水平集演化中的奇点与改进的窄带算法

对保持距离函数约束的水平集演化过程作了系统的分析,提出了奇点的概念,并给出了奇点的重要性质及其证明,详细分析了奇点在水平集演化过程中的数值影响.在此基础上对窄带算法作了改进,以避免奇点的不良影响,同时窄带宽度具有自适应性.实验结果表明,改进的窄带算法具有较好的鲁棒性.

基于水平集演化与遗传优化的缺陷检测算法

为了解决当前工件缺陷微弱、图像坐标多变，导致缺陷检出率不高的问题，分别从系统软硬件架构和图像处理算法分析的角度出发，提出了基于水平集轮廓线收敛与遗传算法的工件缺陷检测算法。首先。搭建线阵采集模组、工件流水线和视觉缺陷检测软件之间的逻辑架构，达到可用于制造现场的系统要求。然后，根据水平集能量场对目标边缘的探测敏感度，设定初始轮廓线，以优化轮廓线收敛方程，完成缺陷目标边缘的定位。最后，进行遗传算法分析，优化分割阈值精度，达到对缺陷轮廓的精分割。实验测试结果显示：与当前缺陷检测算法相比。基于水平集演化与遗传优化的检测算法拥有更高的检出能力。

改进的变分水平集演化的图像分割算法

提出了一种改进的变分水平集分割算法。引入演化曲线内外灰度图像的中值代替传统CV(Chan_Vese)模型中的均值作为曲线拟合中心。在轮廓初始化后,采用最大类间方差(OTSU)方法改进曲线拟合中心,将最大类间方差与拟合中心结合,提高分割的准确率和适应性。加入双阱势的距离正则项以避免水平集重新初始化,提高效率,从而得到一个自适应阈值与区域信息相结合的水平集演化模型。

基于水平集演化和支持向量机分类的高分辨率遥感图像自动变化检测

提出了基于水平集演化和支持向量机(SVM)分类的高分辨率遥感图像变化检测方法,该方法将像素级的和对象级的变化检测方法相结合,运用了像素特征和对象特征以提高变化类和非变化类的准确率。在像素级上,变化检测问题转化为水平集演化的图像分割问题。在对象级上,本文可以从分割结果中为SVM分类器自动地选择潜在的训练样本。最终将基于像素级的变化和基于对象级的变化相结合得到最终的变化结果。所提出的方法的主要优势在于可以自动选择合适的样本进行SVM分类器训练。此外,提出的方法可以有效的提高精确度和自动化水平。通过SPOT5图像和航空图像进行实验,结果表明该方法是有效的。

基于双边滤波-距离正则化水平集演化算法的甲状腺超声图像分割

超声图像有斑点噪声,且对比度低、边界模糊,所以甲状腺超声图像分割较为困难。针对此问题,本研究提出一种结合双边滤波(bilateral filters,BF)和改进边缘指示函数的距离正则化水平集演化(distance regularized level set evolution,DRLSE)模型的分割算法。先对甲状腺超声图像进行双边滤波,然后采用改进的DRLSE模型对甲状腺进行分割。通过与采用另外两种边缘指示函数的DRLSE模型对比,本研究提出的BF-DRLSE模型能减少斑点噪声对分割过程的影响,并在明显减少曲线演化运行时间和迭代次数的情况下有效分割甲状腺。

距离保持水平集演化模型的快速实现算法

针对梯度下降法收敛性较差、对局部极小值比较敏感的问题,提出一种改进NAG算法,并以此替换距离保持水平集演化(DRLSE)模型中的梯度下降算法,进而得到一个基于NAG的图像快速分割算法。首先,给出初始水平集演化方程;其次,用改进NAG算法计算梯度;最后,对水平集函数进行不断更新,从而避免水平集函数陷入局部极小值。实验结果表明,与DRLSE模型中的原算法相比,所提算法迭代次数减少了约30%,CPU运行时间减少了30%以上。该算法实现简单,能够对实时性要求较高的红外图像、医学图像进行快速、有效的分割。

基于双区域演化水平集的图像分割方法

针对图像由于光照不均引起的灰度不均匀导致图像精确分割困难的问题,提出了一种双区域水平集演化(DRE)方法用于图像分割。双区域水平集演化方法介绍了局部区域控制项和矩形的初始化轮廓,能够快速地分割灰度不均匀图像,加快曲线演化速率。为进一步消除噪声对图像的影响,分割方法采用高斯滤波算子和卷积计算,特别是提出的方法使用一种新的隐含的惩罚能量函数作为正则化项,该项嵌入到水平集演化公式里,增加了曲线演化梯度流的约束的条件,影响水平集演化曲线向双边扩展,这样提高了图像轮廓划分的计算效率和精度。通过实验结果对比,提出的水平集演化算法能够较好地划分图像轮廓,得到精确的图像分割结果。

耦合配准与分割的水平集演化模型

提出一种配准与分割耦合模型.配准项采用基于抽象匹配流的非参数配准模型,解决基于B样条的参数化配准方法与非参数活动轮廓模型在定义形式和求解方法上不一致的问题.分割项采用基于边缘的活动轮廓模型实现对感兴趣区域的分割,对分割模型的改进解决原有模型对初始化敏感的问题.整个模型直接定义在水平集函数上,定义直观,数值求解简单.对单模态及多模态大脑图像的实验,验证该模型的有效性.

基于水平集的前列腺磁共振图像分割方法研究

基于前列腺磁共振图像(MRI)特征信息及其病变好发特定区域等先验知识,针对前列腺内外轮廓全分割问题,提出基于边缘距离调整水平集演化(DRLSE)的前列腺MRI两步分割方法。在构建统一水平集能量函数的基础上,第1步基于前列腺MR的T1(纵向弛豫时间)图像实现其外轮廓分割,第2步在外轮廓约束限定条件下,基于前列腺MR的T2(横向弛豫时间)图像实现前列腺的内部轮廓分割,进而完成前列腺内外轮廓的全面有效分割。设计了前列腺分割的人机交互界面,对10个前列腺病例MR图像(含正常、增生和癌变共30幅)进行了分割实验研究,并采用Dice相似性系数(DSC)对分割结果进行评价分析,DSC值达到90%以上。实验结果表明,所提出的基于边缘DRLSE的前列腺MRI两步分割方法能够有效地实现前列腺内外轮廓的全面分割,非常接近于临床专家手动分割的理想结果,对前列腺疾病的临床诊断和治疗有较好的参考价值。

基于水平集和视觉显著性的植物病害叶片图像分割

为了提高植物病害叶片图像分割的准确性和效率,提出了一种基于水平集和视觉显著性的彩色图像分割方法.首先采用基于小波变换的显著性检测算法得到活动轮廓模型中曲线演化的初始位置,并构造一个基于显著区域的图像活动轮廓模型,再设计一个向量值图像的边界检测算子,引入到距离正则化水平集演化的改造中,以构造一个初始化轮廓更灵活,演化速度更快,目标分割更精确的新的水平集能量泛函.最后的实验对比表明,该方法具有较好的叶片病害部位分割效果.

改进边界指示函数的水平集活动轮廓模型

由于受成像原理的限制,导致超声图像对比度低、边界模糊,因此基于边界的水平集分割效果很不理想。为了提高超声图像的分割精度和分割效率,提出了一种梯度信息与区域信息相结合的水平集分割算法。首先对基于边界的距离正则化水平集演化(DRLSE)模型进行改进,将区域信息引入到边界指示函数中,并用改进后的边界指示函数代替DRLSE模型中的边界指示函数,最后,得到一个梯度与区域信息相结合的水平集演化模型。结果表明,本文中的模型能准确分割甲状腺肿瘤超声图像,且在分割效率和分割精确度方面均比DRLSE模型有所提高。

结合边界和区域的水平集超声图像分割算法

针对距离正则化的水平集演化(DRLSE)模型难以处理弱边缘图像、初始轮廓敏感以及曲线演化方向单一等问题,提出一种结合边缘和区域信息的变分水平集超声图像分割模型。该模型采用改进的四阶偏微分方程进行滤波,实现在去除噪声的同时保护图像边缘信息;构造了自适应加权系数,实现曲线自适应地向内或者向外演化;引入CV模型的外部能量项,将图像的边缘信息和区域信息相结合,提高了全局分割能力。实验结果表明:该方法在分割超声图像时,具有演化结果稳定,边缘定位准确的特点,可以较好地提取超声图像中的目标。

基于显著性区域检测和水平集的图像快速分割算法

为了实现含有复杂背景和弱边界图像的快速准确分割,传统的水平集常采用重新初始化的方法,但是这种方法存在计算量大、分割不准确等问题。因此,结合显著性区域,该文提出一种基于边缘信息与区域局部信息结合的变水平集图像快速分割方法。首先用元胞自动机模型检测出图像的显著性区域,得到图像的初始化边界曲线。然后,采用改进的距离正规化水平集演化(Distance Regularized Level Set Evolution,DRLSE)模型把图像的局部信息结合到变分能量方程中,用改进的能量方程去指导曲线的演化。实验结果表明,与DRLSE模型相比,提出的算法平均消耗的时间只需要前者的2.76%,且具有较高的分割准确性。

基于变分水平集模型的虹膜图像分割方法

当虹膜图像受眼睑、睫毛及变形等影响时,会造成分割不准确,如何有效地分割虹膜是虹膜识别面临的主要问题。为此,提出一种基于变分水平集模型的虹膜图像分割方法。采用灰度投影法粗略确定瞳孔,使用最小二乘拟合得到瞳孔与虹膜边界,通过变分水平集模型精确分割虹膜。实验结果表明,该方法对虹膜外边缘分割的准确率为98.59%,高于Daugman、Hough变换及改进Hough变换等常用方法。

一种新的自适应水平集融合算法

在处理不均匀图像时,自适应距离保持水平集演化(ADPLS)算法速度快、不受初始轮廓影响,但精度较低;LBF算法精度高,但速度较慢同时易受初始轮廓影响。针对上述2种算法的优缺点,提出一种新的自适应融合算法。该算法根据图像信息自动调整ADPLS与局部二值拟合算法在融合算法中所占比重,实现不同算法的优势互补。实验结果证明,该融合算法在分割精度、速度及稳定性等方面有明显提高。

基于贝塞尔滤波的水平集正则化图像分割方法

针对水平集函数在演化过程中的初始化敏感和数值稳定性问题,提出了一种新的基于贝塞尔滤波的正则化方法,并将其嵌入到经典的可变区域拟合(Region-Scalable Fitting,RSF)模型中,从而构成新的能量模型。首先,利用K均值算法进行自动初始化,再加以修正生成标准的初始水平集函数,以解决RSF模型对初始化敏感的问题;其次,利用RSF模型自身优点对图像进行迭代分割,同时在迭代过程中利用提出的方法对水平集函数进行正则化处理,保持迭代过程中的稳定性;最后,实现精确的分割效果。实验结果表明,提出的正则化方法有效地保持了水平集函数的稳定性。将新的模型与多种基于区域的模型进行对比,仿真实验表明,提出的方法具有较高的算法效率与分割精度。

结合图像过渡区的变分水平集模型

为解决无需重新初始化水平集演化模型对初始轮廓敏感的问题,基于过渡区提出一个变分水平集模型。首先从形态学角度提取图像的过渡区,从而获得分割图像的阈值;然后根据这个阈值,加权面积项前的尺度参数修改为一个函数,它在感兴趣的目标内外有相反符号,水平集函数可初始化为一个常值函数。提出的模型不但从根本上解决了对初始轮廓敏感的问题,而且能够实现对图像的快速分割。对合成和真实的图像的实验验证了该模型的有效性。

乳腺肿瘤超声图像的反应扩散水平集分割

针对乳腺肿瘤超声图像分割,提出一种改进的反应扩散(RD)水平集分割算法。先使用Gabor各向异性扩散模型进行滤波,由此构造边界停止函数;再将该函数融入RD水平集演化方程,以控制曲线的演化得到乳腺肿瘤的边界。采用该方法和传统RD方法对77例病人的111幅乳腺超声图像进行分割实验,分割准确率分别为98.5%和98.0%,真阳性率分别为88.2%和82.7%,与金标准之间的均方根误差分别为3.6和4.6像素。结果表明,该改进算法可获得更加准确的乳腺肿瘤分割结果。

基于边缘竞争模糊水平集的脑部磁共振图像自动分割

针对脑部磁共振(MR)图像分割时容易出现的受噪声影响大和边缘定位模糊问题,提出一种以基于核函数的增强模糊C均值(RFCMK)算法结果为先验知识的边缘竞争水平集自动分割方法。首先采用RFCMK算法对图像进行预分割;然后对预分割后的各子类图像进行阈值化处理,并将其边缘作为水平集演化的初始轮廓;最后采用引入竞争机制的边缘指示器对各部分边缘进行演化。该方法对模拟图像不同层切面的分割实验表明,基于面积和基于边缘的评估统计值范围分别为[0.91,0.95]和[0.05,0.22]。对噪声图像的实验结果表明该方法能够有效地抑制噪声对分割结果的影响。

基于深度学习和水平集的彩色图像分割方法

本文结合基于全卷积神经网络的语义分割与基于水平集的图像分割方法,使用DeepLab V2与Distance Regularized Level Set Evolution(DRLSE)模型对一般彩色图像进行分割.通过在DRLSE模型中加入一个新形状能量项,该方法提高了零水平集的演化速度.数值模拟结果验证了方法的有效性.