沙拉酱对胡萝卜中活性物质体外消化的影响

以胡萝卜为原料,与沙拉酱复配成质量比为6∶1(T1)、4∶1(T2)、2∶1(T3)的胡萝卜沙拉样品,以不加沙拉酱的胡萝卜为对照(CK),采用体外静态INFOGEST消化模型,评估胡萝卜沙拉中主要活性物质(β-胡萝卜素、总酚和V-C)的生物可及性和消化特性。结果显示:除CK和T3的V-C外,活性物质含量经胃消化后均急剧下降,经肠道消化后又上升;添加沙拉酱明显提高了β-胡萝卜素、总酚和V-C的稳定性和生物可及性,T3组中3种生物活性物质在模拟消化过程中较稳定,生物可及性较高;各组的平均粒径D[3,2]和粒径分布强度均先增大,在模拟胃消化阶段消化60 min时最大,随后减至最小,T3组的D[3,2]在模拟消化过程中较小(0.13~5.03μm)。可见,沙拉酱可提高胡萝卜中β-胡萝卜素、总酚和V-C的生物可及性,并具有较好的消化特性,其中以T3组效果较佳。

基于Hough检测和C-V模型的航拍绝缘子自动协同分割方法

绝缘子分割是通过图像处理技术实现其运行状态自动检测及故障诊断的重要前提。针对航拍图像具有背景复杂、分辨率较低、数量多和伪目标多等特点,使用传统分割方法会产生大量的用户交互导致分割效果不佳。本文把协同分割引入到绝缘子航拍图像处理中,提出一种Hough检测修复结合自动初始化轮廓C-V模型的航拍绝缘子图像协同分割方法。本方法利用航拍绝缘子图像帧之间的关系作为先验信息以达到更高的分割精度。首先对航拍图像进行去除文本预处理;然后对预处理过的图像进行Hough检测修复以处理输电线与绝缘子粘连问题并用SLIC进行超像素分割;最后利用广义霍夫变换实现C-V模型初始轮廓的选取并进行基于图像间的C-V模型的绝缘子协同分割。实验结果表明,本文分割方法的准确率明显比其他算法高,能够有效地区分目标和背景并去除杆塔、输电线等伪目标,自动化性能良好,为无人机航拍绝缘子的状态检测及故障诊断奠定基础。

基于改进型C-V模型的植物病斑图像分割

针对植物病斑图像背景复杂且分割难问题,提出一种基于水平集和加权颜色信息的C-V模型。借助水平集方法对病斑图像的R、G、B分量图像颜色信息取加权值,以差分图像能量作为能量函数最终值,以适应不同的病害种类。试验结果表明,经过R、G、B加权的黄瓜红粉病病斑图像使用4R-G图像模型、苹果锈病病斑图像使用3R-G-B图像模型自动分割的效果较好,比传统C-V模型分割性能好,抗噪性好,可扩展性好。

基于区域增长与局部自适应C-V模型的脑血管分割

提出了一种针对TOF MRA(time-of-flight magnetic resonance angiography)磁共振图像的双重分割脑血管提取方法.首先结合高斯滤波,采用二维OTSU算法,结合MIP(maximum intensity projection)图像获得三维血管种子点,定义全局与局部信息相结合的区域增长规则,通过区域增长算法对血管进行粗分割;然后,采用Catt扩散模型对体数据场进行各向异性滤波,提出了局部自适应C-V模型,将初步分割结果作为自适应活动轮廓模型的初始轮廓线进行二次分割.实验结果表明,该算法不仅能够有效分割脑血管粗大分支,而且还能精确提取脑血管的细小结构.

基于高斯分布改进C-V模型的植物病斑彩色图像分割

为了使C-V模型能够准确快速分割植物病斑图像,该文引入高斯混合模型来构建C-V模型,针对基于加权颜色信息的C-V模型处理时间长,R、G、B通道能量系数难确定等问题,结合高斯混合模型和C-V模型对病叶图像进行分割。先选中病斑区域中一点,以其3×3邻域像素均值作为C-V模型中曲线的内部能量均值;利用高斯混合模型对病斑图像建模,并采用高斯混合模型先验概率初始化C-V模型的水平集函数;最后分别以图像R、G、B通道中目标和背景像素均值的比例作为3个通道的权值,演化水平集函数的分割曲线。试验结果表明,该方法能够有效地分割出植物病斑,并在分割性能上优于基于加权颜色信息的C-V模型及传统C-V模型。本文的研究结果可为植物病斑分割提供参考。

一种改进的无需水平集重新初始化的C-V主动轮廓模型(英文)

重新初始化是使水平集函数保持符号距离函数的必要步骤。虽然它保证了水平集函数的稳定收敛,但是它也降低了曲线演化的速度。本文主要在该方面针对Chan-Vese提出的水平集图像分割模型进行了改进,提出了无需重新初始化的C-V模型。该模型将水平集函数与距离函数的偏差作为能量函数引入C-V模型,以此来约束水平集函数成为距离函数,提高了C-V模型的演化速度。同时该模型能够用一般的分段常数函数来定义初始水平集函数,即水平集函数不必初始化为符号距离函数。这样,对于不规则形状的初始轮廓,节省了初始化过程所消耗的时间。实验结果表明,本文所提出的模型不仅提高了C-V模型的演化速度,而且实现了水平集函数初始化的灵活性。

基于改进C-V模型的木材表面缺陷图像分割

木材表面缺陷会严重影响木材的质量、性能和使用价值,对木材表面缺陷分割检测有利于提高木材的利用率,节约现有木材资源,缓解森林资源短缺的压力。针对传统的C-V(Chan-Vese)模型算法不能分割灰度不均匀图像的缺点,本文采用C-V模型与形态学结合的方法与传统的C-V模型算法进行对比试验。与此同时,根据C-V模型和C-V模型结合形态学方法的不足之处,在C-V模型基础上,引入局部拟合函数和高斯核函数,提出了一种基于C-V模型的改进算法,能够有效地克服C-V模型的不足。通过对木材表面缺陷图像分别采用传统C-V模型算法、C-V模型与形态学结合的方法和改进的C-V模型算法进行多组针对单一目标的木材表面缺陷图像的对比试验。结果表明:C-V模型能够将虫眼和活节缺陷图像分割出来,但是对纹理干扰强烈的死节缺陷图像分割困难;运用C-V模型与形态学结合的方法,可以有效地消除分割结果中的细小空洞和噪声,但是仍无法抵抗死节缺陷图像中木材自身纹理的干扰,难以将死节缺陷完整地分割出来;改进的C-V模型算法对木材表面缺陷图像的分割能够减少迭代次数,缩短分割时间,使分割轮廓线更加光滑和完整。通过采用改进C-V模型算法对多目标木材表面缺陷图像进行试验,能够更好地验证改进算法的优越性、有效性和可行性。

C-V模型与工业CT相结合的几何测量方法

针对工业生产中复杂封闭内腔几何尺寸很难测量的问题,提出一种基于C-V模型的工业CT几何测量方法.首先利用C-V模型提取目标边缘坐标点的有序链码,然后利用Green定理和欧氏距离公式计算目标区域的面积和周长.在提取目标边缘坐标点的步骤中,把边缘灰度先验知识融入C-V模型以提高测量精度;在计算目标区域的面积和周长的过程中,合理地选择目标边缘有序坐标点和插值有序坐标点,再一次提高几何测量精度.实验结果表明,与2DFacet模型测量方法相比,文中方法测量精度约提高1个数量级;并已将该方法应用于实际中.

结合C-V模型水平集与形态学的彩色树木图像分割

树木图像分割是一种从图像中把树木与周围背景完整分离的技术,是计算机仿真学科在林业应用方面的核心内容,也是计算机视觉方向的研究热门,为林业应用提供一定的技术支持。根据树木图像含有分裂、合并、形成尖角等相对比较复杂形状的特点,首先对图像运用基于C-V模型水平集的计算,通过计算活动轮廓长度和差异量来判断迭代收敛的情况,待迭代稳定后对其进行形态学后处理操作,将某些过分割区的细密纹理和噪声剔除,从而得到全局最佳优化的图像分割效果。为彩色树木图像的分割提供一种更为有效的方法。

基于改进C-V模型的脑组织提取算法

通过对水平集算法C-V模型进行三方面改进,提出一种基于改进C-V模型的脑组织提取算法.首先,通过改进经典的距离函数,在保证准确度的同时,可以在很大程度上加快距离函数的收敛,提高分割速度.其次,改进了收敛结果的唯一性,使边缘停止在欲提取的目标类灰度上,用于去除脑脊液,使脑灰质、白质的提取更加准确.最后,提出了迭代收敛的动态结束条件.通过间隔帧的对比,改进了以往通过经验迭代次数作为结束条件,使分割效果与迭代时间达到较优.实验结果表明,该算法在脑组织的分割速度及准确性上有了较大提高,为医生确诊病情带来便利.

一种基于Mean Shift和C-V模型的车辆跟踪算法

针对传统Mean Shift算法跟踪窗口固定不变,无法对不断改变尺寸的车辆目标进行有效跟踪的问题,文中根据车辆跟踪的特点,提出一种基于Mean Shift和C-V模型的车辆跟踪算法.首先利用传统Mean Shift得到初始跟踪窗口,然后根据C-V方法所提取的车辆形状信息对跟踪窗口的中心和大小做进一步修正,在跟踪过程中综合利用了目标颜色、形状等信息,同时对传统C-V方法进行改进,采用一种新的初始化水平集函数表达方法.实验结果表明,文中算法在满足实时性要求的同时,大大提高了车辆跟踪精度.

一种改进的快速C-V水平集红外图像分割

当红外图像中包含较强噪声时,C-V模型水平集分割方法会产生大量冗余轮廓;同时,C-V水平集采用偏微分方程(PDE)实现,存在计算量大、分割速度慢的缺点。为此,本文提出了改进的快速算法,该算法保留了C-V模型的全局优化特性,并通过窗口滤波整合图像邻域空间信息来构建曲线进化的外部速度,从而提高C-V模型的抗噪性并减少分割中产生的冗余轮廓;采用基于双链表的快速水平集算法来实现曲线的演化,去除了传统算法中的重新初始化和PDE求解的过程,减少了迭代步数,提高了分割的速度。实验结果表明,本文算法对边缘模糊、噪声较大的红外图像能实现快速而有效的分割。

融合C-V和GVF的测地线活动轮廓模型

对于有凹陷边界或弱边界的待分割目标,采用传统的测地线活动轮廓(GAC)模型无法进行准确的图像分割.为了解决这一问题,提出了一种融合C-V模型、GVF模型和GAC模型的图像分割算法.在该算法中,GAC模型的单位内法向量与GVF模型的梯度矢量流共同作用,促使轮廓曲线向目标的边界方向运动;而GAC模型单位内法向量与C-V模型的区域信息的力场共同作用,不仅促使轮廓曲线向目标的边界方向运动,而且使轮廓曲线稳定在目标的边界上.仿真实验证明了上述方法的有效性,同时还证明了该方法对轮廓曲线的初始位置具有较好的适应性.

结合局部信息改进的C-V超声图像分割模型

针对无边缘主动轮廓模型(Active contours without edges,C-V)难以分割灰度分布不均匀的甲状腺超声图像,本文提出结合局部信息改进的C-V超声图像分割模型。该方法根据局部信息具有不受灰度分布影响的拟合特性,利用图像局部拟合信息构造一种新的速度函数,使速度函数依据图像局部灰度变化控制曲线的演化速率;然后将该速度函数引入到C-V模型中,具有全局分割能力。实验结果表明,本文方法可以实现对灰度分布不均匀的甲状腺肿瘤超声图像的准确分割,且分割效率也有所提高。

基于改进C-V模型的外绝缘放电紫外图像特征量提取

为实现紫外（UV）成像技术检测绝缘子缺陷时产生的紫外图像中放电区域的自动准确分割,提出了一种基于改进Chan-Vese（C-V）模型的放电光斑提取方法。通过引入符号距离保持项、用水平集函数梯度的模替代Dirac函数以及简化模型参数来对现有C-V模型进行了改进,然后将其用于获取绝缘子表面放电紫外图像的放电光斑,并给出了基于常规边缘检测算子法、数学形态学的紫外图像分割结果。结果表明：改进后的C-V模型能更为快速准确地分割出紫外成像的目标光斑,且具有较好的抗干扰能力。与现有方法相比较,使用改进的C-V模型来提取放电光斑的准确度提高了5%,且对C-V模型中关键参数的依赖性较小,非常适合于紫外图像特征量的提取。研究结果可为输电线路外绝缘的有效检测提供重要依据。

分水岭优化的C-V模型脑肿瘤图像分割

C-V模型可有效对脑肿瘤等医学图像进行分割,但存在对初始轮廓位置敏感及重新初始化耗时的问题,为此,提出了一种分水岭优化的C-V模型脑肿瘤分割方法。首先引入标记函数,通过强制最小技术改善传统分水岭变换的过分割现象,得到粗分割结果,然后在粗分割基础上确定C-V模型初始轮廓位置,最后采用无需重新初始化的C-V模型进行细分割,得到较精确的脑肿瘤分割结果。实例结果表明,经过分水岭优化后的C-V模型能够对常见脑肿瘤图像进行有效分割,尤其是能够将与组织粘连的肿瘤分割出来。

基于C-V模型的木材缺陷重建图像特征提取

以含有裂纹的柳木木材、含有空洞的椴树木材为样本,实验研究了基于细胞反演法的木材重建图像的特征提取。首先,利用细胞的反向投影方法将木材断层图像进行重建后,对所得图像进行开启化平滑处理;然后,利用C-V模型获取木材断层图像中缺陷部分特征;最后,将测得的木材缺陷面积值与真实值进行比较。结果表明:利用C-V模型可以将重建的缺陷图像特征准确的分割出来,实现了对此细胞反演法重建质量的评价;为木材缺陷重建图像的质量评估提供了方法,为今后木材缺陷监测仪的设计提供参考。

基于改进的C-V模型虚拟人脑图像分割模型

C-V模型是一种较为经典的分割模型,但传统的C-V模型仅能够将图像分割成单一的目标部分与背景部分;用于彩色图像分割往往基于目标的强度信息;在曲线演化过程中需要重新初始化水平集函数保持符号距离函数。针对这些问题,使用PCA理论将颜色空间投影到新的空间中,可以扩大两者的颜色距离;使用局部信息可校正颜色强度不均匀;将距离约束项引入到模型中,使模型能够无需重新初始化,提高了演化速度。实验结果表明改进的算法能较精确地得到分割结果。

基于文化算法的C-V水平集图像分割

针对基于梯度变化的水平集图像分割对噪声敏感、不能很好地保持图像中的边缘信息、分割结果依赖初始参数、取得最优解时不能及时结束等问题,提出了一种基于文化算法的水平集图像分割算法,将文化算法应用到C-V(Chan-Vese)水平集模型之中,实现了水平集模型图像分割参数的自动选取,通过信度空间的形势知识和规范知识不断优化指导种群进化,并通过判定图像熵适应度值的变化适时终止分割过程。实验结果表明,本文方法能够准确分割出医学图像的病变区域,在抗噪声性能和分割效率方面明显优于常规方法。

C-V模型在红外视频火灾图像分割中的应用

针对大空间中红外视频火灾图像边缘模糊,不易准确分割问题,研究了一种基于背景差分和C-V模型的分割方法。通过背景差分得到运动图像;利用形态学处理得到完整的运动区域,并获得其外接矩形;以外接矩形作为C-V模型的初始轮廓曲线进行分割,得到封闭、完整的运动目标轮廓。该算法避免了对整幅图像分割,减少了运算量。通过实验仿真并与阈值分割算法比较,证明了该算法的准确性和有效性,有利于下一步火灾特征提取与识别。