一种基于三维直方图的改进C-V模型水平集图像分割方法

对Chan-Vese提出的基于简化Mum ford-Shah模型的水平集图像分割方法(C-V模型)做了改进.传统的C-V模型仅将灰度同质(homogene ity)作为区域分离准则,这使其对于对比度明显的图像能够取得很好的分割结果,但单一的分离准则往往致使其在分割噪声信息丰富的、灰度分布复杂的医学、遥感以及自然图像等时产生大量的冗余轮廓.为此,本文在改善C-V模型全局优化特性的基础上,整合图像的灰度分布信息、邻域空间信息以及图像所固有的模糊信息构造三维向量(灰度值、模糊均值和模糊中值),提出了一种基于三维直方图的改进C-V模型水平集图像分割方法.自然图像和红外光学图像的试验结果证明了该方法的有效性.

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。

基于改进的C-V水平集模型的肺部轮廓提取算法研究

目的:有效且准确地提取肺部轮廓是自动计算心胸比例、判断心脏增大的一项很关键的步骤。胸片图像由于器官之间的灰度重叠以及病人体位的影响,肺部边缘不是很清晰,肺部区域内的灰度分布也不均匀,因此,对胸片图像肺部区域的分割具有一定的难度。本文提出一种基于改进的C-V水平集模型的肺部轮廓提取算法。方法:通过改进梯度函数及演化过程来提高算法的准确性和速度。结果:改进后的C-V水平集算法比原始算法的时间迭代次数减少1/3,时间大大缩短,演化效率提高,计算机自动分割速度加快。结论:实验表明,该算法简单高效,能提高图像分割的速度,适合应用于胸片肺部轮廓的提取,为自动计算心胸比率提供了较好的方法。

结合C-V模型水平集与形态学的彩色树木图像分割

树木图像分割是一种从图像中把树木与周围背景完整分离的技术,是计算机仿真学科在林业应用方面的核心内容,也是计算机视觉方向的研究热门,为林业应用提供一定的技术支持。根据树木图像含有分裂、合并、形成尖角等相对比较复杂形状的特点,首先对图像运用基于C-V模型水平集的计算,通过计算活动轮廓长度和差异量来判断迭代收敛的情况,待迭代稳定后对其进行形态学后处理操作,将某些过分割区的细密纹理和噪声剔除,从而得到全局最佳优化的图像分割效果。为彩色树木图像的分割提供一种更为有效的方法。

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。

基于C-V模型的水平集方法在脑CT图像分割中的应用

阐述了C-V模型和多相水平集算法的原理。在分析了其优缺点后,引入了多阈值单水平集算法。并针对其不足,将李纯明惩罚函数项引入到多阈值单水平集算法,提出了无需重初始化的多阈值单水平集算法。实际结果表明,算法在保证分割精度的基础上,能够有效提高算法效率。

基于模糊聚类和C-V模型的水平集方法图像分割

提出一种基于水平集方法的MSCT冠状动脉分割模型。首先在CT数据中进行模糊聚类的预处理,提取聚类信息和隶属度矩阵;然后应用聚类信息指导水平集方法初始轮廓的选取,用C-V模型进行冠状动脉的提取,完成图像分割。实验结果表明,上述方法具有较高的分割精度,分割重叠率相比传统方法提高了11.82%,可用于临床辅助诊断冠状动脉性心脏病。

一种改进的水平集主动轮廓模型

通过统计具有图像增强能力的局部区域信息,提出了一种改进的水平集主动轮廓模型.结合非负核函数和具有矫正图像误差特点的灰度集群思想,定义了一种新的符号压力函数(SPF),此函数能够很好处理灰度不均匀、对象边界不明确的问题.并且,引入惩罚项,确保水平集函数的适应性.真实图像和合成图像的实验结果表明,该模型收敛迅速,具有抗噪性,对分割目标图像敏感,能够处理弱边界的多目标图像.

基于C-V模型的运动目标水平集提取方法

针对视频图像中的运动目标检测问题,提出了一种基于C-V模型的运动目标水平集提取新方法:使用改进的帧间差分法对运动区域进行初始检测,通过相邻视频帧的相减,选用自适应阈值判断出当前视频帧中的运动目标像素;经形态学处理后通过定义最小化能量函数构建运动目标轮廓提取的水平集C-V模型,实现运动目标轮廓的提取。实验结果表明,本文所提方法的边缘准确率和检出率更高,能够更有效地提取运动目标。

基于C-V和GAC模型的水平集图像分割

经典的活动轮廓模型主要有基于边界信息、基于区域信息以及两者相结合的活动轮廓模型,而测地线活动轮廓模型即GAC（Geodesic Active Contour）模型和C-V（Chan-Vese）模型分别是基于边界信息和基于区域信息的活动轮廓模型中具有代表性的模型,通过实验表明,两种模型各有各的优点也存在各自相应的局限性,对此该文进行了详细的总结,针对两者的局限性有学者提出两者结合的CV-GAC模型,在该文中进行了三者的实验对比分析,实验结果表明CV-GAC模型取得了较好的分割效果。

改进的可变模糊集模型在区域水平衡测试计算中的应用研究

文章引入改进的可变模糊集模型,将其用于辽宁西部区域水平衡测试研究中。研究结果表明:改进的可变模糊集模型由于加入变量熵权集对分析法计算各变量要素之间的相对关联度,在区域水平衡测试计算更加合理客观,并可实现区域水平衡测试多目标、定量计算。研究成果对于区域水平衡测试分析技术提供参考价值。

基于改进型C-V模型的植物病斑图像分割

针对植物病斑图像背景复杂且分割难问题,提出一种基于水平集和加权颜色信息的C-V模型。借助水平集方法对病斑图像的R、G、B分量图像颜色信息取加权值,以差分图像能量作为能量函数最终值,以适应不同的病害种类。试验结果表明,经过R、G、B加权的黄瓜红粉病病斑图像使用4R-G图像模型、苹果锈病病斑图像使用3R-G-B图像模型自动分割的效果较好,比传统C-V模型分割性能好,抗噪性好,可扩展性好。

基于改进C-V模型的脑组织提取算法

通过对水平集算法C-V模型进行三方面改进,提出一种基于改进C-V模型的脑组织提取算法.首先,通过改进经典的距离函数,在保证准确度的同时,可以在很大程度上加快距离函数的收敛,提高分割速度.其次,改进了收敛结果的唯一性,使边缘停止在欲提取的目标类灰度上,用于去除脑脊液,使脑灰质、白质的提取更加准确.最后,提出了迭代收敛的动态结束条件.通过间隔帧的对比,改进了以往通过经验迭代次数作为结束条件,使分割效果与迭代时间达到较优.实验结果表明,该算法在脑组织的分割速度及准确性上有了较大提高,为医生确诊病情带来便利.

基于Chan-Vese水平集的梯度加速分割模型

为了提高图像分割的速度和精度,提出了一种新的基于Chan-Vese水平集模型(C-V模型)的梯度加速分割模型。首先,在C-V模型的能量函数中加入一个内部能量项,抵消演化过程中水平集函数和符号距离函数的偏差,从而消除分割中周期性重新初始化的过程;其次,提出了梯度加速项,通过感兴趣区域的图像特征,快速得到该区域的边界,且能够提高弱边界的分割精度。实验证明,提出的方法不仅能够加速特定区域的分割、提高分割精度,还能保持分割过程的稳定性。

基于改进水平集的医学图像分割

针对C-V法的水平集图像分割法缺少局部控制能力等问题,提出了基于物体边界梯度的指数级加速因子模型,通过使用局部图像信息,该模型可以在较少的迭代次数内分割灰度不均匀图像。在规则化项中引入能量惩罚项,消除了传统Chan-Vese模型的重新初始化操作。此外,给出了一个基于演化曲线长度变化的水平集演化终止准则。实验结果证明,该模型不仅能有选择性地对特定目标进行加速分割,而且还能提高弱边界目标的分割精度。

改进C-V模型的CT图像肺结节分割方法研究

医学图像分割技术是现代图像处理领域的重难点,简化分割步骤、优化分割算法都将给医疗技术的发展带来极大的飞跃。基于对水平集演化理论的探讨,该文对Chan-Vese模型进行了分析和改进,结合CT图像中肺结节的特点,提出一种结合区域信息和边缘信息,并基于小波高频分量的改进C-V模型的肺结节分割算法。在目标函数中从速度、图像灰度不均匀性和收敛精确度上改进,引入多个约束项和小波高频分量边缘检测函数,以利于达到优化的分割效果。实验表明,该分割方法可以从肺部CT图像中有效地分割出肺结节区域,对肺癌的筛查和诊断有重要价值。

基于改进C-V模型的辣椒病斑图像分割

针对辣椒叶部常见病斑图像存在背景复杂且不易分割的问题,对传统的C-V模型进行改进,根据辣椒病斑图像的特征,首先对病斑图像的RGB颜色分量和通道权重系数进行加权处理,接着用差分图像能量进行计算处理,最后,通过水平集演化方程获得病斑的分割曲线。实验测试表明,经过改进的C-V模型对辣椒病斑图像分割的效果比传统C-V模型及K-means方法分割的效果和抗噪性好。

基于局部C-V水平集的CT肝脏病灶提取

本文针对肝脏CT图像的特点,提出一种局部C-V模型水平集算法对肝脏病灶进行分割。该算法首先在肝脏内部选择包含病灶的局部图像,再采用局部最大类间方差法进行预分割,根据最佳阈值确定初始水平集,最后采用局部C-V模型对初始轮廓曲线进行演化。实验结果表明该方法能较好地提取出肝脏病灶。

基于AOS格式的水平集快速分割模型

针对C-V图像分割模型提出了一种快速分割模型。首先引入一种新的内部能量函数,即以水平集函数与距离函数的偏差作为能量函数,无需重初始化水平集函数,且初始水平集函数可以用一般的分段函数来定义,节省了初始化和重初始化过程所消耗的时间。其次计算格式采用AOS格式,该差分格式无条件稳定。实验结果表明了该分割模型的有效性。

基于局部Chan-Vese模型的超声颈动脉图像水平集分割方法研究

对超声主颈动脉(Common Carotid Artery,CCA)横向图像中血管的内外膜进行分割,分割结果可用于对斑块大小、厚度和形状的定性估计及定量测量。首先选用局部C-V(Local Chan-Vese,LCV)模型对外膜进行分割,而用C-V模型对内膜进行分割,并引入内外膜距离限制项来提高内膜分割准确度,同时使用稀疏场方法(Sparse Field Method,SFM)提高水平集算法的效率,最后通过全正交法(Full-Orthogonal Method,FOM)、射线法、相似系数分析法等多种评价方法对分割结果进行分析。实验结果表明,LCV模型可有效地分割颈动脉血管外膜,而C-V模型可有效地分割血管内膜,改进方法提升了程序运行速度并且提高了内外膜的分割精度。