一种改进的图像分割活动轮廓模型

C-V模型具有计算复杂度低、对初始化和噪声不敏感等优点,在处理图像的时候总是从全局的角度去考虑图像区域的灰度变化,从而导致难以分割灰度不均的图像。局部二元拟合(LBF)模型在处理灰度不均匀的图像分割方面有很大优势,但是LBF模型存在依赖初始轮廓大小、位置等缺点。针对C-V模型不能分割灰度不均图像和LBF模型敏感于轮廓初始化的问题,给出一个用偏微分方程表示的新的融合局部(LBF模型)和全局信息(改进的C-V模型)的活动轮廓模型。实践结果表明,新的模型对初始轮廓的敏感性低,能分割灰度不均的图像,且优于C-V模型,其分割效率明显高于LBF模型。     

融合局部图像信息的SLGS活动轮廓模型

SLGS模型不能处理灰度不均图像,而RSF模型对初始轮廓较敏感。为此,将RSF模型定义的局部信息融入SLGS模型中,提出一个以偏微分方程形式表达的活动轮廓模型。利用SLGS模型全局拟合量和RSF模型局部拟合量的线性组合构造符号压力函数,调整拟合量的权重以提升模型对灰度不均图像的处理能力和轮廓初始化的灵活性,并利用高斯滤波正则水平集函数法实现水平集函数的正则化。实验结果表明,该模型的分割结果比SLGS模型更准确。     

全局和局部拟合的活动轮廓模型

在现有的活动轮廓模型中,PC模型和RSF模型是两个著名的基于区域的模型。PC模型对活动轮廓的初始化和噪声不敏感,但不能分割灰度不均一图像。RSF模型能够分割灰度不均一图像,但对活动轮廓的初始化和噪声较为敏感。基于PC和RSF模型,提出一个以偏微分方程形式表达的基于区域的活动轮廓模型。实验表明该模型能够分割灰度不均一图像,对初始轮廓的大小和位置不敏感,抗噪性也较强。     

融合局部和全局高斯概率信息的图像分割模型

在现有的活动轮廓中,LBF模型、LIF模型和LGDF模型是著名的基于区域的模型。虽然能分割灰度不均匀的图像,但对活动轮廓的初始化和噪声较为敏感。针对该问题,提出一种融合全高斯和局部高斯概率信息的活动轮廓模型。首先由全局高斯模型的全局灰度拟合力和局部高斯模型的局部灰度拟合力的一个线性组合来构造水平集演化力,然后引入这两个拟合力的动态权重以达到该模型的灵活性,实验结果表明,该模型能分割灰度不均的图像,且允许灵活的轮廓初始化,抗噪声性强。     

融合局部和全局图像信息的活动轮廓模型

为了克服局部图像拟合模型对轮廓初始化敏感的不足,结合改进C-V模型,提出一种融合局部和全局图像信息的活动轮廓模型.首先由改进C-V模型的全局灰度拟合力和局部图像拟合模型的局部灰度拟合力的一个线性组合来构造水平集演化力,然后通过调整这2个拟合力的权重以提升该模型对轮廓初始化的灵活性,最后利用高斯滤波正则水平集函数法实现水平集函数的正则化.实验结果表明,对于一些真实和人造图像,文中模型显示了对轮廓初始化的鲁棒性,以及较好地处理灰度不均图像的能力.     

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。     

带线性正则化项的RSF模型

RSF（Region-Scalable Fitting）模型能够分割灰度不均一图像,但对活动轮廓的初始化和噪声较为敏感。运用理论探究与实验相结合的方法,基于RSF模型,添加一个新的水平集线性正则化项,得到了一个新的活动轮廓模型。实验表明,该模型能够分割灰度不均一图像,对初始轮廓的大小和位置不敏感,抗噪性也较强。     

LCV模型在医学图像分割中的应用

针对C-V模型不能充分利用图像局部区域灰度变化信息从而导致难以准确分割灰度不均物体等缺陷,提出一种基于局部区域的C-V(LCV)模型。利用计算局部窗函数内的加权灰度均值来取代全局均值,并加入约束水平集函数为符号距离函数的能量项,从而避免水平集函数的重新初始化。对医学图像的分割结果证明LCV模型在分割灰度不均物体方面优于C-V模型,其分割效率高于LBF模型。     

基于CV和LBF模型结合的图像分割算法研究与实现

CV模型和LBF模型是两个著名的图像分割模型,然而它们有各自的缺点。CV模型不能处理灰度不均图像,而LBF模型虽然能处理灰度不均图像,但对活动轮廓的初始化很敏感,且对噪声不具有鲁棒性。为了克服上述缺点,首先对图像进行预处理,然后在得到新的图像的基础上提出与LBF类似的模型,同时将其与CV模型结合,得到全局和局部活动轮廓模型。实验结果表明,所提模型不仅能处理灰度不均匀图像,同时减弱了活动轮廓对初始化的敏感性,并且提升了对噪声的鲁棒性。     

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     

基于局部与全局拟合的活动轮廓模型

针对局部二值拟合(LBF)模型容易陷入能量泛函局部极小值的问题,提出基于局部与全局拟合的活动轮廓模型。引入一个衡量某点处局部区域内灰度分布是否均匀的特征函数,将LBF模型中的局部拟合项与CV模型中的全局拟合项相结合,同时保留LBF模型分割灰度不均匀图像和CV模型全局收敛性的优点。实验结果表明,该模型能够分割灰度不均匀图像,对初始轮廓的依赖性较弱,并且具有一定的抗噪性。     

一种基于局部符号差能量的非局部分割模型

针对灰度非均匀的图像,提出一种基于局部符号差能量的非局部图像分割模型。该模型包含基于局部符号差能量的数据驱动项和非局部全变分正则项,具有局部可分离性和全局一致性的特点。由于本文模型是凸的,因此在数值实现上可以采用split-Bregman迭代算法,具有较快的运算速度。同经典的基于局部区域的主动轮廓分割模型相比,该方法具有以下优点:(1)该模型受初始化的影响很小;(2)采用split-Bregman迭代算法,运算速度更快;(3)能够对具有细密纹理和具有弱边缘目标的图像进行正确分割。实验结果表明,该模型对灰度非均匀图像能够进行较准确的分割,相比其他模型具有更好的鲁棒性。     

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。     

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。