模糊聚类协作区域主动轮廓模型医学图像分割

医学图像分割的研究对于医学影像发展具有重要意义.区域主动轮廓模型(CV)易受目标和背景区域面积比的影响,且对初始位置敏感.针对上述现象,本文提出一种模糊C-均值聚类(FCM)协作改进CV模型的图像分割算法,即FCM-CV算法.首先在CV模型中增加能量权值函数消除面积比的影响,然后用FCM粗分割结果指导设定改进CV模型零水平集的初始位置.实验结果表明,与CV模型和局部二值拟合模型(LBF)相比,FCM-CV算法消除了面积比对分割精度和效率的影响,具有更好的数值稳定性,且对初始位置不敏感,提高了图像分割的准确性.     

隐马尔可夫树模型在带钢表面缺陷在线检测中的应用

通过图像分割算法寻找由缺陷组成的可疑区域是热轧带钢表面缺陷在线检测与识别的关键。将热轧带钢表面图像分为“背景”和“缺陷”两大类,采用隐马尔可夫树(Hidden Markov tree,HMT)模型分别建模并实现多尺度缺陷分割。将不同类别的缺陷用同一个“缺陷模型”来表示,可以降低算法复杂度。HMT模型对带钢表面常见缺陷的分割正确率达到94.4%,分割错误率为18.8%。针对HMT模型得到的细尺度分割结果中分割错误率较高问题,引入基于环境的多尺度融合方法(Context-adaptive hidden Markov tree, CAHMT),将不同尺度的分割结果融合,大幅降低细尺度分割的分割错误率,达到3.7%。     

基于区域粗定位与Chan-Vese主动轮廓模型的MAG焊视觉图像熔池边缘提取

对基于熔化极气体保护(Metal active gas,MAG)焊的管道打底焊过程中通过电荷耦合器件(Charge-coupled device,CCD)摄像机与复合滤光技术组成的光学系统实时采集的正面焊缝区域图像进行分析,实现熔池图像边缘提取.对获取的焊缝区域图像,经过高斯平滑后,考虑到初始轮廓对Chan-Vese主动轮廓模型提取边缘效率的影响,使用基于阈值的方法,用矩形标出熔池的初始区域,即实现熔池区域粗定位,求取矩形区域中心,以该中心设定一椭圆作为熔池初始轮廓,使用Chan-Vese 主动轮廓模型提取熔池边缘.借助该模型实现了MAG管道打底焊焊缝区域图像的熔池边缘提取,与Sobel变换等方法比较,该方法提高了熔池边缘提取的精度.     

自适应天牛须优化与K均值聚类的图像分割算法研究

在机器识别中,图像分割是重要的一个步骤,传统分割手段存在一定缺陷。针对传统K均值聚类分割的初始聚类中心敏感的缺陷进行了优化,利用自适应天牛须优化算法,避免了这一问题。通过实验结果表明,该算法(ABASK)对图像进行分割,既可以保证图像轮廓的分割,同时还可以更多地保留图像细节。     

基于模型自优化的带钢表面缺陷语义分割研究

针对当前带钢表面缺陷检测方法存在着检测速度低、检测判别特征提取不充分以及模型人工调参主观性强等技术性瓶颈问题,开展了基于模型自优化的带钢表面缺陷语义分割方法研究。在模型优化上,使用实体卷积替代原有的膨胀卷积,解决了边缘伪成像的问题,并且使用轻量化通道注意力机制模块,捕获了通道之间的依赖关系。构建了基于智能优化算法的关键超参数优化策略,使用改进全局搜索能力的麻雀搜索算法对模型整体的超参数组合进行寻优,选择影响效果最好的超参数,最终实现了自适应优化的带钢缺陷检测功能。在东北大学热轧带钢表面缺陷数据集上进行了实验,通过实验验证了该方法对夹杂、斑点和划伤等表面缺陷自动提取的可行性和有效性,满足了低配置、高性能的检测需求。     

CV-GAC模型与图割优化的运动目标检测和分割

针对视频图像序列中运动目标的分割问题,提出了一种融合测地线的水平集模型(CV-GAC)和图割优化相结合的算法。采用高斯混合模型和背景差分获取目标的运动区域,在运动区域内自动设置初始曲线的轮廓,对运动区域进行数学形态学运算,利用融合测地线的水平集模型自适应处理目标的拓扑变化,并用图割进行能量函数的最优化。实验结果表明,与其他传统方法相比,缩短了运动目标分割的时间,能够正确和快速提取运动目标的活动轮廓。     

基于改进C-V模型的多运动目标分割

针对固定摄像机视频监控中多运动目标自动分割问题,本文提出了一种基于帧间差分和改进C-V模型的新方法。首先,通过自适应阈值获得滤波后的相邻帧差值图像。其次,通过连通域分析和设定阈值,消除差值图像中噪声的影响并标定出运动目标所在的区域,计算运动区域的运动窗口。最后,对所有运动窗口,采用改进的C-V模型作分割,得到封闭和完整的运动目标轮廓。针对C-V活动轮廓模型不能自适应地分割非匀质图像问题,提出利用全局梯度信息演化活动轮廓曲线,根据闭合活动轮廓曲线内外部的梯度信息重新定义图像分割能量函数。实验结果表明,该算法避免了对整个图像的分割,减少了运算量,能实现对刚体或非刚体的多运动目标的自动检测和轮廓分割。     

基于轮廓波降噪的ISAR目标轮廓特征提取方法

空中目标的逆合成孔经雷达(inverse synthetic aperture radar,ISAR)成像效果往往不理想,干扰杂波、成像算法能力限制等因素使得目标图像质量较差,较难从图像中提取目标的连续轮廓信息.对此,提出一种新的基于轮廓波降噪的处理方法以获得目标连续轮廓特征.首先应用轮廓波变换将复数ISAR图像变换为轮廓波系数,在轮廓波变换域分离信号与噪声并完成降噪处理,接着用优化后的轮廓波系数重建ISAR复图像,然后在实图像域将用形态学方法获得目标的初始轮廓改进为CV (Chan-Vese)模型算法的初始轮廓,最后用CV模型算法进行有限次迭代以获得目标的较优连续轮廓特征.该方法融合了轮廓波降噪技术与自适应CV模型算法,通过对真实yak42型飞机目标ISAR回波数据的试验验证了该方法的有效性和可行性.     

使用行扫描法提取图像轮廓

传统的轮廓提取方法,例如边缘检测、水平集、活动轮廓模型等,存在着对初始轮廓敏感、噪声敏感、难以分割弱边缘和复杂形状轮廓等不足之处。以CT影像中髋关节的轮廓提取为应用背景,提出了一种基于行扫描的轮廓线提取方法。首先,对原始图像进行阈值分割和区域增长,分离出目标区域。然后,对目标区域中的孔洞进行自动填充;在填充过程中,通过目标区域的凸包来判断填充的单连通区域是否在目标区域内。最后,使用逐行扫描的方法搜寻像素信息突变点,得到目标区域的轮廓线。大量的数值实验表明,此算法的运行效率高,对于狭长、分叉、噪声干扰以及存在模糊边界的目标区域都能很好地提取轮廓线。     

多相水平集协同空间模糊聚类图像多目标分割

图像多目标分割的研究对于机器视觉发展具有重要意义。多相水平集模型(Multiphase level set, MLS)对零水平集函数初始位置和噪声敏感,当初始位置不适宜、噪声较大时无法准确分割多目标。针对上述问题,提出一种多相水平集模型协同空间模糊C-均值聚类(Spatial fuzzy C-means, SFCM)的图像多目标分割算法,即SFCM-MLS算法。首先用空间模糊聚类获取图像多目标粗分割结果,然后用粗分割结果定义多相水平集模型的初始水平集函数对图像做精分割。针对人脑磁共振成像(Magnetic resonance imaging, MRI)图像和患有肿瘤的肝脏计算机扫描断层图像多目标分割试验结果表明,与经典多相水平集模型相比,SFCM-MLS算法对初始位置不敏感,提高了图像多目标分割的准确性。