基于C-V模型的改进快速水平集图像分割法

针对水平集方法计算复杂度高,无法满足实时系统要求的缺陷,提出一种改进的快速水平集算法。该算法对快速水平集算法进行简化,采用单链表表示轮廓曲线。利用C-V模型的二值拟合项来设计曲线演化的速度函数,保留了C-V模型的全局优化特性。还给出了一个基于单链表中轮廓点个数变化的水平集演化终止准则。该算法不仅明显提高了分割速度,且对噪声图像也能实现高效的分割。

一种基于交互式快速水平集的阴影图像分割算法

因受光源等条件的影响,采集的原始图像常常存在着阴影,用传统的水平集方法分割图像,常把阴影误认为是目标.以带阴影的栗属(板栗)果实图像为例,提出一种交互式快速水平集方法实现图像分割.实验结果表明:该算法能够得到正确的阴影图像的分割结果,具有更佳的图像分割性能.

基于高斯分布估计的快速水平集分割方法研究

传统的CV模型只能用于分割灰度分布比较均匀、目标与背景灰度均值差异较大的图像,且因需要求解偏微分方程导致分割速度很慢.文章在传统快速水平集分割模型的基础上,将高斯分布估计引入速度项,使得快速水平集可以分割复杂的目标,并将HIS空间中的色调分量与强度分量进行融合,得到了一种彩色高斯快速模型.新算法具有分割速度快、可分割复杂目标的优点.

基于HSI空间彩色差的快速水平集分割方法

为提高分割速度、改善分割效果,从两方面进行改进:首先对传统的快速水平集分割进行改进,得到基于CV模型的快速水平集;其次,通过引入HSI空间中的彩色差概念,建立一种新的、尤其适合彩色图像的快速水平集分割方法。实验表明,新提出的基于HSI彩色差的快速水平集分割方法,对彩色图像具有良好的分割效果。与传统水平集分割相比,新方法在分割性能和运算时间两方面均有明显提高。

基于FCM聚类算法的快速水平集图像分割仿真

为解决当前水平集图像分割方法中由于噪声过高引起的聚类和分割效果差的问题,提出基于FCM聚类算法的快速水平集图像分割方法。在水平集图像分割中引入聚类能量和正规化能量概念,结合小波变换方法抑制图像中的噪声;利用FCM聚类方法设计图像分割模型,利用模型进行模糊聚类以及交替曲线平滑过程,获取能量泛函的极小值,以达到快速水平集图像分割的目的;改进模型中边界截止函数,并通过灰度值与隶属度之间的关系修正已分割图像的边缘信息,提高分割质量。实验结果表明,所提方法能够有效降低噪声对分割结果所产生的影响,获取理想的图像分割结果。

一种改进的快速C-V水平集红外图像分割

当红外图像中包含较强噪声时,C-V模型水平集分割方法会产生大量冗余轮廓;同时,C-V水平集采用偏微分方程(PDE)实现,存在计算量大、分割速度慢的缺点。为此,本文提出了改进的快速算法,该算法保留了C-V模型的全局优化特性,并通过窗口滤波整合图像邻域空间信息来构建曲线进化的外部速度,从而提高C-V模型的抗噪性并减少分割中产生的冗余轮廓;采用基于双链表的快速水平集算法来实现曲线的演化,去除了传统算法中的重新初始化和PDE求解的过程,减少了迭代步数,提高了分割的速度。实验结果表明,本文算法对边缘模糊、噪声较大的红外图像能实现快速而有效的分割。

局部区域拟合的快速水平集图像分割方法

目的由于灰度不均匀图像在不同目标区域的灰度分布存在严重的重叠,对其进行分割仍然是一个难题;同时,图像中的噪声严重降低了图像分割的准确性。因此,传统水平集方法无法鲁棒、精确、快速地对具有灰度不均匀性和噪声的图像进行分割。针对这一问题,提出一种基于局部区域信息的快速水平集图像分割方法。方法灰度不均匀图像通常被描述为一个分段常数图像乘以一个缓慢变化的偏移场。首先,通过一个经过微调的多尺度均值滤波器来估计图像的偏移场,并对图像进行预处理以减轻图像的不均匀性;然后,利用基于偏移场校正的方法和基于局部区域信息拟合的方法分别构建能量项,并利用演化曲线轮廓内外图像灰度分布的重叠程度,构建权重函数自适应调整两个能量项之间的权重;最后,引入全方差规则项对水平集进行约束,增强了数值计算的稳定性和对噪声的鲁棒性,并通过加性算子分裂策略实现水平集快速演化。结果在具有不同灰度不均匀性和噪声图像上的分割结果表明,所提方法不但对初始轮廓的位置、灰度不均匀性和各种噪声具有较强的鲁棒性,而且具有高达94.5%的分割精度和较高的分割效率,与传统水平集方法相比分割精度至少提高了20.6%,分割效率是LIC(local intensity clustering)模型的9倍;结论本文提出一种基于局部区域信息的快速水平集图像分割方法。实验结果表明,与传统水平集方法相比具有较高的分割精度和分割效率,可以很好地应用于具有灰度不均匀和噪声的医学、红外和自然图像等的分割。

基于圆形约束快速水平集的原生质体细胞分割

原生质体细胞的显微图像具有边界模糊、内部分布不均匀的特点,利用传统分割方法较难取得理想分割效果。针对原生质体细胞的圆形特点,在快速水平集分割算法中加入圆形先验知识,提出一种新的基于圆形约束的快速水平集模型。为解决多个原生质体细胞分割问题,首先对图像进行预分割,然后利用多个水平集表示的圆形约束快速模型进行再分割。对传统快速水平集进行改进得到一种基于直方图统计的快速水平集模型,利用该模型进行预分割可以取得较好的效果。对多个不粘连细胞和多个粘连细胞,分别采用八链码跟踪法和随机霍夫圆检测法对预分割后的目标区域进行分裂。实验结果表明,本文快速水平集算法可以有效地解决单个及多个原生质体细胞分割问题。

融合多尺度分析和水平集的交互式图分割方法

针对快速水平集算法用于图像分割时,存在水平集初始化和阈值设置的困难,该文提出一种融合金字塔模型、随机游走及水平集(PYR-RW-LS)的新算法。首先将多尺度分析引入随机游走算法,把分割结果作为快速水平集算法的初始化曲线,解决其初始化问题;接着把水平集演化看成对曲线上的点不断进行模式分类的过程,引入贝叶斯分类决策和最小距离分类决策交替工作,产生曲线演化所需的驱动力,同时将两种分类决策的失效条件作为新算法迭代停止的条件,解决了快速水平集算法阈值设置的困难。仿真实验结果表明:PYR-RW-LS算法比只采用模式分类思想的快速水平集算法拥有更高的计算效率,且在抗噪性方面亦优于随机游走算法,同时保留了随机游走算法对弱边缘不敏感的优点,尤其适用于大尺寸,高清晰度的图像处理。

集成轮廓跟踪

本文将跟踪看作是二分类问题,提出了一种基于Adaboost集成学习和快速水平集的轮廓跟踪算法。该方法首先在线地训练一个弱分类器的集合用以区分目标和背景,而通过Adaboost将集合中的各弱分类器组合成一个强分类器,并用于标定下一帧中的各像素的类别属性,从而确定快速水平集算法的速度函数,然后采用基于动态邻近区域快速水平集来演化目标边界曲线以实现目标的轮廓跟踪。为适应目标和背景的变化,在跟踪过程中在线训练新的弱分类器,而时间相关性则通过更新包含新弱分类器的集合来实现。实验结果表明,在摄像机运动、光照变化、部分遮挡或目标尺度变化等情况下,能实现刚体或非刚体目标的轮廓跟踪。

一种快速红外人体轮廓跟踪算法

为实现红外图像序列中人体轮廓的精确跟踪,提出了一种基于快速水平集的新算法.首先,在目标区域及其邻近背景区域带上,而不是在整个图像平面上,采用模式分类中的最近邻决策思想来构建快速水平集算法的速度函数;然后,采用基于动态邻近区域的快速水平集来演化目标边界曲线以实现目标的轮廓跟踪.实验结果表明,该算法能适应目标尺度的变化、目标的分裂或合并,并获得人体的精确轮廓.

基于显著性检测的图像简化

图像简化作为机器视觉、计算机视觉中的一项重要任务,对于提高网络传输效率、加速视觉算法分析处理具有重要意义.针对传统图像简化模型中存在的目标、背景不加区分及尺度效应等问题,提出了一种新的基于显著性检测的图像简化模型,模型首先采用MB+显著性检测算法计算图像的目标显著区域,然后在CIE Lab颜色空间中对L波段上的背景区域进行快速水平集变换,最后按照设定准则合并背景中的非主导区域并输出简化后的图像.

基于FLST变换的多尺度面状地物提取方法

提出了一种基于快速水平集变换(FLST)的多尺度面状地物提取方法。该方法利用FLST变换将图像分解为灰度水平集,面状体物由于在空间分布和灰度值上的相近,其相关信息很容易整体转移到水平集内;通过一种水平线Min/Max流方法对包含地物信息的形状进行多尺度边缘平滑处理,滤除图像中的细节信息,保持面状地物轮廓基本不变;最后进行重构图像,重构结果具有灰度分布分片恒定的特点,很容易从图像中获取目标地物的分布情况。对遥感影像中的典型面状地物,如农田、水域、积雪等,使用该方法进行了地物提取实验,提取结果与人工方法提取相比,其精确度均达到了90%以上。