活动轮廓模型基于结构张量的边缘停止函数

所有边缘活动轮廓模型都依赖边缘停止函数,该函数通常是高斯平滑图像的梯度模的单减函数。梯度能够刻画图像的局部边缘特征,但忽略了边缘的"分叉点"、"角点"等重要信息,这导致了边缘定位不准甚至产生错误的分割。基于图像结构张量的一个局部相干性度量,提出一个新边缘停止函数。实验结果表明,基于这个边缘停止函数,活动轮廓模型能够精确定位目标边缘,同时大大减少了迭代次数并具有较强抗噪性。

一种改进的边缘停止函数图像分割方法

在基于边缘的几何活动轮廓模型中,边缘停止函数的选择会影响图像的分割效果,根据边缘停止函数的性质,提出一个新的边缘停止函数,代替GAC模型和DELSE模型中的边缘停止函数。实验结果表明,在图像背景灰度均匀和灰度不均的图像分割中,文中提出新的边缘停止函数在迭代次数和分割效果方面,都优于原来的边缘停止函数,能够实现准确分割。

引入新的停止函数的GAC模型医学图像序列分割

针对GAC模型在低对比度及边缘模糊图像分割中使用传统的边缘停止函数存在的不足,结合图像的区域特征及医学图像序列间的相关特性,通过在边缘停止函数中引入图像的区域特征信息和先验信息,对GAC模型的边缘停止函数进行改进,并应用于医学CT图像序列的分割,达到了较为理想的分割结果。实验表明,在边缘停止函数中引入先验信息并对其表达形式进行改进后,模型的抗噪声性能和分割效率得到了明显提高。

不用高斯平滑的边缘活动轮廓模型

在基于边缘的活动轮廓模型中,边缘停止函数的选择是十分重要的。边缘停止函数是一个单调递减的正函数和高斯平滑后的图像梯度模的复合函数。基于这种边缘停止函数的活动轮廓模型存在两个缺点:一是在同质区域演化速度慢;二是图像需要预先进行高斯平滑(滤波),但平滑噪声的同时,也平滑了目标边缘,可能使分割不够准确。提出一个新的不用高斯平滑的边缘停止函数。实验表明,基于这种边缘停止函数的活动轮廓模型能够减少迭代次数与分割时间约50%。

结合小波变换的边缘活动轮廓模型

在基于边缘的活动轮廓模型中,边缘停止函数的选择是十分重要的。传统的边缘停止函数依赖于图像高斯平滑后的梯度模,这容易导致模型分割速度慢,无法准确分割被噪声严重污染或背景复杂的图像。结合小波变换,提出一个新的边缘停止函数。实验表明,基于该函数的边缘模型可以有效地解决上述问题,而且可以应用于多目标的选择性分割。

保边缘自蛇模型毫米波图像去噪

由于毫米波图像分辨率低并伴随有大量噪声,其图像边缘常被噪声污染或丢失,为此提出保边缘自蛇模型并应用于毫米波图像去噪。引入只在图像的边缘处具有最大值,且对噪声不敏感的非局部梯度,以此构造边缘停止函数,使其在图像边缘处接近0,而在平坦同质区域接近1;给出保边缘的自蛇模型迎风差分数字解法;提出毫米波图像去噪的定量评价算法性能指标。实验结果表明,该算法在等效视数和边缘清晰度性能指标上明显优于标准自蛇模型和保特征的各向异性扩散模型,具有较好的去噪效果和保边缘能力。

一种改进的细胞神经网络图像边缘提取方法

目的:为了进一步提高细胞神经网络的处理速度,减少计算的迭代次数.方法:首先对细胞神经网络模型的输出函数进行改进,并对模板的取值范围进一步确定.其次,用反应扩散方程来改进阈值,并融入了图像梯度信息和构造的调整函数,使其可以自动根据图像的梯度生成一个扩散矩阵,自适应地为每一个像素点选取不同的阈值.结果:图像处理的运行时间和迭代次数都减少了一半,图像边缘提取的结果更加精确.结论:用此方法选取2种不同类型的图像进行MATLAB仿真,与几种常用的边缘提取算法处理结果相比,在视觉效果上取得了很大提升,并提高了边缘提取的效率和准确性.

分数阶微分的边缘活动轮廓模型

边缘停止函数在边缘活动轮廓模型中是十分重要的,它通常是由图像的整数阶梯度定义的。这种整数阶边缘停止函数有两个缺点:一是对噪声敏感,不能较好地分割噪声图像;二是在分割弱边缘图像时容易产生边缘泄漏。针对这个问题,提出一个基于分数阶微分的边缘停止函数。实验表明,使用新的边缘停止函数的活动轮廓模型对噪声图像和弱边缘图像具有较好的分割效果。

基于改进边缘活动轮廓模型的超声图像分割

为克服传统边缘函数(edge-stop functions,ESFs)不能停止模糊边界问题,提出一种方法构建一组边缘停止函数的活动轮廓模型实现模糊边界的分割。该方法包括一组带有灰度信息和概率评分的标准分类器,ESF可以由任意分类算法构造,将其应用到基于边缘的水平集分割方法中。采用距离正则化水平集演化方法结合k-近邻算法(k-nearest neighbor,kNN)或支持向量机(support vector machine,SVM)对超声图像进行分割,实验结果表明,该方法能够有效分割超声图像,明显优于其它分割方法。

基于变分水平集的图像分割模型

基于传统的变分水平集方法的图像分割,水平集函数必须周期性地重新初始化使之保持为符号距离函数,这存在如何选择重新初始化的时间和方式的难题。Li模型通过在能量泛函中引入一个内部约束能量,去除了水平集函数在演化过程中需重新初始化的难题。通过对Li模型的分析,提出了一个新的变分水平集的分割模型。该模型通过在能量泛函中加入一个较简单的内部约束能量,同样可以实现水平集演化过程中的无需重新初始化。并且通过对边缘停止函数的重新定义,引入了新的外部能量,使得本文模型对噪声图像的分割更具鲁棒性。实验表明无论是在收敛速度上,还是在对噪声图像的分割质量上,本文模型和Li模型相比都具有一定的优势。

各向异性的红外背景预测方法

为了减少红外图像中起伏背景对弱小目标检测的影响,提出一种各向异性的红外背景预测方法。根据红外图像目标区域和平稳背景区域、起伏背景区域的局部梯度特性的差异,引入各向异性微分的思想,并将其边缘停止函数改进为方向梯度值的递增函数,然后用边缘停止函数最小两个方向值的均值作为背景预测值,实现了对不同方向特性背景区域的差异化预测。仿真实验表明,该算法选择性地保留了红外图像的平稳背景和起伏背景区域,达到了良好的背景预测效果。

自适应的非局部总变分图像复原算法

边缘和纹理信息是图像的重要特征信息,在复原过程应得到有效地保持.为此提出了基于非局部总变分的自适应复原模型.新模型的能量泛函包含两项:自适应正则项和数据保真项.自适应正则项的设计是建立在非局部正则项的基础上,主要用其保持纹理;另一方面正则项融入了边缘探测函数,使得模型可以根据局部边缘信息自适应地实施不同程度的扩散力,即在同质区域作用一个较大的扩散过程,避免出现分片常值;在边缘附近作用一个相对平和的力,使得图像边缘得到有效地保持.本文模型利用Gateaux导数计算其扩散方程,通过有限差分进行数值模拟.实验结果表明,所提模型在视觉效果和运行效率方面取得了较好的结果,并且在边缘锐化和纹理保持方面,本文模型相对于经典的TV模型和NLTV模型具有较大的优势.

基于LBF方法的测地线活动轮廓模型

经典的测地线活动轮廓模型分割含有弱边界的目标时,难以得到真实边界.为解决这一问题,文中将结合局部二元拟合(LBF)方法和测地线活动轮廓模型的优点,提出一种基于LBF方法的测地线活动轮廓模型.首先,将LBF方法的能量泛函进行归一化处理,取代测地线活动轮廓模型的边缘停止函数.其次,构建梯度下降流,促使轮廓曲线运动到目标边界上.最后,对5组含有弱边界的图像进行仿真实验.实验结果表明,文中模型能准确分割含有弱边界的目标,具有抗噪性,同时对初始曲线的位置不敏感,优于其它常见改进的测地线活动轮廓模型.

稳健的基于等照度线的图像修复算法

首先利用Guided滤波器去除纹理和噪声干扰,获得图像的整体结构信息。然后,利用各向异性扩散算法中的边缘停止函数对传统的等照度线检测方法进行改进,并将其与传统图像修复优先权函数相结合。通过利用等照度线函数对纹理合成过程进行引导,来获得稳健的图像修复效果。仿真实验结果表明:本文算法在有效保持修复图像结构信息的同时,对具有光照变化的纹理也获得了比较理想的修复效果。

应用改进自蛇模型和L-R算法恢复毫米波图像

在毫米波的图像恢复中,L-R算法是一种简单而有效的非线性方法,但当噪声不可忽略时,L-R算法难以获得较好的复原结果。针对毫米波图像数据量少和图像分辨率低的特点,提出基于改进自蛇模型和L-R算法毫米波图像恢复方法,以局部方差构造自蛇模型的边缘停止函数,其改进自蛇模型在消除噪声的同时更能够保留图像中的边缘和细节特征,然后使用L-R算法进行图像恢复,这种改进算法通过使用基于改进自蛇模型去噪能有效地减少噪声对L-R算法的影响。实验结果表明:在信噪比和相关度方面本文算法提高了L-R算法的性能,可用于含噪声的图像复原。

C-V模型的一种集成化改进

C-V(Chan-Vese)模型不能分割灰度不均图像,分割速度慢。因此,对图像分割理论进行深入探讨,采用实验方法,提出一个新的边缘停止函数,并将其与图像灰度变换及H1正则项融入C-V模型中,对其进行集成化改进,提出一个新颖的以偏微分方程形式表示的活动轮廓模型。实验表明:该模型能分割灰度不均图像,对初始轮廓的大小敏感性较小,抗噪性较强,分割速度较快。

自适应正则化活动轮廓模型

针对Chan-Vese模型含有许多参数,分割时需要人为调整参数,耗费大量的人力和时间的问题,提出了一个自适应正则化活动轮廓模型.首先,对Chan-Vese模型的数据项进行简化;其次,使用改进的边界加权H1正则化代替长度项;最后,形成了一个新的不含任何参数的活动轮廓模型.在分割实验中,该模型对初始轮廓的大小、位置不敏感,具有较强的抗噪性,分割6幅图像的平均时间和迭代次数分别为1.583 4 s、19次.实验结果表明,所提模型无需人工调整参数,能够分割强噪声图像和灰度不均图像,并且具有较快的分割速度.

基于改进距离正则化水平集的钢轨表面缺陷提取方法

针对现有钢轨表面缺陷检测方法复杂度过高且精确率较低,提出基于Sigmoid对比度拉伸的距离正则化水平集算法。通过对数变换和均值操作对钢轨图像进行预处理;根据钢轨表面图像梯度变化,以Sigmoid对比度拉伸方法替换距离正则化水平集中的停止函数;根据初始轮廓曲线演化方向的特点,通过新的自适应速度函数替换距离正则化水平集中的演化速度常量;以曲线演化的最终轮廓提取缺陷区域。仿真实验显示,新算法在钢轨表面缺陷数据集中的精确率为99.07%,豪斯多夫距离平均值为6.64,检测缺陷用时为16.46s。与DRLSE、DCNNs和CTFM算法相比,改进的距离正则化水平集算法提升了检测的精确率和检测速度,对噪声具有一定的鲁棒性并适用小范围缺陷检测。

红外图像活动轮廓分割算法

红外图像通常存在边缘模糊、对比度低、背景复杂等特点,传统的活动轮廓模型难以达到理想的分割效果。针对这种情况,提出了一种能够用于红外图像分割的边缘活动轮廓模型。该模型采用了结合图像局部熵信息定义的边缘停止函数,同时提出了一种针对红外图像的自动选取初始轮廓的方法,进一步提高了算法的效率。实验结果表明,采用该模型能够有效分割红外图像。

结合局部熵的无需重新初始化水平集演化

无需重新初始化模型是一个著名的变分水平集模型,在演化过程中无需周期性地重新初始化水平集函数。然而,由于其边缘停止函数是基于梯度的,因此仍然存在一些缺点:对噪声较敏感,弱边缘处易出现边缘泄漏,不能提取不连续边缘等。采用局部熵和灰度变换构造该模型的边缘停止函数。实验结果表明,使用新的边缘停止函数,能够克服上述不足。