B超医学图像分割技术的研究

图像分割是图像处理过程中一个关键的环节.本文探讨了对B超图像的分割技术,对目前文献中常用的B超图像的分割算法--阈值分割法、结合特定理论工具的方法进行了分析和研究,总结了使用活动轮廊模型进行B超图像轮廓提取的关键技术,同时,联合使用动态阈值分割及最优阈值分割法,实现了对B超图像的二值处理.     

基于水平集及主动轮廓线模型的图像分割研究

传统的图像分割方法难以满足图像复杂分割的要求,基于主动轮廓线模型的图像分割方法正是这种需求下出现的。几何主动轮廓线模型对拓扑结构的变化处理非常自然,解决了参数主动轮廓线模型难以解决的问题,而水平集方法的出现,极大地推动了几何主动轮廓线模型的发展。本文主要研究基于水平集方法的图像分割,介绍了主动轮廓线模型、曲线演化和水平集方法的相关理论和经典的C—V算法模型。     

基于C-V模型的图像分割研究

活动轮廓模型已经成功应用于图像分割,它可以是基于边界的,也可以是基于区域的。在演化过程中,关键问题是如何使水平集函数逼近符号距离函数。CHAN-VESE（C-V）模型是基于Mumford-Shah分割模型和水平集的,它不依赖图像梯度而检测目标,但其距离保持能力较差。在对C-V模型研究的基础上,提出了一个解决其距离保持问题的办法。     

基于改进的水平集模型工业零件图像分割方法

随着计算机视觉技术发展,工业机器人的智能化水平越来越高.从只能完成定点定向的动作,到可以根据其搭载的摄像头来自主地识别零件并对其进行定位.利用图像处理技术可以进一步提高其识别速度与抓取精度,提高生产力水平.本文提出了一种改进的水平集模型,首先定义以图片宽度的2/3为半径,图片中心为圆心的圆作为曲线演化的初始轮廓,让曲线以向内运动为主;接着,使用图像边缘标记函数,通过优化控制函数迭代速率的参数与影响模型对噪音敏感度的参数,提高了曲线的演化速率,最后使用改进的距离正则化水平集方法将曲线演化至目标物体边界,实现对图像的分割.仿真实验表明,该方法能有效检测出图像中单个及多个物体的边界,提高了边界的定位精度,且有较快的运算速度.     

基于改进的局部二值拟合主动轮廓模型的指静脉图像分割

对应用于图像分割的局部二值拟合(LBF)模型进行改进,提出一种加权全变分局部二值拟合能量泛函分割模型。改进后的模型在加权全变分分量中加入边缘停止函数,使得模型对边缘信息更加敏感,解决了指静脉图像对比度低、不易分割的问题。同时模型中采用正则化约束项,避免水平集函数的重新初始化,缩短了演化时间。对合成图像和真实指静脉图像的分割实验结果表明,本文模型比LBF模型具有更强的边缘细节分割能力,且不易陷入局部收敛,更加适用于指静脉图像的分割。     

图像的二值化处理

在某些情况下，整体阈值选取方法（即根据整幅图像确定一个阈值)不宜采用，而应代之以局部阈值选取方法，本文采取局部区域自动阈值选择的方法，解决了显微细胞图像分割困难的问题。     

基于水平集方法的医学图像分割

针对水平集方法处理曲线拓扑结构变化能力强,但分割图像时运算效率低的情况,提出将水平集方法和快速步进法相结合应用于医学图像的分割。该方法解决了水平集方法运算效率低、快速步进法易产生过分割的问题,使得图像分割的速度得以提高,分割效果也比较理想。该方法成功的用于头骨CT图像和肝脏CT图像的分割,分割效果较好。     

一种新的用于图像分割的活动轮廓模型

为了从灰度异质图像中更好地提取目标,本文提出了一种新的图像分割方法,采用测地时间函数作为局部二值拟合模型的核函数,并结合图像区域的局部灰度信息和全局灰度信息建立能量泛函.同时,符号函数惩罚项的引入避免了符号函数的重新初始化,而曲线长度调整项则保证了曲线演化的连续性和光滑性.通过变分水平集方法最小化新的能量泛函,得到曲线演化的梯度下降流.通过对医学CT图像进行分割实验,证明了该方法的可行性和优越性.     

基于先验形状的CV模型肝脏CT图像分割

针对目标被部分遮挡或部分信息丢失情况下CV模型不能正确识别的问题,提出一种新的分割算法。首先,利用数学形态学对原肝脏图像进行滤波,并结合其他算法建立肝脏先验形状;然后,采用边缘查找和区域标定等算法,对肝脏先验性状的边缘以及边缘内外区域进行赋值,构建执行效率高的符号函数距离函数,将其通过形状比较函数嵌入到CV模型的能量泛函中,形成新的基于先验形状的CV模型,并将此模型用于分割存在干扰或者被部分遮挡的肝脏CT图像。与CV模型分割结果相比,本文算法能在目标周围存在干扰信息或者被部分遮挡的情形下,成功地正确识别出目标区域。     

无须反复初始化的活动围道纹理分割方法

针对纹理图像分割问题,提出了一种无须反复初始化的快速活动围道纹理分割模型．与现有的基于几何活动围道的纹理分割技术相比,该分割模型具有三个优点:一是使用图像的灰度信息和纹理信息来驱动活动围道进行图像分割,因而,不仅适用于分割纹理图像,而且适用于分割非纹理图像;二是使用局部二进制模式来提取纹理特征,计算复杂度小;三是模型求解时,增加了约束项不需要对符号距离函数进行反复初始化,因此可采用大的时间步长,迭代步数明显减少,从而提高了活动围道的收敛速度．对自然界真实图像和合成纹理图像的分割试验结果说明,无须反复初始化的活动围道纹理分割方法精度高、速度快．     

用于图像分割的边界保持局部拟合模型

针对局部二值拟合变分水平集模型(LBF模型)的分割质量很大程度上取决于核带宽的选取,容易造成冗余轮廓、边界模糊等问题,提出一种基于边界保持局部拟合的变分水平集模型.该模型引入图像相依的测地时间定义核函数,结合空间距离和图像梯度,自适应地选取邻域采样点;同时,采用基于多波段的图像梯度,并相应地调整图像点的相异性测度,将模型的应用范围扩展至彩色及多光谱图像.实验结果表明：该模型能选取较大核带宽并有效保留潜在的边界信息,从而避免了核带宽的选取问题,较好地应用于灰度异质图像的精确分割;而且,该模型对彩色及多光谱图像的分割也同样有效.     

New image segmentation model based on the level set method

A novel variational model based on the level set method is proposed. In the model, we introduce a nonconvex regularizer which performs better than the convex ones on protecting edges. On the other hand, the nonconvex regularizer is designed to provide a force which can help the evolution of the level set function. The Nesterov algorithm is introduced to implement the model. Experiments demonstrate the advantages of the proposed method over the Chan-Vese model in terms of both efficiency and accuracy.     

一种全局最优的非匀质图像分割算法

为了解决传统几何活动轮廓模型不能自适应地分割非匀质图像的问题,提出了一种全局优化的非匀质图像分割算法.首先,利用图像经过高斯滤波器滤波后的梯度信息定义了一个新的图像分割能量函数.然后,利用水平集方法扩展该能量函数的定义域,以使该能量函数具有全局最优解.为避免水平集函数的重新初始化过程,在能量函数中引入了一个水平集函数约束项.最后,通过最小化该能量函数,建立水平集函数演化的偏微分方程.对水平集演化方程数值求解,实现对非匀质图像的分割.实验结果表明,该算法不但能自适应地确定曲线演化方向,而且能有效地分割非匀质图像.     

基于Bregman散度和RSF模型的水平集图像分割方法

在自然图像中经常会出现亮度不均匀的现象,虽然基于局部信息的水平集方法在不均匀图像的分割方面取得了较好的效果,但是该类方法在主动轮廓的能量上存在局部最小值和计算复杂度高等问题.针对这些问题,本文提出了基于Bregman散度分布和区域可伸缩拟合能量模型(Region-Scalable Fitting,RSF)相结合的水平集图像分割方法.本方法利用包含特征点信息(Bregman散度)的全局信息项加快远离目标边界曲线的演化速度,提高算法对初始位置的鲁棒性;利用RSF模型的局部信息项提高对亮度不均匀图像的分割能力,吸引轮廓曲线向物体边界收敛,并停止在目标对象的边界处.通过对合成图像、医学图像和其它真实图像的对比实验,可以看出本文模型与现有模型(LCV、RSF和LGIF)相比,对亮度不均匀图像具有更强的处理能力和更高的处理效率,且对噪声具有更强的鲁棒性.     

基于遗传算法的超声图像水平集分割

文章提出了超声图像自动分割的新方法。其基本思想是在水平集分割方法的基础上，以能量函数作为评价函数，把图像分割问题变成一个优化问题，利用遗传算法的寻优高效性，搜索到能使分割质量到达最优的轮廓曲线。应用此方法对肝脏超声图像进行肿瘤的边缘提取，得到比较好的结果，从而完成图像的自动分割。     

结合KL散度和RSF模型的主动轮廓图像分割方法

针对主动轮廓模型在进行图像分割时计算复杂度较高的问题,提出一种基于区域的变分水平集主动轮廓模型图像分割方法.新模型将Kullback-Leibler(KL)散度信息加入到RSF(region-scalable fitting)模型中,在新模型的能量项中通过RSF能量项计算区域内某点和该区域"中心"之间的拟合距离来表示目标区域的相似性,同时通过最大化KL能量项使模型能更容易分离图像中的不同灰度区域,进而使图像分割的计算时间显著降低.该模型可以很好地处理图像的模糊边界和图像噪声等问题,并适用于合成图像和实际图像的分割.通过实验结果的对比可以看出,本模型在保证分割精度的前提下,加快了边缘的收敛速度,提高了图像分割的效率.     

医学图像分割的神经网络方法

给出了一种基于自组织聚类神经网络的图像分割算法．针对聚类中心初始值选取的盲目性,提出了初始值优选法,大幅度提高了分割算法的速度．实验表明,文中提出的算法能快速、准确地分割医学图像,将原始照片中不易分辨的病灶清晰地呈现出来．