一种基于主动轮廓模型的医学图像序列分割算法

介绍了一种结合live wire算法和活动轮廓模型的医学图像序列的分割方法.通过把live wire算法和图像分割中一般的区域增长方法结合,对传统live wire算法进行了改进,并用改进后的算法对医学图像序列中的单张或多张切片进行交互式地准确分割.然后计算机利用活动轮廓模型自动分割相邻的未分割切片.还通过在活动轮廓模型的边缘点中引入记录已分割物体边缘附近局部区域特征的灰度模型,把已分割切片中的物体与背景的局部区域特征带入相邻的未分割切片中,并用由灰度模型定义的区域相似性代替活动轮廓模型中的外能来引导边缘轮廓收敛到物体的实际边缘.最后介绍了一种基于live wire算法思想的简单的分割结果交互式修复方法.实验结果表明该算法仅需少量用户交互就能快速准确地从医学图像序列中分割出感兴趣的物体,在医学图像分析中具有实用价值.     

基于自组织特征映射神经网络的医学图像分割技术

采用一维自组织特征映射神经网络对医学图像进行聚类分析,实现对不同组织的自动分割.避免了直接使用灰度门限分割方法由于门限值选择不当所导致的分割结果有失准确性的缺点.试验结果表明,利用该方法能够较好地保证分割结果的准确性和完整性.     

窄带主动轮廓模型及在医学和纹理图像局部分割中的应用

提出一种新的基于二值水平集的窄带主动轮廓模型用于局部分割.通过对二值水平集进行形态学膨胀和腐蚀操作, 提出一种稳定灵活可控的窄带控制方案,该方案可使得曲线进化精度从一个像素宽度灵活变化到任意大小. 考虑到局部分割一般要求初始轮廓置于待分割目标内部并不断膨胀进化直至目标边缘,本文提出用形态学闭运算作为新的曲线平滑方案. 与传统的高斯平滑和曲率平滑方案相比,形态学闭运算不仅能够更好地促进曲线的膨胀进化,而且有利于保持水平集函数的二值性. 此外,本文提出的方法是一种通用的自然框架,可以根据不同的需求设计不同的速度函数. 为了证明所提出的局部分割框架的有效性和鲁棒性,本文以医学图像和纹理图像为例分别设计了两个速度函数: 一个是融合了磁共振脑图像的非严格对称信息的速度函数用于大脑皮质下结构的局部分割;另一个是融合了局部熵和局部梯 度算子的速度函数用于纹理图像的局部分割. 在合成图像、医学图像和纹理图像上的实验证明了本文方法在局部分割中的有效性和鲁棒性.     

基于Kohonen自组织特征映射神经元网络图像分割方法的研究

传统图像分割技术对森林火灾图像分割效果不太理想,无法模仿人对颜色的主观判断,因此很难提取森林火灾图像的火焰区域,而K0llonen自组织特征映射神经元网络在这一方面表现出极大的灵活性和自适应性,能够模拟人的思维活动。本文利用Kohonen神经元网络自动对森林火灾图像分割和分类,获得卓有成效的效果,为森林火灾图像的自动识别奠定基础。     

基于全局主动轮廓模型的图像分割研究

基于区域信息的Mumford-shah分割模型中,由于图像对象灰度分布的不一致性,分割曲线易陷入局部最小值,不能获得完整边界分割.提出了一个全新的主动轮廓模型,基于局部区域信息创建能量驱动曲线演化,通过竞争关系约束曲线的演化范围,确保模型能收敛于全局静态最小值.实验结果表明,分割模型可以同时分割多个灰度分布不均匀的对象,对噪声具有较好的鲁棒性.     

核自组织映射竞争聚类

基于核方法可在高维特征空间中完成数据聚类,但缺乏对原输入空间聚类中心及结果的直观刻画.提出一种核自组织映射竞争聚类算法.该算法是利用核的特征,导出SOM算法的获胜神经元及权重更新规则,而竞争学习机制依然保持在原输入空间中,这样既解决了当输入样本分布结构呈高度非线性时,其分类能力下降的问题,而且解决了Donald[1]算法导致的特征空间中的获胜神经元在原始输入空间中的原像不存在,而无法对聚类结果利用可视化技术进行解释的问题.实验结果表明,提出的核自组织映射竞争聚类算法在某些数据集中可以获得比SOM算法更好的结果.     

基于主动轮廓模型和水平集方法的图像分割技术

图像分割是计算机底层视觉中首要解决的关键问题。为了使人们对该领域现状有个概略了解。首先回顾了近十几年来基于主动轮廓模型的图像分割技术的发展概况；然后分类介绍了基于边界、基于区域和基于边界与区域的主动轮廓模型技术的演变及各自的优缺点，以及相应的能处理轮廓拓扑变化的稳定数值求解方法——水平集方法；最后展望了主动轮廓模型在图像对准中的应用。     

基于高斯混合分布和区域竞争主动轮廓的医学目标分割

提出了一种基于高斯混合分布和区域竞争主动轮廓的医学目标提取模型。这一模型,把主动轮廓的能量函数表示为像素属于目标或背景的子类的最大概率的区域积分,在水平集合框架下使能量函数最小化,得到在高斯子类区域间竞争演化的分割迭代方程。同时,附加的速度约束项使主动轮廓在越过目标边缘时速度降低,提高了分割的收敛性。通过大量肝脏CT图像的分割实验以及与几种经典模型和手工提取的比较,表明该模型在医学图像分割中具有较好的健壮性、准确性和灵活性均较好。     

木材显微图像的局部水平集分割方法

获取木材显微图像中的细胞组织对于分析木材的种类、材性,以及天气变化等均有重要的意义,而这依赖于图像分割技术。针对木材组织的不均匀性,以及标本制作和获取过程中带来的噪声,将水平集方法中边缘型和区域型两种模型引入,同时结合局部图像信息来提高局部不均匀图像的分割性能。在图像初始分割基础上,通过面积阈值去除水泡等杂质,最终提取导管组织。实验结果表明,提出的模型所得到的分割图像较平滑,而且噪声明显减少,可有效分割局部不均匀木材显微图像。     

基于局部图像拟合偏差的活动轮廓分割模型

针对灰度不均匀图像的分割问题,提出一个基于区域的活动轮廓模型。通过构造包含图像局部信息的局部图像拟合偏差能量泛函,度量真实图像与拟合图像的偏差,并在全局凸分割的基础上,将分裂Bregman技术应用到模型能量泛函的最小化问题中,以提高分割速率。同时引入边界检测函数更加准确地探测边界位置,以提高模型的分割准确性。实验结果表明,该模型不仅可以正确分割灰度不均匀图像和受噪声干扰的图像,而且对于多目标图像以及灰度分布均值相同、方差不同的图像,也能快速、准确地得到分割结果。     

一种改进的活动轮廓模型图像分割方法

基于全局信息的活动轮廓模型不能有效分割灰度不均匀图像,而基于局部信息的活动轮廓模型对轮廓初始化位置比较敏感。为此,提出结合全局信息和局部信息,构造新的符号压力函数（Signed Pressure Force,SPF）,替代Selective Binary and Gaussian Filtering Regularized Level Set（SBGFRLS）模型中的符号压力函数,同时构造一种新的气球力函数,并采用SBGFRLS水平集方法演化轮廓曲线来分割图像的方法。实验结果证明该方法能有效分割灰度不均图像,同时对轮廓初始化位置不敏感,对噪声有较好的抗干扰性。     

一种区域自适应主动轮廓模型的图像分割方法

为了有效地分割灰度不均匀图像,提出了一种区域自适应主动轮廓模型,在该模型中,定义了一个包含全局能量项和局部能量项的能量泛函。在算法的初期,全局能量项占主导地位,它具有收敛速度快、对初始轮廓不敏感的优点。在算法的后期,局部能量项占主导地位,它具有定位精度高的优点。理论分析和实验结果表明,该模型具有收敛速度快、分割精度高、对初始轮廓不敏感等优点。     

Novel fuzzy active contour model with kernel metric for image segmentation

In this paper, a novel region-based fuzzy active contour model with kernel metric is proposed for a robust and stable image segmentation. This model can detect the boundaries precisely and work well with images in the presence of noise, outliers and low contrast. It segments an image into two regions – the object and the background by the minimization of a predefined energy function. Due to the kernel metric incorporated in the energy and the fuzziness of the energy, the active contour evolves very stably without the reinitialization for the level set function during the evolution. Here the fuzziness provides the model with a strong ability to reject local minima and the kernel metric is employed to construct a nonlinear version of energy function based on a level set framework. This new fuzzy and nonlinear version of energy function makes the updating of region centers more robust against the noise and outliers in an image. Theoretical analysis and experimental results show that the proposed model achieves a much better balance between accuracy and efficiency compared with other active contour models.     

多描述子活动轮廓模型的医学图像分割

目的 医学图像分割结果可帮助医生进行预测、诊断及制定治疗方案。医学图像在采集过程中受多种因素影响,同一组织往往具有不同灰度,且伴有强噪声。现有的针对医学图像的分割方法,对图像的灰度分布描述不够充分,不足以为精确的分割图像信息,且抗噪性较差。为实现医学图像的精确分割,提出一种多描述子的活动轮廓（MDAC）模型。方法 首先,引入图像的熵,结合图像的局部均值和方差共同描述图像的灰度分布。其次,在贝叶斯框架下,引入灰度偏移因子,建立活动轮廓模型的能量泛函。最后,利用梯度下降流法得到水平集演化公式,演化的最后在完成分割的同时实现偏移场的矫正。结果 利用合成图像和心脏、血管和脑等医学图像进行了仿真实验。利用MDAC模型对加噪的灰度不均图像进行分割,结果显示,在完成精确分割的同时实现了纠偏。通过对比分割前后图像的灰度直方图,纠偏图像只包含对应两相的两个峰,且界限更加清晰;与经典分割算法进行对比,MDAC在视觉效果和定量分析中,分割效果最好,比LIC的分割精度提高了30%多。结论 实验结果表明,利用均值、方差和局部熵共同描述图像灰度分布,保证了算法的精度。局部熵的引入,在保证算法精度的同时,提高了算法的抗噪性。能泛中嵌入偏移因子,保证算法精确分割的同时实现偏移场纠正,进一步提高分割精度。     

结合全局和双核局部拟合的活动轮廓分割模型

针对可缩放区域拟合（RSF）模型对初始轮廓敏感的缺点,提出了一种结合全局和局部图像信息的变分水平集活动轮廓模型。该模型设计了一个灰度域上的核函数,将其与RSF模型空域核的线性组合作为局部能量项,弥补了采样权值仅与空间距离有关的缺陷,提高了分割精度;构造了带有自适应全局指示函数的面积项,作为全局拟合力,提高了模型的收敛速度且避免陷入局部极小值;使用了高斯滤波方法,规则水平集函数,使其保持光滑,并避免了复杂的重新初始化过程。实验结果表明,该模型初始化灵活,对灰度不均匀图像有很好的分割效果     

一种基于主动轮廓模型的蚁群图像分割算法

通过对主动轮廓模型进行图像分割的过程研究发现,其多阶段决策问题与蚁群算法的决策过程非常相似．文中根据主动轮廓模型的特点构建了一类新的蚁群求解算法,把图像分割问题转化成最优路径的搜索问题,为获取精确的图像轮廓提供了新方法．证明了该方法以概率1收敛到最优解,即可以在能量函数的约束下找到最好的边界．本方法还可以推广到其他主动轮廓模型的图像分割问题中．仿真结果表明,本文提出的分割方法比文献中的遗传算法更为有效．     

基于双符号压力函数的活动轮廓图像分割方法

为了解决测地线模型和CV模型无法同时对弱边界、灰度不均匀图像进行分割的问题,提出一种基于双符号压力函数的活动轮廓图像分割方法。首先,基于图像统计信息定义分割灰度不均匀图像的符号压力函数,基于内部和外部灰度均值给出轮廓曲线内外的全局区域灰度均值的加权组合函数,运用图像全局信息定义分割弱边界图像的符号压力函数;然后,结合统计信息的符号压力函数和全局信息的符号压力函数（简称“双符号压力函数”）,通过增加组合的权值系数,设计新的水平集演化方程;最后,将双符号压力函数引入到二值选择和高斯滤波正则化水平集模型中,构建一种基于双符号压力函数的活动轮廓图像分割算法。仿真实验结果表明,该算法能够有效地分割弱边界、灰度不均匀的图像,同时对噪声也有一定的抗干扰性。     

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...     

基于动态轮廓模型的羽毛分割改进算法

从羽毛图像中分割毛杆适合采用动态轮廓模型,而原始原模型易受局部强边缘干扰产生偏差,且计算规模偏大。根据毛杆的特性,提出用毛杆中心线和毛杆宽度来代替毛杆轮廓,把模型中二维轮廓曲线变化成两个相互独立的一维函数,并据此修改能量方程。改进算法利用对称性避免强边缘干扰,减少了计算规模,能实现全自动分割。实验表明该算法具有较强的抗噪性,使分割毛杆效果良好,能满足工业需要。     

改进主动轮廓线模型在图像分割中的应用

主动轮廓线模型(Active Contour Model,ACM),也称作蛇(Snake)模型,是一种常用的图像分割算法。在基于主动轮廓线的图像分割中,深度凹陷边界的逼近和弱边界区域的分割一直是一个难点。引入了一种局部纹理模型(Local Profile Model)匹配算法,通过匹配沿控制点法线方向像素和局部纹理模型可以确定弱边界区域的真实边界,并结合一种新的计算控制点曲率外力的算法,使得主动轮廓线模型能够逼近图像的深度凹陷区域的同时提高算法的收敛速度。实验结果表明,该方法是有效的。