基于Chan-Vese模型的SAR图像分割

由于SAR图像存在较强的斑点噪声,使用Chan-Vese模型水平集分割方法会产生很多误分割。同时,水平集解法存在计算量大、分割速度慢的问题。在Chan-Vese模型基础上,增加新的内能项——距离正则项,得到了一种改进的曲线演化模型。避免了水平集函数的周期性更新,具有更大的迭代步长,从而加快分割速度,并且提高Chan-Vese模型的抗噪性。对该模型采用人工合成图像和真实SAR图像进行分割实验,通过比较,可看出改进模型具有较高的数值精度和较快的分割速度。对于噪声很强的图像,使用增强Lee滤波进行预处理,可以进一步提高改进模型的分割速度和效果。实验结果表明:改进Chan-Vese模型能高效快速地完成SAR图像分割,具有较高的抗噪性。

结合邻域信息的Chan-Vese模型图像分割

灰度异质图像广泛存在于日常生活及医学图像中,而现有方法不能很好地解决灰度异质图像的分割问题,为此提出一种结合邻域信息的改进Chan-Vese模型.首先通过计算找出邻域内与中心点属于同一类的点,其次将这些点与中心点的距离作为它们与中心点相似程度的权值进行累加,最后通过统计整幅图像中每个局部区域内各点与中心点的相似程度,加强了该模型对区域细节的捕获能力,实现对灰度异质区域的分割.实验结果表明,与Chan-Vese模型相比,文中模型可以准确地分割包含灰度异质区域的图像;与Piecewise Smooth模型相比,2个模型分割效果几乎相同,但文中模型的速度更快.

基于互信息和Chan-Vese模型的图像分割方法

针对多目标物体图像的分割问题,该文在Chan-Vese模型(C-V模型)的基础上,提出了基于互信息和Chan-Vese模型的图像分割方法。该方法结合多级分割的思想,引入了信息论中互信息的概念,替代多级分割中的灰度平均方差,将互信息量作为判断分割是否完成的标准。实验结果表明,该方法能够有效地解决多目标物体图像以及弱边界物体的分割问题。

自适应初始轮廓的Chan-Vese模型图像分割方法

Chan-Vese模型(CV模型)是一种在图像力和外部约束力作用下从初始轮廓向目标边界运动的变形曲线,在图像分割、边缘检测等研究领域得到了广泛应用。但由于图像个体差异性较大,目前针对CV模型中初始轮廓的自动提取问题研究较少。提出了一种基于视觉认知的自适应CV模型图像分割方法。该方法根据视觉注意机制和bottom-up的底层图像特征分析,自动获取图像中目标区域的先验形状信息,用于约束CV模型中的初始轮廓,在此基础上,构造一种简化的CV模型对图像进行分割。实验结果表明,该方法具有鲁棒性和自适应性,能够有效降低初始轮廓位置对活动轮廓模型的影响,显著提高模型的收敛速度,同时减少算法迭代次数。

Chan-Vese模型下的复合多相水平集图像分割

Chan-Vese模型(C-V模型)能够实现图像的二区域分割,但在多区域分割上存在局限。目前解决C-V模型多区域分割问题有两种方案:一是采用多水平集同时收敛的并行多相分割;另一种是采用多水平集依次收敛的串行多相分割。文中将两种方案结合起来,利用并行多相算法表示区域量大和串行多相算法分割效率高的特点,提出基于C-V模型的复合多相水平集分割算法,增加了串行结构下的分割区域量,也提高了并行结构下各水平集的实际分割效率。实验结果表明,该方法可实现多区域分割,并能检测由弱边缘构成的子目标。

基于Chan-Vese模型与形态学的医学图像分割算法

针对传统的多相Chan-Vese模型在进行多区域分割时容易产生空相位的问题,提出了一种改进的新的医学图像分割算法;该算法结合Chan-Vese模型、数学形态学、复合多相水平集分割算法,通过迭代腐蚀操作提取医学图像的轮廓,利用添加了复合多相水平集算法的Chan-Vese模型对医学图像进行分割,通过迭代膨胀操作复原图像;实验结果和分析表明,采用该算法很好地解决了医学图像分割过程中容易出现的多区域分割问题,减少了空相位的产生,而且对图像边缘有很好的分割效果。

基于自适应TV的Chan-Vese图像分割方法

自适应整体变分(Total Variation,TV)图像平滑模型能有效去除噪声,具有较强的图像保征能力。基于多相水平集的Chan-Vese图像分割模型能有效地实现多质图像的分割。将自适应TV图像平滑方法和Chan-Vese图像分割方法有机整合,提出了自适应TV的Chan-Vese图像分割方法。实验表明,该方法能得到较好的分割结果。

基于KFCM和改进CV模型的海面溢油SAR图像分割

图像分割是合成孔径雷达(synthetic aperture radar,SAR)图像海面溢油检测的关键步骤之一,将核模糊C均值(kernel fuzzy C-means,KFCM)聚类方法及Chan-Vese(CV)模型应用于海面溢油SAR图像分割,为了解决单一KFCM方法分割精度不够高,及传统CV模型对初始条件敏感和收敛速度低的问题,提出了一种基于KFCM和改进CV模型的海面溢油SAR图像分割方法。首先利用KFCM算法将海面溢油SAR图像从原始样本空间映射到高维特征空间,得到聚类结果;然后将其作为CV模型的初始条件,以降低CV模型对初始条件的敏感性,并利用图像边缘强度取代传统CV模型中的Dirac函数,以提高模型的收敛速度和对不同SAR图像的适应性。大量实验结果表明,所提出的基于KFCM和改进CV模型的海面溢油SAR图像分割方法具有分割精度高、运算速度快的优点。

基于改进C-V模型的乳腺肿瘤超声图像分割

提出了一种改进的C-V模型,完全避免了重初始化步骤并简化了初始水平集函数的构造,大大加快了分割速度。针对乳腺肿瘤超声图像灰度分布的特点和C-V模型分段常量的假设,提出了手工勾画粗略边界,再划分子图进行分割的半自动分割流程,不仅提高了分割准确性,同时也进一步提高了分割效率。实验表明,算法能高效准确地从超声乳腺肿瘤图像中提取出肿瘤的边界,为下一步的目标特征提取、分析打下了良好的基础。

一种加快Chan-Vese分割方法的有效措施

论文详细阐述了Chan-Vese(CV)方法的基础理论及其几何意义,分析了符号距离函数在水平集演化过程中的变化规律,在CV方法中引入约束符号距离函数的能量项,改进了原来的CV方法,最后通过实验说明了这种改进有效地提高了原算法的计算速度。

结合目标局部和全局特征的CV遥感图像分割模型

随着遥感卫星技术的发展,高分辨率遥感影像不断涌现。从含有较多信息、背景复杂的遥感影像中自动提取目标成为一个亟待解决的难题。传统的图像分割方法主要依赖图像光谱、纹理等底层特征,容易受到图像中遮挡和阴影等的干扰。为此,针对特定的目标类型,提出结合目标局部和全局特征的CV(Chan Vest)遥感图像目标分割模型,首先,采用深度学习生成模型——卷积受限玻尔兹曼机建模表征目标全局形状特征,以及重建目标形状;其次,利用Canny算子提取目标边缘信息,经过符号距离变换得到综合了局部边缘和全局形状信息的约束项;最终,以CV模型为图像目标分割模型,增加新的约束项得到结合目标局部和全局特征的CV遥感图像分割模型。在遥感小数据集Levir-oil drum、Levir-ship和Levir-airplane上的实验结果表明:该模型不仅可以克服CV模型对噪声敏感的缺点,且在训练数据有限、目标尺寸较小、遮挡及背景复杂的情况下依然能完整、精确地分割出目标。

基于改进变分水平集的红外图像分割方法

提出一种基于水平集的红外图像偏微分分割方法,通过改进Chan-Vese模型中的能量函数获得偏微分方程,该能量函数将红外图像边缘与区域信息相结合,取得了全局极小值,该能量模型对水平集初始曲线的位置不敏感,并可定位图像边缘。基于该模型的变分水平集分割方法可分割出红外图像目标。实验结果表明,该方法效果良好,便于下一步的红外目标识别与跟踪。

隐式曲面上两相图像分割的变分水平集方法

在平面图像分割的Chan-Vese模型基础上,提出隐式曲面上两相图像分割模型。用静态水平集函数的零水平集表达图像所在的闭合曲面,用另一动态水平集函数的零水平集与静态水平集函数零水平集的交线表达静态曲面上图像分割的动态轮廓线。所研究模型的能量泛函的数据项即为曲面上两分割区域的图像强度与对应区域平均图像强度的差的平方,其轮廓线长度项为两水平集函数的零水平集交线的长度。为避免动态水平集函数的重新初始化,在能量泛函中引入水平集函数为符号距离函数的约束惩罚项。通过变分方法得到图像分割空间轮廓线演化的梯度降方程。通过显式差分格式对演化方程进行离散。实验结果表明,该模型能有效实现复杂封闭曲面上图像的两相分割。

带标记线的心脏MRI图像分割方法

在分析带标记线的心脏MRI特点的基础上,提出了利用Gabor滤波与Chan和Vese模型相结合对带标记线的心脏MR I图像进行分割的方法。通过对带标记线的心脏MRI图像进行Gabor变换,把标记线分离出来,并且扩大心肌和血液之间的差异,再对变换后的图像用Chan和Vese模型进行分割。实验结果表明了该方法的有效性。

多相图像分割的多尺度变分水平集方法研究

由于传统的Chan-Vese模型无法分割多个同质区域的目标,多相水平集方法会产生区域重叠问题。提出了多相图像分割的多尺度变分水平集方法,使图像各相互相独立,避免分割区域的重叠和漏分。同时,利用小波变换将图像分解成多尺度的逼近子图像,在子图像上进行图像分割,采用插值法将粗尺度上演化曲线投影到细尺度上作为初始轮廓线,逐层分割直到原始尺度图像,有效抑制噪声并提高了计算速度。实验结果表明,该方法比传统的方法能更快速有效地分割图像。

塔式多相水平集三维医学图像多目标分割算法

由于Chan-Vese(C-V)模型采用的是单一水平集,所以只能通过水平集的符号表示目标和背景两个区域。当三维医学图像的目标区域含有复杂的子目标时,C-V模型将无法表示。为了解决C-V模型在表示三维子目标上的局限,首先将二维C-V模型拓展为三维模型;其次,依据同时明度对比提出了背景填充技术,理论上保证了轮廓曲面仅收敛于目标内部;再次,将该技术与三维C-V模型相结合提出了塔式多相水平集算法;最后,实验结果表明,本算法能够实现三维医学图像多目标分割(n-1次收敛可以实现n目标分割),并且能够检测由弱边缘构成的子目标。

一种改进的图像分割方法

分析了图像分割方法中Chan-Vese方法及其改进方法的不足,提出了一种图像分割的新方法。引入各向异性平滑项,并用差分法来求解水平集函数,因此在图像处理过程中既对噪声有较好的鲁棒性,又能更好地保持图像中较弱边缘的信息,提高图像分割的精度。实验证明,此方法比Chan-Vese方法及其改进方法有更好的分割效果。

心脏MRI图像快速分割方法

在分析心脏MR图像特点的基础上,提出了先对心脏MRI图像进行K均值聚类,把K均值聚类后的图像作为特征图像,在特征上用Song和Chan提出的快速分割方法进行粗分割,再用粗分割的曲线作为水平集的初始曲线,在心脏MRI图像上用Chan和Vese方法进行细分割的心脏MR图像分割方法。并对Song和Chan快速算法中扫描图像的区域进行了改进,提高了分割速度。分割实验证明,用该方法能够快速、准确地分割心脏MRI图像。

结合灰度波动信息与C-V模型的骨折股骨数字X线片分割

骨折股骨数字X线片具有拓扑结构复杂、灰度分布不均匀的特点,现有方法不能很好地解决此类图像的分割问题,为此提出一种结合灰度波动信息的主动轮廓模型.首先引入灰度波动的概念,获得图像水平方向上的灰度波动曲线;然后依据曲线单调区间对图像进行灰度波动变换;最后重新定义水平集函数,获得一种新的主动轮廓模型,实现对灰度不均匀图像的分割.实验结果表明,该模型能够有效地分割骨折股骨数字X线片,并获得了较高的分割精度.

基于Gabor小波的无边缘活动围道纹理分割方法

该文提出了一种基于Gabor小波的活动围道纹理分割新方法。该方法先用Gabor小波提取图像的纹理特征,再用Chan-Vese模型进行分割。与其它基于Chan-Vese模型的纹理分割方法相比,基于Gabor小波的活动围道的纹理分割方法有两个优点:一是同时使用纹理特征和灰度信息演化围道,可分割纹理图像和非纹理图像,分割方法的灵活性好;二是在分割多类目标时,采用多级分层式曲线演化方法解决了初始围道难以选择的问题。对自然界真实图像和遥感图像的分割实验结果说明,该文提出的分割方法精度高。