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.

基于符号压力函数的几何活动轮廓模型

针对几何活动轮廓(GAC)模型的诸多缺点,提出一种基于符号压力(SPF)函数的活动轮廓模型。采用一种基于区域统计信息的符号压力函数作为边界指示,能够提高演化曲线在运动过程中对模糊边界的识别能力和抗噪能力。相对于传统几何活动轮廓模型,所提模型具有如下特点:一是能够有效分割边界模糊的目标;二是更具抗噪能力;三是轮廓线运动具有双向性。实验结果表明了所提模型的有效性。

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。

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。

局部信息熵的快速混合测地区域活动轮廓模型

针对变分水平集算法在图像分割过程中计算量较大且收敛速度慢的现象,在前人研究的基础上提出了一种新的局部信息熵的混合测地区域活动轮廓模型。该模型构造一个新的能量泛函,在泛函中引入柔化核函数作为窗口核函数,构造一个新的符号压力函数来代替测地线边缘检测函数,并以局部信息熵作为图像拟合能量项的权重,通过非凸正则化项来约束水平集函数。由此得到的算法不仅能加快轮廓曲线的收敛速度,而且可以处理那些由于光照或其他外界因素的变化产生的灰度不均匀或者模糊的图像,提高分割的精确性。将算法在合成图像和真实图像上做仿真实验,实验结果表明,该算法具有较快的收敛速度,分割也较准确,同时对轮廓曲线的初始位置不敏感,具有很好的鲁棒性。

基于归一化割的颅脑MRI肿瘤提取算法

颅脑核磁共振图像(MRI)的肿瘤图像由于自身对比度较低、肿瘤边缘模糊以及肿瘤形状复杂等因素,导致其难以被准确提取。为此,提出将归一化割算法和基于符号压力(SPF)函数的活动轮廓模型相结合,对颅脑MRI肿瘤进行提取的算法。利用基于SPF函数的活动轮廓模型,实现对归一化割算法提取肿瘤边缘的收敛,通过设置收敛的迭代次数和光滑系数完成对颅脑MRI肿瘤边缘的收敛速度和形状的控制,使最终曲线停止于真正的肿瘤边缘。仿真结果表明,该算法克服了肿瘤形状变化及对比度等因素对肿瘤提取的不利影响,能稳定而准确地提取颅脑MRI肿瘤。

基于空间信息熵活动轮廓模型的图像分割

为了克服噪声、弱边界和灰度不均匀现象对图像分割的影响,提出空间信息熵驱动的活动轮廓图像分割模型。该模型通过空间信息熵刻画图像灰度的变化,利用图像的全局统计信息来克服灰度不均匀性。并构造一种新的基于空间信息熵的符号压力函数来促使轮廓曲线向边缘靠近,最终停留在图像的边缘,完成对目标的分割。此外,该模型采用二值水平集方法求解,避免了繁杂的计算过程。实验结果表明,该模型可以克服复杂背景对图像分割的影响,实现快速准确的分割。

无需初始轮廓的快速图像分割模型

在图像分割领域中,几何活动轮廓模型是较成功的方法之一。但现有的几何活动轮廓模型大都需要为演化曲线定义一个初始位置,这容易导致图像分割结果受初始轮廓位置的影响。为此,结合图像的局部和全局信息构造一个新的符号压力函数,提出一个以偏微分方程形式存在的快速图像分割模型。所提模型形式简单,算法过程容易实现。实验结果表明,该模型允许常值初始化,无需初始轮廓即可快速分割三相图像、灰度不均图像、渐变图像以及深度图像等多类图像。

结合图像全局和局部信息的符号压力函数分割模型

仅采用局部或全局图像信息很难处理弱边界和噪声图像的分割问题,据此提出一种结合图像全局和局部信息的符号压力函数分割模型。首先,利用图像的全局和局部区域信息,分别构造全局和局部灰度拟合项;其次,将定义的全局拟合项与局部拟合项进行线性组合,构造一个混合符号压力函数;再次,重新定义气球力函数,以期达到自适应改变水平集演化速率的目的。数值仿真实验结果表明,该算法不仅能准确分割弱边界和多目标图像,而且分割速度很快且对噪声具有一定的鲁棒性。

基于模糊C均值的水平集活动轮廓模型

针对SPF模型的水平集函数初始化方式不灵活、容易发生边界泄漏的问题,提出一个新的基于模糊C均值的水平集活动轮廓模型.首先,用图像灰度值与两个模糊聚类中心的平均灰度值的差构造一个模糊符号压力函数,并证明它能够调节目标区域内外的压力符号,用模糊符号压力函数取代SPF模型中的SPF函数;其次,使用正则化的Dirac函数?(?)取代|??|;最后,使用高斯滤波平滑水平集函数.实验表明,提出的方法精确有效.

局部GAC模型在医学图像分割中的应用

针对基于区域测地线活动轮廓(GAC)模型很难准确分割灰度不均匀图像的问题,提出基于局部信息的GAC模型。该方法首先将图像区域进行局部化,来克服灰度不均匀对分割结果的影响,然后构造局部符号压力函数(ISPF)指导轮廓线在目标外部(或内部)收缩(或扩张)来完成分割。为了提高算法效率和稳定性,用二值水平集方法实现整个分割过程,避免了传统水平集数值不稳定性。实验结果表明,本文方法可以快速有效地分割灰度不均匀的医学图像。

小邻域统计信息核磁共振医学图像分割模型

目的提出局部统计信息测地线活动轮廓图像分割方法。方法该方法采用高斯分布拟合图像局部灰度统计特征信息,构造了方向性驱动项。在此基础上,建立了局部统计信息测地线能量泛函。通过极小化该泛函,来驱动演化曲线有序地向目标边界逼近,最后,整个分割过程采用二值水平集方法实现。结果本文方法降低了灰度不均匀信息影响,达到提取感兴趣区域轮廓目的,提高算法效率和稳定性。结论实验结果表明,该方法可以快速准确地分割医学感兴趣目标边界。