结合区域生长与水平集算法的宫颈癌图像分割

针对宫颈图像病灶分割时的初始轮廓敏感问题和图像灰度不明显问题,提出一种新的改进的水平集算法。首先利用各向异性滤波算法等进行图像的去噪;然后在二值图像上使用区域生长算法,提取出粗糙的宫颈病灶区域;最后建立一种基于新的符号压力函数的水平集模型,对初始分割进行细化。该算法可以将局部信息与全局信息结合起来并自动分配局部信息与全局信息的比例。以3种统计指标为标准对该方法进行了评估,该方法在准确性、敏感性和特异性上可分别达到81.11%、63.97%和78.64%,分别比传统水平集算法高30.69%、15.15%和4.37%。因而,这种改进的水平集算法在实际应用中有一定的价值和意义。

基于区域生长和水平集的肝脏提取分割算法

为了克服传统的以单幅图像作为信息来源的水平集模型分割复杂背景图像的局限性,结合区域生长法和水平集方法各自的特点,提出了一种新的由多幅图像信息构建的水平集分割算法模型。在运用水平集方法分割人体腹腔图像前,首先运用本文提出的一种有效的区域生长法在腹腔图像中得到肝脏的粗略分割结果作为先验形状图像。通过先验形状图像在Chan-Vese模型下控制水平集的演化,使活动轮廓的先验形状信息融合到水平集分割算法模型中,同时,利用Li模型在人体腹腔图像中进一步获取肝脏的边缘信息。这种融合多幅图像信息的复合水平集分割算法模型能够充分利用图像信息,有效地描述水平集方法中活动轮廓与目标区域肝脏的关系。通过实验验证,提出的算法模型能够很好地从人体腹腔图像中提取出肝脏区域。

基于区域生长的肝影像分割系统的设计与研究

提出一种基于区域生长算法的肝脏CT影像分割方法,以减少在肝脏医学影像分割中由于对感兴趣区域分割不完整或过度分割导致的临床诊断失误问题。采用区域生长算法的邻接连续阈值法,实现对肝脏CT图像的分割,选取合适的种子点并在各个方向按照提前规定好的生长准则对各个像素点进行筛选分类,分割出感兴趣的区域,使用近百张不同的肝脏CT图像对算法进行训练和测试,完善在此技术之上开发出的系统功能模块。经过测试后,其分割成功率较高,几乎可以准确快速地分割出肝脏CT图像中感兴趣的区域,为临床医学中肝脏处病灶诊断提供可靠依据,避免诊断失误,具有实际应用意义。

基于改进的变分水平集和区域生长的图像分割方法的研究

针对水平集和区域生长方法都存在对噪声和初始边界敏感以及容易从弱边缘处泄露等不稳定的问题,提出了结合待分割目标灰度统计信息和图像梯度信息的水平集演化函数对水平集方法进行改进,并利用区域生长方法解决水平集方法对初始边界敏感的问题.分别用传统区域生长方法、阈值方法、GAC模型、C-V模型、Snake模型以及本文方法进行从腹部CT图像分割肝脏区域的实验比较,实验结果表明:本文方法不仅可以减少图像分割的时间,而且显著地提高了分割质量.

区域生长和水平集相融合的肺部CT图像分割

为将肺实质区域从含有背景、噪声的胸腔区域里分割出来,首先,应用传统的区域生长法初步定位肺部边界轮廓;其次,去除肺部边界噪声,采用自适应曲率阈值法修复肺部边界;最后,应用水平集法中的DRLSE模型精确地分割出肺部区域。融合两种方法分割肺部区域,有效防止了图像边缘的漏检,可处理多种类型病变的肺部图像。在随机抽取的150例图像中,分割的准确率达到96.9%,分割一幅图像花费的时间约为0.72 s,具有很强的鲁棒性和较高的分割精度。本算法能精确完整地分割出肺部区域并保留了肺区内的细节信息。

基于区域竞争的水平集快速图像分割算法

从曲线演化的角度提出一种基于贝叶斯(Bayesian)区域统计和区域竞争的自适应变分图像分割模型,该模型使用水平集描述曲线和区域,得到基于Bayesian区域统计信息的能量函数,利用区域竞争曲线演化模型推导出一种快速曲线演化偏微分方程,实现了图像分割。该方法可以同时提取出多类目标,算法具有快速、分割精度高的特点,且易于综合纹理、形状等多种信息对模型进行扩充。此外,能量函数和曲线演化方程是相对独立的,对于不同类型的图像可选用不同的概率模型。实验表明,该方法是一种快速、有效、新颖的图像分割方法。

结合水平集和区域生长的脑MR图像分割

本文提出了结合改进的水平集和区域生长方法实现脑MR图像分割,并根据不同组织成像特征和组织结构特点采用不同算法分割进行了探索。主要步骤:首先用改进的水平集算法实现图像中骨组织和脑脊液(CSF)的提取;然后,依据直方图确定脑灰质(GM)、脑白质(WM)的近似灰度值,自动定位种子点后进行区域生长,实现脑灰质和脑白质的分离。实验结果表明,该方法充分利用了脑MR图像中的区域信息和边界信息,与传统单一算法分割脑MR图像相比,具有更强的鲁棒性和准确性。

一种用于前列腺区域分割的改进水平集算法

前列腺区域的精确分割是提高计算机辅助前列腺癌诊断准确率的重要前提.本文提出了一种新的精确的前列腺区域分割模型,分为4个步骤:首先,读取T2加权磁共振(MR)图像;其次,利用半径为5个像素的8邻域模板(8×5)的局部二值模式(LBP)特征模板计算前列腺磁共振图像的LBP特征图;然后,利用改进的距离正则化水平集(DRLSE)模型对特征图进行分割,提取前列腺粗轮廓;最后将原始水平集能量函数进行优化,构造一个新的能量函数,提取局部灰度信息和梯度信息,并在此新的能量函数的基础上,将粗轮廓迭代演化为最终的细轮廓.本文将该模型在203组来自于国际光学与光子学学会-美国医学物理学家协会-国家癌症研究所(SPIE-AAPM-NCI)前列腺MR分类挑战数据库的T2W磁共振图像上进行了测试,并与医生手工分割结果进行了比较,结果表明本文提出模型得到的分割结果的Dice系数为0.94±0.01,相对体积差(RVD)为-1.21%±2.44%,95%Hausdorff距离(HD)为6.15±0.66mm;与文献中现有的分割模型相比,使用本文提出的模型得到的前列腺区域分割结果更接近于手工分割的结果.

基于局部区域与水平集正则化的图像分割方法

图像分割作为图像处理的基本问题之一,在计算机视觉领域正在接受着越来越大的挑战.该文引入了分片常数水平集函数思想,将图像的不同区域用不同常数近似,避免了分割过程中不断初始化水平集函数及水平集初始化位置微小变化造成分割效果不同的问题.局部区域能量函数的使用更适用于灰度不均匀图像的分割.此外,所提方法能量泛函是局部凸且可微的,分割法对噪声含量较大图像具有明显的优势.充分的实验结果验证了所提方法更高效.

结合灰度共生特征和水平集算法的宫颈醋白区域分割

肉眼醋酸实验是宫颈癌筛查的重要手段,使阴道镜设备具备自动识别醋白区域的功能是解决在临床上缺乏有经验医生这一难题的有效方法。针对这一目的,提出了一种建立在灰度共生特征矩基础上的CV模型水平集算法。该方法首先使用k-means聚类从肉眼醋酸实验后的原始宫颈图像中分割出宫颈区域,继而利用合成的灰度共生特征矩对宫颈区域进行醋白特征提取并获得待分割的特征图,最后使用改进的CV水平集算法对特征图进行分割并得到醋白区域。实验结果显示:改进后的CV水平集算法比传统CV水平集算法的敏感度在平均值上低26.6%,比分水岭分割高47.6%,比模糊聚类分割高11.23%;其特异性在平均值上比水平集分割高29.45%,比分水岭分割低11.64%,比模糊聚类高45.23%;而以Jaccard Index(JI)统计的精度指标在平均值上比传统CV水平集算法高19.74%,比分水岭算法高23.27%,比模糊聚类高38.11%。该新方法在总体性能指标上精度更高。

基于稀疏场水平集的荔枝图像分割算法

为了给采摘机器人提供完整的荔枝果实轮廓,该文选择HSV彩色空间中色调H分量的旋转分量作为图像分割的特征;然后,通过模糊聚类算法自动获取合适的初始演化曲线轮廓,再利用稀疏场水平集方法对目标区域轮廓进行精确提取;最后,对分割的区域进行标记,并利用图像标记来恢复分割区域的原始图像。结果表明,该算法不仅很好地克服随机噪声的影响,而且很好地保持果实区域的完整性,使成熟荔枝分割的正确率达到了84.1%。

基于颜色信息与区域生长的图像分割新算法

提出了一种新的结合了颜色特征与区域生长的彩色图像分割算法B-JSEG．该算法是在彩色图像分割的JSEG算法和边缘检测中的方向算子的基础上实现的．根据已有算法的缺陷，利用新的参数描述纹理颜色信息，并通过区域增长和合并来获得最后的分割结果．由于在JSEG算法中加入了方向算子，同时考虑了区域的相似性和边界的非连续性，减少了过分割．大量图像的实验结果表明，所提出的算法具有很好的鲁棒性，比JSEG算法更符合人类的视觉感知．

基于纹理特征的多区域水平集图像分割方法

现有多区域水平集方法大多利用复杂的能量函数来驱动多个水平集函数的演变,这样不仅模型复杂且存在很多限制.为此本文提出一种基于纹理特征的多区域水平集方法,利用任意数量的水平集函数来对相应数量的图像区域进行分割.本文首先对图像的颜色和纹理信息建立联合分布并将其代入能量函数;引入平滑概率标签,根据概率性质建立基于标签驱动的多区域水平集迭代更新方程.之后将每个水平集投影到离散概率空间得到一系列近似标签,并由这些标签得到基于多区域水平集的先验概率,从而将多个轮廓演变信息代入统计框架.而不同区域的统计参数也通过最小化能量函数由概率标签迭代更新.通过与其他分割算法在大量复杂实景图像上的实验对比,验证了本文算法的有效性.

基于改进水平集和区域生长的轮廓提取方法

以人体大脑海马切片序列为研究对象,提出了基于目标灰度差异的水平集方法,该方法克服了水平集方法用于提取海马轮廓时边界易停留在背景梯度局部极值处的问题。同时为了避免传统区域生长人工定义阈值的盲目性,将水平集分割后的图像的标准差作为阈值进行自适应区域生长,获得了海马的轮廓。通过理论分析与实验验证,提出的方法能够有效地滤除非目标区域对海马目标的干扰,获得了较好的分割效果。

一种新的窄带快速区域水平集C-V模型图像分割方法

Chan-Vese提出了区域水平集图像分割C-V模型,该模型随着水平集函数的演化,演化曲线能自然地改变其拓扑结构,因而在很多研究领域有着广泛的应用,特别是在图像分割、目标跟踪领域取得了显著的效果。基于区域的水平集函数比基于梯度的水平集函数在抗噪声方面也表现得更优秀,但是其演化水平集函数也更复杂,主要缺点是演化速度特别慢,限制了在大型高分辨率图像分割中的应用。针对此问题,提出了一种窄带快速区域水平集C-V模型,即先利用C-V水平集在低分辨率的图像上检测出大致的边缘,然后映射到高分辨率的图像上,在其边缘的一个窄带内检测更为精确的边缘,其检测速度有了很大的提高。采用高分辨率的大型合成孔径雷达(SAR)遥感图像进行的实验证明了该方法能够快速而有效地提取出海岸线,满足工程中的实际应用。

基于阈值区间的水平集算法在耳蜗分割中的应用

为了获取独立的三维耳蜗模型,提出了一种交互式、半自动、由粗到细、结合三维显示反馈的耳蜗分割方法.浏览二维切片,调节图像强度区间并选取感兴趣区域,从颞骨螺旋CT(computed tomography)图像中对耳蜗进行粗分割;采用基于阈值区间的三维水平集(level set)分割算法对耳蜗进行细分割.应用可视化技术,对分割结果进行实时显示,显示结果作为用户进行参数调节的参考依据,经过多次人机交互,直至获得满意的分割结果.利用临床颞骨螺旋CT图像进行耳蜗分割实验,结果表明该方法适合于分割结构复杂且表面光滑的目标.

基于窄带多区域水平集方法的遥感图像分割

由于遥感图像存在边缘混叠等问题,经典的C-V模型会产生大量的冗余轮廓,而且无法分割多个同质区域的目标。为此,提出了基于C-V模型的窄带多区域水平集图像分割方法,采用N-1个水平集函数将图像分割成N(N>1)个区域,每个水平集函数表达一个区域。该方法一方面通过建立独立多区域水平集模型可以消除多余的轮廓,避免分割区域的重叠和漏分;另一方面应用窄带技术来减小水平集方法中的计算量。对遥感图像进行了实验,结果表明该方法能快速有效地分割该图像。

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。

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。

一种基于水平集的脊柱MRI图像分割算法的研究

水平集方法应用于图象分割的曲线或曲面进化问题 ,是一种稳定有效的数值计算方法。本文基于水平集方法提出了一种新的医学图像解剖轮廓分割算法 ,定义了一种用于终止进化的速度函数 ,构造了一种基于领域的进化方式。并对脊柱MRI图象进行了分割实验。得到了令人鼓舞的结果。表明了该种算法的可行性和有效性。