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Chan-Vese模型的SAR图像分割

由于SAR图像存在较强的斑点噪声,使用Chan-Vese模型水平集分割方法会产生很多误分割。同时,水平集解法存在计算量大、分割速度慢的问题。在Chan-Vese模型基础上,增加新的内能项——距离正则项,得到了一种改进的曲线演化模型。避免了水平集函数的周期性更新,具有更大的迭代步长,从而加快分割速度,并且提高Chan-Vese模型的抗噪性。对该模型采用人工合成图像和真实SAR图像进行分割实验,通过比较,可看出改进模型具有较高的数值精度和较快的分割速度。对于噪声很强的图像,使用增强Lee滤波进行预处理,可以进一步提高改进模型的分割速度和效果。实验结果表明:改进Chan-Vese模型能高效快速地完成SAR图像分割,具有较高的抗噪性。     

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。     

基于改进变分水平集的红外图像分割方法

提出一种基于水平集的红外图像偏微分分割方法,通过改进Chan-Vese模型中的能量函数获得偏微分方程,该能量函数将红外图像边缘与区域信息相结合,取得了全局极小值,该能量模型对水平集初始曲线的位置不敏感,并可定位图像边缘。基于该模型的变分水平集分割方法可分割出红外图像目标。实验结果表明,该方法效果良好,便于下一步的红外目标识别与跟踪。     

基于径向基点插值的Chan-Vese模型图像分割算法

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。     

利用模糊能量的纹理图像缺损区域自动定位

针对纹理图像中的信息缺失区域检测问题,提出一种由粗到精的缺损区域自动定位方法.在粗定位阶段,采用高斯滤波和阈值法去除背景纹理信息,以获取缺损区域初始粗边缘;在精确定位阶段,引入基于模糊能量的改进Chan-Vese主动轮廓模型,并以粗边缘作为模型演化的初始曲线,通过水平集方法实现对缺损区域的精确定位.实验结果表明,该方法可以实现对不同类型缺损区域的精确、自动定位,具有较高的计算效率和鲁棒性.     

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。     

基于图割优化的能量最小化模型图像分割方法

针对主动轮廓模型中利用梯度下降法求解能量函数容易陷入局部极小的不足,设计了一个离散化最小能量函数模型。该模型以Chan-Vese模型为基础,利用图割方法优化能量泛函,实现能量的全局最优解。新模型首先将图像映射为图,将基于像素的能量泛函转换为可用图表示的离散化能量函数,通过计算节点及其邻域关系权值,迭代求解最小化能量并将其作用于形变轮廓曲线,直至达到稳定状态。新模型改进了主动轮廓模型对弱边界图像初始轮廓敏感的问题,提高了分割精度和运行速度。     

一种基于 ROEWA 算子改进的 CV 模型用于乳腺超 声图像分割

基于区域的几何活动轮廓(Chan-Vese,CV)模型是乳腺超声图像中常用的一种分割算法.但传统的CV模型不能满足乳腺超声图像分割精度高、速度快的要求.因此,文章提出了一种基于指数加权平均比率(Ratio of Exponential Weighted Averages,ROEWA)算子改进的CV模型,用于乳腺超声图像中病灶区域的分割.首先,计算乳腺超声图像的ROEWA算子.其次,基于图像的ROEWA算子构建边缘指示函数,用于代替CV模型中的Dirac项.最后,去除平滑项,从而提高曲线演化的速度.实验结果表明,文章提出的算法不仅能提高分割的精度,而且能显著提高分割的速度.     

基于改进的LBF模型的图像分割

LBF(Local Binary Fitting)模型利用局部图像信息能够对强度分布不均匀的图像进行分割,然而,该算法仅考虑均值信息,导致模型在处理弱边界图像时得不到理想的分割结果。为此提出一种改进方法:在考虑图像局部均值信息的同时考虑图像局部方差信息和全局方差信息,使得演化曲线能够准确地停止在目标边界上;同时为了加快曲线演化的速度,结合了CV模型的能量项。实验结果表明,改进的方法对含有弱边界信息图像进行分割时能取得较好的效果,演化速度上也有明显的提高。     

结合灰度变换的Chan-Vese模型

幂变换和负片变换是图像增强中频繁使用的两种基本的灰度变换。该文把这两种灰度变换与Chan-Vese模型进行结合,以提高Chan-Vese模型的分割速度和效果。实验表明：该方案大大提高了Chan-Vese模型的收敛速度,而且也使Chan-Vese模型具有较好的处理直线和尖角的能力。     

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。     

结合梯度和区域信息的多尺度水平集图像分割

提出了一种结合梯度和区域信息的多尺度水平集图像分割算法。该算法结合梯度和区域信息构造能量函数,在梯度约束项中,构建了一个基于小波高频分量的边缘检测函数,在区域约束项中,运用经典C-V模型的区域项,得到混合C-V模型,采用变分法求解,并消除了水平集的重初始化。利用小波变换首先在逼近图像中运用混合C-V模型得到粗分辨图像的一个粗尺度分割,再对当前粗尺度下的最终轮廓线作内插操作,将得到的近似轮廓曲线作为初始水平集函数在原图像中运用消除重初始化的C-V模型演化得到最终的分割。实验结果表明,在同样的模型参数条件下,该方法具有比传统方法更高的演化效率和分割质量。     

基于局部区域信息的水平集医学图像分割方法

针对医学图像中存在的亮度分布不均匀（intensity inhomogeneity）的特点,对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法进行了改进。局部区域信息是对亮度分布不均匀图像进行准确分割的关键,但是传统的基于区域信息的C-V模型没有利用到这种局部区域的图像信息,因此无法正确分割强度分布不均匀图像。利用局部区域信息构造能量函数,提出了一种基于局部区域信息的改进C-V模型。该模型无需大量计算,水平集函数可快速收敛。MR图像、血管造影图像和X线骨折图像的实验结果证明了该方法的高效性。     

粪便镜检图像中红白细胞的分割与识别方法

针对粪便镜检图像中具有弱边界的红、白细胞的识别问题,研究了基于Chan-Vese模型的兼顾邻域区域边缘和纹理综合信息的分割方法。用八向Sobel弥补透明细胞的模糊边缘,通过细胞域内纹理和边缘信息互补而采用兼顾全局和局部能量分布的Chan-Vese模型的分割方法,并采用具备更好的数据泛化作用的随机决策森林进行分类。实验证明,提出的兼顾边界与域内纹理的改进型Chan-Vese分割方法使粪便镜检图像中红、白细胞的分割精度达到了95.3%。该方法对粪便镜检图像中的有形物体具备更高的分辨能力和光学环境适应性。     

基于对偶方法和局部统计信息的快速图像分割

CV模型和局部二值拟合模型用于图像分割时往往只能得到局部最优解,且计算量大,分割速度慢。为此,引入一个变量,将其与已知变量组成对偶变量,并利用图像的局部统计信息,建立主动轮廓模型的对偶模型,实现图像的快速分割。针对合成图像、多目标物体图像和灰度不均匀的医学图像进行实验,结果表明,该模型能自动处理拓扑结构的变化,从而快速准确地分割图像。