引入形状统计先验的轮廓提取的概率方法

提出了轮廓提取的概率方法,同时将物体形状的统计先验信息和轮廓线的平滑性结合到轮廓的概率估计中首先应用主元分析对低维空间概率采样生成高维形状统计分布的样本,根据形状样本得到轮廓控制点样本,而后结合描述平滑性的先验概率,运用序列蒙特卡罗方法实现轮廓估计对实际拍摄的人手图像的实验表明,针对特定的形状,该方法在杂乱背景。

一种基于统计形状先验的图像边缘增强新方法

针对图像尤其是医学图像的边缘模糊或者缺失对图像后续处理带来的影响,提出了一种图像增强新方法。该方法在各向异性模糊方法框架下,将统计形状的先验加入到演化的过程中,使演化过程中物体边缘模糊的部分被增强,缺失的部分被补充。方法首先使用基于曲率的各向异性扩散,在去除噪声的同时保留了物体的边缘;随后利用最大后验概率和统计形状先验对物体的轮廓进行估计,从而使物体边界模糊和缺失的部分得到了加强。实验使用不同部位的医学超声图像,结果显示该方法能够对物体边缘进行有效、快速的增强,为后续处理提供了很好增强方法。

集成非线性统计形状先验的M-S图像分割模型

为克服噪声污染、血管遮挡、光照不均匀、对比度小、个体间差异大等视网膜和视神经细微组织结构医学图像分割中固有的困难,提出了一种集成非线性形状先验的医学图像分割新方法.该方法首先采用非线性的核函数将目标先验形状窄带水平集映射到其核空间,然后在核空间进行主成分分析(PCA),以获取目标形状窄带水平集核空间的基底向量,并据此将目标形状先验知识集成到Mumford-Shah向量值图像分割模型,实现医学图像的分割.不同青光眼病人的视乳头图像分割实验结果表明,该方法能够有效地分割噪声大、对比度小且部分被血管遮挡的各阶段的青光眼病人视乳头图像.