Geometric active contour based approach for segmentation of high-resolution spaceborne SAR images

Segmentation is the key step in auto-interpretation of high-resolution spaceborne synthetic aperture radar（SAR） images. A novel method is proposed based on integrating the geometric active contour（GAC） and the support vector machine（SVM）models. First, the images are segmented by using SVM and textural statistics. A likelihood measurement for every pixel is derived by using the initial segmentation. The Chan-Vese model then is modified by adding two items： the likelihood and the distance between the initial segmentation and the evolving contour. Experimental results using real SAR images demonstrate the good performance of the proposed method compared to several classic GAC models.

局部熵驱动的GAC模型在生物医学图像分割中的应用

针对测地线活动轮廓(GAC)模型不能对包含噪声和灰度不均匀现象这类复杂背景图像成功提取目标的问题,本文提出局部熵驱动的GAC模型.首先提取图像的局部信息熵来刻画图像的灰度变化,再利用局部熵构造符号压力函数来指导轮廓曲线向目标边界靠近,实现目标的分割.为降低计算复杂度并提高模型对水平集变化的鲁棒性,采用二值水平集方法进行求解.实验结果表明,本文方法可以克服噪声和灰度不均匀对图像分割的影响,实现快速准确的分割.

CV-GAC模型与图割优化的运动目标检测和分割

针对视频图像序列中运动目标的分割问题,提出了一种融合测地线的水平集模型(CV-GAC)和图割优化相结合的算法。采用高斯混合模型和背景差分获取目标的运动区域,在运动区域内自动设置初始曲线的轮廓,对运动区域进行数学形态学运算,利用融合测地线的水平集模型自适应处理目标的拓扑变化,并用图割进行能量函数的最优化。实验结果表明,与其他传统方法相比,缩短了运动目标分割的时间,能够正确和快速提取运动目标的活动轮廓。

基于改进GAC模型的血细胞显微图像分割

研究血液细胞图准确分割问题,针对血液细胞繁多、形态各异,造成图像准确分割困难。为获得更准确的分割结果,克服在血细胞显微图像分割中应用的典型分割算法的不足,对滤波方法和反差参数估计两方面对测地线活动轮廓模型进行了改进。分割时首先应用最小核同值区算子代替传统边缘检测算子,并结合形态学处理获得初始轮廓,根据改进GAC模型进行曲线演化获得精细细胞边界,最后,基于距离变换和测地膨胀获得粘连细胞分界线,完成细胞分割。仿真表明,典型改进算法对分割出的细胞区域更准确,细胞边缘连续平滑,而且具有良好的抗噪能力。

基于多尺度梯度矢量场GAC模型的MR医学图像分割

医学图像分割是图像分割技术的一个重要应用领域,GAC(测地线活动轮廓)模型是基于PDE(偏微分方程)方法中一种常用的图像分割模型,使用这种模型时,如何选择合适的平滑尺度是影响分割效果的重要因素之一。提出了一种基于多尺度梯度矢量场GAC模型图像对象轮廓提取的MR图像分割方法,用多尺度梯度矢量取代GAC模型中单一尺度下平滑图像的梯度矢量,提高了GAC模型的收敛速度,有效地改善了局部极小值问题。实验结果验证了该方法的有效性。

一种结合Snake与GAC模型的虹膜定位方法

为了提高虹膜定位的精度和可靠性,采用改进的Snake模型和改进的GAC模型分别定位虹膜的内外边缘。对于虹膜内边界,在传统的Snake模型的基础上,引入GVF力场代替原有的传统外力场,完成Snake模型对虹膜内边缘的定位。对于虹膜外边界,在传统的GAC模型的基础上,引入非负常数项作为演化收缩力,使其方向指向对象内部,从而实现GAC模型对虹膜外边缘的定位。采用CASIA虹膜库进行了大量实验,结果表明该方法与经典的虹膜定位算法相比,定位速度更快,抗噪性更强,定位更准确。

基于改进GAC模型的钢丝绳图像检测方法

目的针对测地线活动轮廓模型易受初始位置选择限制,处理弱边缘效果较差的问题,提出一种改进测地线活动轮廓模型.方法首先,将局部二元拟合的能量函数中引入图像的局部和全局方差信息,避免其在处理复杂图像时易陷入局部最小值;其次对该能量函数进行归一化处理,代替原来测地线活动轮廓模型的边缘停止函数;最后,驱使轮廓曲线运动到钢丝绳图像中的损坏区域的边缘处.结果改进后的模型能够有效地分割出钢丝绳图像中的轮廓和损坏边缘,以人机交互的形式提取轮廓部分和损坏部分,计算相应的面积,获得缺损度,实现钢丝绳的故障检测.结论笔者所提出的改进GAC模型可以简单、便捷的检测出钢丝绳故障缺损度,同时也证明了该模型在解决钢丝绳图像检测问题时具有较高的精度.

一种向量场卷积外力加速的GAC模型

结合参数活动轮廓模型和几何活动轮廓模型的优势,提出一种向量场卷积(VFC)外力加速的侧地活动轮廓(GAC)模型。利用外力场优势,通过引入基于VFC力场的双向边界吸引力和自适应膨胀力,自适应地调整模型曲线的演化方向。实验结果表明,该模型可以克服参数活动轮廓模型不能处理拓扑结构变化的问题,避免传统GAC模型曲线单边演化的现象,能够提取深度凹陷的目标边界,对初始轮廓不敏感,对图像噪声和弱边界具有较高的鲁棒性。

结合GAC与图割模型的彩色纹理图像分割方法

提出了一种测地线活动轮廓模型(GAC)与多层图割模型相结合的彩色纹理图像分割方法。将Chan-Vese模型扩展到多类测地线活动轮廓模型,通过对每个类别进行高斯概率密度描述,它打破了区域内部恒定密度的假设。且在边缘约束项中引入了测地线,因此,它能够捕获具有凹性的边缘。对于多类能量函数的最小化,通过构建多层图割模型,利用最大流/最小割的方法可快速求得全局近似最优解。最终通过实验验证了提出的方法能够捕获凹型边界、且量化准确率高。

基于改进的GAC模型的医学图像序列分割算法

为了快速有效地提取出图像序列的边缘,提出了一种基于改进的测地线活动轮廓(GAC)模型的图像分割算法。在该方法中,只需在第一幅图像中感兴趣区域的内部给出大致的初始轮廓。在后续图像中,首先采用运动估计与区域统计特征结合的方法得到轮廓模型的初始轮廓,然后利用结合先验信息的测地线活动轮廓模型进行分割。此外,为了有效地减少算法运算时间,采用手工办法在第一张图像上选定模型演化的区域,该区域在后续图像上将依据分割结果自动调整大小和位置。实验结果表明:方法能够快速有效地提取目标物体的边缘。

基于统计特征的GAC模型SAR图像分割

提出了一种基于统计特征定义边缘检测算子的测地活动轮廓(GAC)模型,并用于SAR图像分割中。首先,根据图像上每个点四个不同方向邻域统计特征的异同,计算边缘检测算子,得到GAC模型的能量泛函。其次,最小化能量泛函,得到曲线演化偏微分方程,水平集方法数值求解,最终完成SAR图像的分割。实验表明,与传统依赖图像梯度定义检测算子的GAC方法相比,文中的方法完全适用于SAR图像分割,不需要噪声的预处理过程,拓展了GAC模型的应用范围,提高了目标的正确识别率。

改进GAC模型肺部薄扫CT图像序列分割法

针对测地线活动轮廓(geodesic active contour,GAC)模型轮廓演化速度慢的问题,构造一个区域灰度相似性信息项,对GAC模型的能量泛函进行改进,加快轮廓演化速度,将其用于肺部薄扫CT(computed tomography)图像序列中肺实质的自动分割。采用基于Nystrom逼近的谱聚类算法分割CT图像序列中间位置CT中的肺实质,计算其灰度均值与标准差,构造区域灰度相似性信息项,以分割好的肺实质轮廓作为初始轮廓,分别从上下两个方向采用改进了能量泛函的GAC模型实现其它切片中肺实质的分割。实验结果表明,该方法能够较好实现肺实质的自动分割,与医师分割结果的重合率可达94.83%,时间消耗较少。

基于偏微分方程的GAC水平集图像分割模型

引入一个约束能量,去除水平集函数在演化过程中的周期性初始化难题,并使用反应扩散方法,解决引入的基于变分水平集方法的约束能量不能直接作用于基于偏微分方程驱动的水平集模型中的问题.提出一种新的边缘检测算子,重新定义边缘停止函数.实验结果表明,论文模型在图像分割质量上具有一定优势.

融合注意力机制和边缘预测的医学图像分割网络算法

针对现有的卷积神经网络在分割医学图像时容易出现异常值且存在边缘分割精度低等问题,引入基于注意力机制的边缘预测模块,利用激活函数的变分表示与测地活动轮廓模型,提出一种融合注意力机制和边缘预测的医学图像分割网络,并设计端到端的网络训练算法。在两个公共数据集上的实验结果表明,与其他分割方法相比,该文的方法能够提取更多的边缘信息,分割结果也更精确。

基于边缘吸引力场正则化的短程线主动轮廓模型

短程线主动轮廓模型是近几年提出的一种有效的多目标轮廓提取算法 .本文在详细分析其动力学过程的基础上 ,针对该模型中存在的局限性和不足 ,提出对边缘吸引力场进行正则化的方法 ,并采用多尺度模型 ,有效的改善了该模型不能对存在断裂轮廓的目标进行正确提取和凹边缘搜索能力弱的缺点 ,增强了抗噪声和虚假边缘干扰的能力 ,使该算法具有更好的鲁棒性和实用性 .

基于先验知识和几何主动轮廓线的三维超声瓣膜分割

几何主动轮廓线模型是一种有效的图像分割方法。但对于被噪声严重干扰的目标依然很难准确分割。特定目标的先验知识可以有效地指导目标的准确分割。我们把特定目标的区域和形状先验知识表示成一种速度场,把此速度场嵌入到几何主动轮廓线模型中,指导目标的快速准确分割。先验区域限制水平集在特定区域迭代,先验形状使曲线向理想轮廓演化。我们把该算法应用于三维超声图像的二尖瓣自动分割,结果表明该分割算法是快速和高效的。

短程线主动轮廓跟踪算法的研究——在复杂背景和非刚性运动目标跟踪中的应用

在复杂背景下对多个非刚性目标进行跟踪是计算机视觉中的一个难点 在短程线主动轮廓模型的基础上 ,利用力场正则化方法 ,并加入运动边缘信息 ,提出了一种在复杂背景下多个非刚性目标进行跟踪的方法 该方法由运动检测和跟踪两部分组成 :运动检测利用运动边缘信息对运动目标的运动做出检测 ,让轮廓曲线运动到目标轮廓附近 ;跟踪利用当前帧中的静态边缘信息对运动检测的结果加以修正 而跟踪这一步引入的偏差将在下一帧的运动检测中得到修正

采用测地线活动轮廓模型检测与跟踪运动目标

水平集几何活动轮廓模型能较好地适应曲线的拓扑变化.为了跟踪和获取刚体和非刚体运动目标的轮廓信息,提出了一种基于改进测地线活动轮廓(GAC)模型和Kalman滤波相结合的算法以检测和跟踪运动目标.该算法首先采用高斯混合模型和背景差分获取目标的运动区域,在运动区域内采用引入距离规则化项的GAC模型进行曲线演化,使改进GAC模型在运动目标的真实轮廓处收敛;然后通过结合Kalman滤波预测目标下一帧的位置,实现对目标轮廓跟踪.实验结果表明,该方法适用于刚体和非刚体目标,在部分遮挡的情况下也能保持良好的检测和跟踪效果.

Snake模型的研究进展

为进一步理解Snake模型,首先以归类方式系统地总结了Snake模型的各种改进模型及其最新应用状况;在此基础上,讨论了Snake模型的研究难点和发展趋势。分析结果表明,虽然Snake各种改进模型和基本Snake模型有较大的差异,但其研究思想一脉相承。此外,可针对各种改进模型的优缺点将其应用到不同场景中。

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.