基于改进的局部二值拟合主动轮廓模型的指静脉图像分割

对应用于图像分割的局部二值拟合(LBF)模型进行改进,提出一种加权全变分局部二值拟合能量泛函分割模型。改进后的模型在加权全变分分量中加入边缘停止函数,使得模型对边缘信息更加敏感,解决了指静脉图像对比度低、不易分割的问题。同时模型中采用正则化约束项,避免水平集函数的重新初始化,缩短了演化时间。对合成图像和真实指静脉图像的分割实验结果表明,本文模型比LBF模型具有更强的边缘细节分割能力,且不易陷入局部收敛,更加适用于指静脉图像的分割。

基于改进的水平集局部二值拟合模型车牌分割算法

本文提出了改进的LBF模型的轮廓演化能量函数,它结合了CV模型的能量项加快了演化速度,并在结合LBF模型中的局部均值信息的同时,引入图像的局部方差和全局方差信息.实验结果证明该方法能够提供准确的光滑的闭合的边界,精度可以达到亚像素级,系统的识别准确率高.

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。

基于区域相似度的局部拟合活动轮廓模型

针对局部二值化拟合(LBF)模型不能分割纹理图像和收敛速度慢等问题,提出一种结合局部拟合与区域间相似度的活动轮廓模型。该模型在LBF模型中引入基于图像梯度信息的加速因子和基于相似度局部拟合的相似项,通过在能量泛函中加入区域间灰度概率分布的相似信息,抑制图像噪声和提高分割准确度,引入梯度信息,能够放大目标轮廓附近驱动力,提高图像分割速度。实验结果表明,与LBF模型相比,该模型对噪声有较强的鲁棒性,能够分割纹理和灰度不均匀图像,且具有较高的分割速率。

一种新的结合图像梯度的局部活动轮廓模型

基于区域的局部二值拟合模型只考虑图像灰度的平均值统计信息,然而由于图像中的噪声改变了图像的灰度分布,该类方法对于包含大量噪声的图像往往很难获得理想的效果。为了提高模型对于噪声的鲁棒性,提出了一种结合图像统计信息和梯度信息的局部活动轮廓模型。该模型在图像灰度的统计信息的基础上,加入图像梯度信息,分别构造以高斯函数为核函数的局部二值灰度拟合能量和局部二值梯度拟合能量,得到最终的能量泛函,并通过最小化该能量函数,驱使活动轮廓向目标边缘演化。实验结果表明,基于图像灰度和梯度的局部活动轮廓模型能够有效克服图像中弱边缘以及强噪声对于分割结果的影响,其分割精度高于同类方法。

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。

结合全局约束函数的局部活动轮廓模型

局部二值拟合模型利用图像的局部平均灰度信息能够对强度非均匀的图像进行分割,但对于存在强噪声和对比度低的医学图像,仅用局部灰度均值不能得到正确的分割结果。针对该问题,提出一种改进的局部活动轮廓模型,在考虑图像局部均值信息的同时,加入图像的全局约束信息检测轮廓线外具有较大梯度幅值的像素点,采用水平集方法最小化能量泛函,使得演化曲线能够准确地停止在目标边界的位置上。实验结果表明,改进方法提高了对噪声的鲁棒性,且其分割精度较高。

基于全局LBF水平集模型的脑血管层次粗分割

考虑对脑血管进行三维分割具有一定难度,提出了一种基于全局LBF(Local Binary Fitting)水平集模型的脑血管层次化粗分割方法。首先,应用定向加权中值(DWM)滤波和各向异性扩散滤波去除脑图像噪声,同时保存血管边缘信息,在多尺度条件下局部梯度最大(LIGM)算法,应用灰度和梯度信息提取备选血管,基本实现脑灰质去除。然后,改进全局信息LBF水平集算法实现最大强度投影(MIP)图像分割,采用形态信息提取备选血管,剔除干扰组织。最后,融合两种方法实现脑血管粗提取。实验表明,层次化的分割方法可去除大部分不相关脑组织,包含直接双高斯统计模型中的所有分割血管信息。本项研究基于时飞磁共振血管造影(TOF_MRA)数据,相关研究结果可扩展到其它相似系统中。

基于改进活动轮廓模型的图像分割

针对图像分割中的灰度不均匀和轮廓初始化问题,提出一种基于区域的活动轮廓模型。将图像的全局信息和局部信息作为能量项驱动活动轮廓向目标边缘演化,以有效分割灰度不均匀图像,为保证图像分割的速度和精度,在能量方程中加入长度项和惩罚项,并采用梯度下降法得到该模型的最小化能量方程。实验结果表明,和局部二值拟合模型、局部图像拟合模型相比,该模型能分割灰度不均匀的图像,对初始轮廓曲线大小和位置更不敏感,且分割图像所需的迭代次数、迭代时间更少。

LBF活动轮廓模型的改进

LBF模型是一个著名的基于区域的活动轮廓模型。与PC(Piecewise Constant)模型不同,该模型引入了一个以高斯函数为核函数的局部二值拟合(Local Binary Fitting,LBF)能量。因为LBF能量能够获取图像的局部信息,所以LBF模型解决了PC模型不能处理灰度不均一图像的分割问题。提出了一个改进的LBF模型,它使用一个新的核函数代替高斯核函数。实验表明:与LBF模型比较,新模型减少分割时间约50%。

灰度不均的弱边界血管图像分割方法

针对灰度不均的弱边界现象通常发生在真实世界的图像中,可能会增加图像分割的难度,传统的局部二值拟合(LBF)模型分割方法需要建立复杂的数学模型,局部化属性也导致了该模型更容易陷入局部极值,且需要较多的算法迭代次数。为了克服上述缺陷,提出了一种新的图像分割处理方式,首先用形态学运算去除血管图像的背景,以达到增强图像的目标。然后对处理后的血管图像采用双边滤波器滤波,使用最大类间方差法(Otsu)进行分割,将最优阈值代入Canny算法中,进行再分割。实验结果表明,该方法不需建立复杂的数学模型和数值分析算法,可以用较少的迭代次数,对于灰度不均且弱边界的医学图像实现较好的分割。

基于局部熵的区域活动轮廓图像分割模型

为解决区域活动轮廓模型不能有效分割灰度不均图像的问题,提出了局部熵约束的区域活动轮廓模型应用于图像分割。首先基于局部熵信息将图像划分为两个特征区域,然后利用局部熵特征信息构造二值拟合能量,并与区域可放缩拟合(Region⁃scalable fitting,RSF)模型相结合,最后得到水平集演化方程。该模型考虑了图像灰度分布的聚集特征和局部区域统计信息,能有效处理灰度不均匀、弱边缘等图像分割问题,且对轮廓初始位置更具鲁棒性,医学图像实验结果验证了模型的有效性。

一种车牌字符定位分割算法研究

近些年,车牌识别技术在智能交通领域中发挥着重要作用,适用于停车场出入管理、高速公路监管及交通部门违章检测等方面,应用前景一片大好,得到社会公众的高度重视。传统的车牌定位算法对夜间车牌图像定位效果整体较差,文章提出了以支持向量机为基础的定位办法。为有效解决夜间环境中汽车车牌图像灰度分布不够均匀的实际问题,运用局部二值拟合模型(LBF)方法执行字符分割过程。统计实验结果发现,以上这种方法能实现精准定位,且能提供精准的光滑闭合式边界,精准度达亚像素级,系统的辨别精准度处于较高层次,有较高推广价值。

一种改进的夜间车牌定位和字符分割算法

针对传统的车牌定位算法对夜间车牌图像定位效果差的缺点,提出了基于支持向量机的定位方法;针对夜间车牌图像的灰度分布不均匀的缺点,采用局部二值拟合模型方法进行字符分割。实验结果证明该方法定位精确,对于包含车头灯或车尾灯的夜间图像,定位方法均有效,并且提供了准确的光滑闭合边界,精度可以达到亚像素级,系统的识别准确率高。

一种新的活动轮廓图像分割模型

基于区域的局部二值拟合模型在处理灰度不均匀图像方面有较大优势,但其只考虑原始图像灰度的平均统计信息,对于包含大量噪声的图像通常很难获得理想的效果。为克服上述缺陷,提出一种基于原始图像和差分图像统计信息的分割模型。该模型在原始图像灰度统计信息的基础上,加入差分图像信息,分别对原始图像和差分图像构造以高斯函数为核函数的能量方程,并运用梯度下降法求解,驱使活动轮廓向目标边缘演化。实验结果表明,与传统活动轮廓模型相比,该模型能正确提取含有噪声和信噪比低的图像,同时对初始轮廓曲线有更高的鲁棒性。

基于对偶方法和局部统计信息的快速图像分割

CV模型和局部二值拟合模型用于图像分割时往往只能得到局部最优解,且计算量大,分割速度慢。为此,引入一个变量,将其与已知变量组成对偶变量,并利用图像的局部统计信息,建立主动轮廓模型的对偶模型,实现图像的快速分割。针对合成图像、多目标物体图像和灰度不均匀的医学图像进行实验,结果表明,该模型能自动处理拓扑结构的变化,从而快速准确地分割图像。

基于LBF模型的斑点噪声图像分割

LBF模型的核函数的尺度函数是一个固定的任意值,不能实现在不同区域采用不同的尺度。不同点的灰度均匀性不同,因此仅用一个固定尺度的模型来计算不同区域的统计信息是不准确的。针对这一问题论文提出了自适应的高斯核函数,在图像的不同区域,采用不同的尺度参数,使图像的能量差更加明显。实验结果表明,论文提出的方法相较于传统LBF模型和CV模型,提高了斑点噪声图像的分割精度。

基于形状先验与轮廓预定位的目标分割

针对单帧图像中特定目标的分割一直面临着由于背景复杂和光照变化等因素带来的分割精度偏低的问题,提出一种基于轮廓预定位的先验局部二值拟合(local binary fitting,LBF)算法,用于人体上肢图像的分割.首先,利用浅层卷积神经网络对上肢形状模板进行筛选和预定位,得到分割目标的粗轮廓曲线;然后,利用基于先验形状的LBF算法对粗轮廓曲线进行演化,得到分割目标的精确轮廓曲线.实验结果显示算法的成功率在90%以上,表明该方法对于背景复杂和光照变化情况下的特定目标分割具有良好的效果.

一种血管约束的局部活动轮廓模型

活动轮廓作为一种重要的图像分割工具,近几年来在理论和应用方面都有很大的发展。然而,现有轮廓模型在处理灰度均匀性较差的图像时,通常存在较高的分割误差,并且对初始轮廓曲线位置敏感。为此,本文提出一种基于血管特征约束的活动轮廓模型,该模型首先使用局部相位(Local Phase)的血管增强算法对图像进行增强处理以生成一种不同于图像灰度的血管特征信息,然后将血管信息和图像灰度以线性加权的形式引入到局部二值拟合(Local Binary Fitting,LBF)能量泛函中,指导图像血管分割。基于视网膜血管图像数据(Digital Retinal Images for Vessel Extraction,DRIV)的实验显示:该模型能成功地从灰度分布不均匀和弱边界轮廓的视网膜图像中提取血管,分割灵敏度和准确性分别达到74.43%和93.67%,同时对初始轮廓曲线位置的敏感性大为降低。由上述可知,该模型具有高分割准确性和低初始位置敏感性。

改进的几何活动轮廓模型图像分割算法

针对C-V模型不能有效地分割多灰度级图像以及抗噪性不强的问题,分别引入了一个以高斯函数为核函数的局部二值拟合能量项和一个边缘停止函数。利用局部窗函数内的加权均值取代C-V模型的全局均值,并加入了距离函数补偿项,避免了水平集函数的重新初始化,同时将图像的边缘信息融入到C-V模型中,克服了传统的C-V模型无法利用图像梯度信息的不足。实验证明,改进的模型和LBF模型在血管图的分割的效果明显好于C-V模型,在分割时间上,改进的模型也少于LBF模型和C-V模型;对于灰度分布不均匀以及含有噪声的图像,无论是在分割的速度还是分割的效果上,改进的模型均明显优于C-V模型和LBF模型。