得最小值时完成目标轮廓的提取。     

改进Snake模型在医学超声图像分割中的应用

因其本身所具有的复杂性,医学超声图像的分割足一件非常困难的事情.Snake算法能够有效地利用图像局部与整体的信息,实现对边界的准确定位,因此非常适用于医学超声图像的处理.针对传统Snake模型对初始轮廓依赖性的问题,根据图像边缘附近灰度差异显著的特性,提出了获取初始轮廓点的方法--扇形法,运用方法可以获得靠近日标边界的初始轮廓点,并且得到的轮廓点是有序点集.能量最小化过程运用贪婪算法来获得图像的特征边缘点,最后采用分段多项式拟合的方法来获得连续的图像边缘.实验结果表明.所采用的方法可以获得连续、封闭的边缘曲线,能够较好的将目标从图像中提取出来.     

无需初始轮廓的分片常值图像快速分割模型

基于区域的活动轮廓模型——无边活动轮廓模型(常称CV模型),通常采用水平集方法解决分片常值灰度图像,具有计算复杂度低、分割结果对初始轮廓位置不敏感等优点。但是,存在迭代次数高、迭代时间长等缺点。基于此,笔者提出了一种基于偏微分方程的新模型。实验表明,该模型具有迭代过程稳定、迭代次数低等优点,且无需初始轮廓即可快速分割分片常值灰度图像。     

基于改进水平集图像分割方法的乳腺超声病灶提取

准确高效的乳腺超声病灶提取技术具有重要应用价值,但超声图像灰度不均匀、伪影重、噪声强、乳腺病灶区域与周围组织相似度较高等特有属性给自动分割带来很大挑战。RSF模型是一种较为成功的图像分割方法,但对初始轮廓和噪声较敏感,直接用于病灶提取有待改进。针对图像局部分割需求,通过预提取初始分割区域作为水平集的初始条件,有助于提高分割精度;以局部能量为主导,较好地处理灰度不匀的超声特质,增加全局能量项以使零水平集能够更好地定位在弱边界;引入灰度变化率作用以提高轮廓在灰度匀质部分的演化速度。分割实验结果表明,该方法能较为准确地定位乳腺超声病灶,有一定的临床参考价值。     

基于区域能量最小和主动轮廓模型的医学目标提取

针对传统主动轮廓模型在目标强边缘处容易产生振荡和弱边缘处容易泄露的缺点,提出了一种基于区域能量最小和主动轮廓模型的医学目标提取模型。这一基于目标灰度统计概率和水平集的主动轮廓分割模型,把能量函数表示为在目标区域内对像素点属于目标概率的积分,并在水平集框架下对能量函数最小化,得到分割的迭代方程;同时,通过附加的速度约束项,使得主动轮廓在越过目标边缘时降低速度,大大提高了分割的收敛性和准确度。通过大量冠状动脉和二尖瓣的分割实验以及与几种传统主动轮廓模型和手工提取的比较,表明该模型在医学图像分割方面的健壮性、准确性和有效性。     

基于稀疏轮廓点模型的彩色重叠细胞图像分割

根据对细胞轮廓结构的分析,提出了描述细胞轮廓特征的稀疏轮廓点模型。该模型将细胞轮廓划分为强轮廓和弱轮廓2部分,并用一系列稀疏的轮廓点来近似表示细胞轮廓。在该模型的基础上,算法综合了彩色图像处理与灰度图像处理的方法,首先提取细胞与背景交界处的强轮廓作为基准轮廓。然后提出了一种环形动态轮廓搜索算法,沿着基准轮廓搜索位于重叠细胞区域的弱轮廓。经过轮廓搜索算法获得细胞的稀疏轮廓点组成初始轮廓,采用 GVF（gradient vector flow ） Snake 模型进行细胞的精确分割。通过对2个细胞图像数据集的图像样本进行的分割实验验证了算法对于分割单细胞图像、同种颜色重叠细胞图像和不同颜色重叠细胞图像的准确性。     

基于梯度向量流场的颅脑内胼胝体的分割研究

介绍一种基于梯度向量流场的医学图像分割方法。无论初始轮廓线位于真实边界以内或以外,变形轮廓都具有较宽的作用范围以及良好的收敛性,经过迭代算法后可以得到与真实图像边界十分接近的最终变形轮廓。此外,该方法对噪声图像也表现出良好的鲁棒性,特别适用于医学图像分割场合。将该方法应用于MRI图像上胼胝体的分割提取,实验结果表明,与传统手工方法相比,应用梯度向量流场方法提取出的胼胝体轮廓清晰,效果良好,而且耗时大为降低,这在临床应用中具有积极意义。     

无需初始轮廓的图像分割模型

为了增强对初始轮廓的鲁棒性并提高对灰度不均图像、噪声图像的分割效率,提出一种基于区域的活动轮廓模型。首先分别构造全局灰度拟合力与局部灰度拟合力,然后用线性组合获得模型的拟合项,并通过调整拟合力之间的权重提高模型对初始轮廓的鲁棒性,最后利用演化曲线的长度项保持曲线的光滑性。通过实验结果可以看出：与区域可变灰度拟合（RSF）模型和选择性局部或全局分割（SLGS）模型相比,所提模型的迭代步数分别减少了约57%和31%,分割时间分别减少了约62%和14%。所提模型在无需初始轮廓的情况下,不仅可以快速、准确地分割灰度不均图像和噪声图像,而且对医学图像和红外图像等一些实际应用图像也有很好的分割效果。     

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。     

一种改进的GVF模型

在基于snake模型的图像分割中,搜索范围和深度凹陷区域的分割是难点.以往sanke模型的改进多是针对它的外部力场,通过比较改进的传统snake模型--距离snake、GVF和NGVF的优缺点,在不改变力场的情况下,综合它们的优点,提出一个新的模型.先采用距离snake模型使初始轮廓逼近目标物体边缘,然后结合NGVF使收敛进入目标物体的凹陷部分.实验表明该模型具有较大的捕获区且能快速收敛到物体边缘的凹陷部分,提取出感兴趣目标的轮廓.     

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。     

基于小波多尺度聚类水平集的医学图像分割

针对医学图像低对比度、灰度不均匀等特点,提出了一种小波多尺度聚类水平集的图像分割方法,能够很好地解决医学图像灰度不均匀的问题。首先,利用小波多尺度分析的良好信噪分离能力提取各尺度下图像的有效边缘信息,将边缘信息添加到水平集模型的能量函数中从而提高模型的局部控制能力。然后,基于灰度不均匀的图像模型,派生出对于感兴趣区域的局部灰度聚类,在每个点的邻域内定义基于灰度的局部聚类准则函数。将局部聚类准则函数转化为全局准则函数。在水平集框架中,该准则根据水平集函数定义了代表图像域划分的能量项和引起图像强度不均匀的偏置域。最后,从小波变换的顶层低频子带图像开始逐层采用改进的聚类水平集方法分割图像,并将分割结果通过插值方式传递至下一层作为分割的初始轮廓,最终实现灰度不均匀医学图像的分割。实验结果表明,该方法能够有效地分割医学图像,具有计算更加鲁棒稳定、效率更高和更加准确的优点。     

基于改进活动轮廓模型和视觉特性的图像分割方法

提出一种基于改进活动轮廓模型和视觉显著性分析的图像分割方法。与传统的水平集模型不同,改进的活动轮廓模型不需要进行初始化和计算符号距离函数,从而有效地提高曲线演化效率。在此基础上,提出了基于标记的多相水平集分割方法,有效地解决了复杂图像存在的灰度不均性问题。另外,为避免初始轮廓位置对分割结果的影响,采用视觉显著图获取水平集初始轮廓位置,通过对该显著图进行OSTU分割提取初始轮廓。通过实验分析,提出的方法在分割结果、速度和复杂度上较之传统的CV模型都有明显的改进。     

基于局部特性的分割校正模型改进

基于局部特性的分割校正模型能够在图像分割的同时实现对非均匀场的校正,从而对灰度不均匀图像有较好的分割效果,然而,该模型具有局部特性,且采用多相分割,使得活动轮廓曲线对初始位置较为敏感,且分割速度较慢。针对该不足,通过引入自适应距离保持水平集算法,采用分割校正模型与自适应距离保持水平集相结合的方法,提出一种新的快速分割算法。实验结果表明,该算法可摆脱初始轮廓的限制,避免在分割灰度不均匀图像时边缘泄漏和分割不足现象,并且具有分割快速的特点。     

结合全局信息的局部图像灰度拟合模型

针对局部图像拟合（LIF）模型对初始轮廓大小、形状和位置敏感的问题,提出一个结合全局信息的局部图像灰度拟合模型。首先,构造了一个基于全局图像信息的全局项;其次,将该全局项与LIF模型中的局部项线性组合;最后,得到了一个以偏微分方程形式存在的图像分割模型。数值实现采用有限差分法,同时采用高斯滤波器正则化水平集函数以确保水平集函数的光滑作用。在分割实验中,当选取不同的初始轮廓时,该模型均能得到正确的分割结果,且分割时间仅为LIF模型的20%到50%。实验结果表明,所提模型既对演化曲线初始轮廓的大小、形状和位置都不敏感,又能够有效地分割灰度不均图像,且分割速度较快。此外,在无初始轮廓的情形下,该模型能快速分割一些真实图像和人造图像。     

结合图像过渡区的变分水平集模型

为解决无需重新初始化水平集演化模型对初始轮廓敏感的问题,基于过渡区提出一个变分水平集模型。首先从形态学角度提取图像的过渡区,从而获得分割图像的阈值;然后根据这个阈值,加权面积项前的尺度参数修改为一个函数,它在感兴趣的目标内外有相反符号,水平集函数可初始化为一个常值函数。提出的模型不但从根本上解决了对初始轮廓敏感的问题,而且能够实现对图像的快速分割。对合成和真实的图像的实验验证了该模型的有效性。     

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。     

一种新的灰度非均匀图像分割模型

基于局部区域的主动轮廓分割模型在针对灰度非均匀图像进行分割时,容易受到初始轮廓曲线位置的影响,且基于水平集模型的数值实现速度较慢。为此,提出一种新的图像分割模型。该模型采用局部符号差能量项作为曲线演化的驱动力,为减少模型对初始轮廓曲线位置的依赖,采用全局凸分割策略,得到一个离散化的凸分割模型,该模型包含Mumford-Shah分割模型中的二次光滑项,使分割后的区域更加平滑,使用split Bregman迭代算法进行数值实现。实验结果表明,与局部二值拟合模型、局部符号差能量模型相比,该模型能对灰度非均匀图像进行较准确的分割,具有较快的运算速度和较好的鲁棒性。