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。     

变分水平集方法在灰度不均图像分割中的应用

灰度不均严重影响图像分割的准确性,主动轮廓模型广泛应用于图像分割中。为了克服灰度不均对图像分割的影响,提出了一种基于变分水平集的主动轮廓模型。该模型利用了图像局部统计信息的均值和方差,适合对灰度不均图像分割。为了检验算法的性能,利用该算法和经典算法作对比实验,结果表明,不管是对合成图像还是真实图像的分割,都验证了该方法的有效性,而且该方法在曲线演化过程中无需重新初始化水平集函数,在一定程度上减少了计算量。     

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...     

基于自适应扰动信息模型的水平集分割方法

针对现有的分割模型对噪声信息敏感性高、分割模型不稳定、边界侧漏等问题,提出一种基于自适应扰动信息模型的水平集分割方法。该方法构建一种基于局部特征的扰动信息模型,促使在曲线演化后期因噪声、灰度不均等因素的干扰而自适应地跳出局部最优值,构造一种新的边缘检测函数,提高分割模型对弱边界图像的分割精度。实验对比结果表明提出的分割模型在高效性和抗噪性方面表现更优。     

局部区域拟合的快速水平集图像分割方法

目的 由于灰度不均匀图像在不同目标区域的灰度分布存在严重的重叠,对其进行分割仍然是一个难题;同时,图像中的噪声严重降低了图像分割的准确性。因此,传统水平集方法无法鲁棒、精确、快速地对具有灰度不均匀性和噪声的图像进行分割。针对这一问题,提出一种基于局部区域信息的快速水平集图像分割方法。方法 灰度不均匀图像通常被描述为一个分段常数图像乘以一个缓慢变化的偏移场。首先,通过一个经过微调的多尺度均值滤波器来估计图像的偏移场,并对图像进行预处理以减轻图像的不均匀性;然后,利用基于偏移场校正的方法和基于局部区域信息拟合的方法分别构建能量项,并利用演化曲线轮廓内外图像灰度分布的重叠程度,构建权重函数自适应调整两个能量项之间的权重;最后,引入全方差规则项对水平集进行约束,增强了数值计算的稳定性和对噪声的鲁棒性,并通过加性算子分裂策略实现水平集快速演化。结果 在具有不同灰度不均匀性和噪声图像上的分割结果表明,所提方法不但对初始轮廓的位置、灰度不均匀性和各种噪声具有较强的鲁棒性,而且具有高达94.5%的分割精度和较高的分割效率,与传统水平集方法相比分割精度至少提高了20.6%,分割效率是LIC（local intensity clustering）模型的9倍;结论 本文提出一种基于局部区域信息的快速水平集图像分割方法。实验结果表明,与传统水平集方法相比具有较高的分割精度和分割效率,可以很好地应用于具有灰度不均匀和噪声的医学、红外和自然图像等的分割。     

基于小波变换的权重自适应图像分割模型

针对灰度不均匀且含噪声图像的分割问题,提出了全局和局部灰度信息的权重参 数自适应水平集分割模型。首先,利用图像的全局和局部灰度信息构造全局能量项和局部能量 项;然后,利用小波变换和小波阈值去噪方法,构造对噪声不敏感的边缘信息刻画矩阵,定义包含 图像边缘信息的自适应权重系数矩阵;最后,利用定义的权重系数矩阵组合全局和局部能量项, 得到分割模型的能量泛函。使用变分法得到了水平集函数演化方程,利用有限差分法实现数值 求解。实验结果表明,该模型兼有 Chan-Vese 模型和 Local Binary Fitting 模型的优点,能够有效 地分割灰度不均匀含噪图像,并对活动轮廓曲线的初始位置和初始形状具有很强的鲁棒性。     

用于图像分割的鲁棒的区域活动轮廓模型

针对非同质或者弱边界图像分割时出现的问题,提出一种改进的活动轮廓模型。首先,由图像的区域统计信息定义了一个新的能量泛函。区域统计信息由局部信息和全局信息采用新的加权组合而成。其次,采用水平集方法最小化该能量泛函,得到水平集演化方程并不断更新。最后,采用高斯滤波方法规则化水平集方程。此外,该模型可以退化成一种无需初始化和规则化的简单的全局活动轮廓模型。合成图像和真实图像的实验结果表明:该模型能有效地分割非同质或弱边缘图像,对噪声并初始轮廓曲线具有较好的鲁棒性,并且计算效率高。     

工业检测图像灰度波动变换自适应阈值分割算法

工业检测图像经常受到不均光照的影响,对该类图像局部自适应分割算法比全局算法能产生更好的分割效果. 但局部算法中基于分块的算法对分块方法缺乏指导,而基于邻域的算法容易在背景或前景内部产生误分. 针对上述缺点,本文提出了一种多方向灰度波动变换的自适应阈值分割算法. 该算法先从多个方向依照灰度波动对图像进行转换,构造以多维向量为基础的灰度波动变换矩阵, 然后利用主成分分析法(Principal component analysis, PCA)将高维向量压缩至一维并生成变换图像,最后运用Otsu算法分割变换图像. 该算法无需分块,并且仅需波动幅度阈值和布尔型背景色两个参数. 实验结果表明,该算法能够有效减少不均光照对工业检测图像分割的影响, 与Niblack法、Sauvola法等几种局部算法相比,该法在分割效果上具有了明显的提升.     

自适应尺度的局部强度聚类图像分割模型

针对传统活动轮廓模型无法精确分割强度不均匀图像，并且对尺度参数比较敏感的问题，提出了一种基于区域信息的自适应尺度的活动轮廓模型。根据图像的局部熵构建自适应尺度算子，利用图像的局部强度聚类性质构建能量函数。使用一组平滑基函数的线性组合来表示偏移场，这样可以增加模型的稳定性。通过最小化该能量，所提模型能够同时分割图像和估计偏移场，并且估计的偏移场可以用于强度不均匀校正。实验结果表明，与其它4种模型相比，该模型拥有更高的分割精确度，且分割结果对水平集函数的初始化和噪声具有鲁棒性。     

结合形状先验的水平集灰度纹理图像分割方法

传统水平集图像分割方法多考虑图像底层数据而忽略高层语义特征,对灰度纹理图像的分割效果较差。针对该问题,结合形状先验设计水平集灰度纹理图像分割方法。通过ASLVD滤波获取纹理项,同时对滤波图像进行局部化处理得到形状先验,以形状概率表示形状先验能量项,将其与灰度项、规则化项和纹理项相结合,构造整体水平集曲线演化能量函数,并最小化能量函数得到分割结果。实验结果表明,该方法能够对目标背景遮挡的灰度纹理图像取得较好的分割效果。     

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。     

结合局部灰度差异的噪声图像分割模型

针对未知强度和分布规律的噪声图像难以得到正确分割,现有模型无法适应多种噪声环境的问题,提出了一种基于图像局部灰度差异的噪声图像分割模型。首先,分析局部K均值聚类（LCK）模型和局部相似性系数（RLSF）模型中能量泛函对噪声点的降权机制的不足,提出优化方案;其次,将一种结合局部灰度差异的噪声点修复函数引入能量泛函,降低了显著偏离局部均值的噪声点对分割结果的干扰;最后使用变分法推导出该模型的水平集迭代方程。与局部二值拟合（LBF）模型、LCK模型和RLSF模型相比,使用该模型进行噪声自然图像分割时,可得到更高的查全率、查准率和F值。实验结果表明,所提模型可稳定、有效地分割非均匀和高噪声图像。     

Adaptive segmentation based on multi-classification model for dermoscopy images

Segmentation accuracy of dermoscopy images is important in the computer-aided diagnosis of skin cancer and a wide variety of segmentation methods for dermoscopy images have been developed. Considering that each method has its strengths and weaknesses, a novel adaptive segmentation framework based on multi-classification model is proposed for dermoscopy images. Firstly, five patterns of images are summarized according to the factors influencing segmentation. Then the matching relation is established between each image pattern and its optimal segmentationmethod. Next, the given image is classified into one of the five patterns by the multi-classification model based on BP neural network. Finally, the optimal segmentation method for this image is selected according to the matching relation, and then the image is effectively segmented. Experiments show that the proposed method delivers better accuracy and more robust segmentation results compared with the other seven state-of-the-art methods.     

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     

局部高斯分布拟合的脑MR图像分割及有偏场校正

为实现对灰度不均匀脑核磁共振(MR)图像分割的同时进行有偏场估计并校正,提出一种基于局部高斯分布拟合(LGDF)模型的多相水平集方法.通过分析图像有偏场模型的局部特性,将有偏场乘性因子引入到图像局部灰度均值的表达中,从而使有偏场乘性因子成为新的能量函数的变量.能量函数的迭代最小化既实现了目标组织分割,又有效估计了有偏场.合成图像和仿真脑MR图像实验结果表明,本文方法比现有多种方法分割性能更好,且利用本文方法估计的有偏场校正后的图像有更好的视觉效果.