基于卷积核逼近的图像选择性分割算法

选择性分割是指按照某种方式对图像中感兴趣的单个特定目标的局部分割。活动轮廓模型已被广泛应用于图像选择性分割,且利用水平集函数隐式表示轮廓进行演化是当前主流的求解算法之一。但是水平集方法存在高计算负担和数值不稳定性的问题,需要额外技术来解决这一缺陷。利用卷积核逼近思想,用热核卷积特征函数来近似周长,提出了一个新的图像选择性分割模型,并设计了基于交替极小化和迭代卷积阈值法(ICTM)的模型求解算法,同时给出相关理论证明算法的收敛性。还对MR图像、CT图像、真实图像进行大量的数值实验,并与BC、SC、RCI模型的算法进行对比,实验结果验证该算法不仅能够达到预期的分割结果,并且在收敛速度上有明显的提升。

基于凸松弛的图像选择性分割模型的快速算法

针对基于测地距离的图像选择性分割模型非凸的缺陷,该文结合凸松弛方法,提出凸松弛的选择性分割模型,并通过证明,给出凸松弛模型的解与原模型解之间的关系。然后,应用交替方向乘子法(ADMM),设计凸松弛模型的数值求解算法,并给出了该算法的收敛性。数值实验结果表明:该文所提算法的收敛速度不仅大大优于求解原模型的加性算子分裂算法,而且分割结果也更精确。

带几何约束的彩色图像选择性分割

为了解决彩色图像分割任务中有选择性的定位感兴趣区域的具体需求,基于Lavdie-Chen的灰度图像单水平集选择性分割方法,提出带几何约束的彩色图像选择性分割方法。该试验方法将彩色图像作为一个整体,求其梯度及边缘检测函数,借助边缘检测函数、目标物体约束点确定的距离函数以及形成的多边形内外面积,共同决定曲线演化进程中的方向与速度。区域信息的加入克服了边缘函数依赖单一图像梯度的缺点;正则化优化算法的引入克服了凹陷处分割效果不理想的缺点;加法分裂算子算法可以快速求解模型的Euler-Lagrange方程。试验结果表明,本研究提出的彩色图像选择性分割方法具有有效性强和正确性高的特点。

基于变分法的超声乳腺肿瘤分割

乳腺肿瘤区域的选择性分割是乳腺肿瘤计算机辅助诊断中的关键一步。由于变分法灵活且计算简单,因此文章采用改进的Mumford-Shah(MS)变分模型分割超声乳腺肿瘤,以获得较准确的肿瘤边界。首先利用医生标记的4个点获得近似椭圆,再自动选取椭圆边界的4个点,共8个点作为目标区域的标记点;然后利用边缘函数和距离函数构造加权函数,并将加权函数与MS模型结合形成加权选择性分割函数,该函数在目标区域周围有更大的值,其余区域有更小的值,从而实现精确分割。实验结果表明:该方法减少了MS模型人工取点的数量;乳腺肿瘤区域分割准确率均值为90%,交并比(IOU)均值为85%。

SEED REGION SELECTION AND HOMOGENEITY CRITERION FOR DOORPLATE IMAGE SEGMENTATION IN MOBILE ROBOT NAVIGATION

Focused on the seed region selection and homogeneity criterion in Seeded Region Growing (SRG), an unsupervised seed region selection and a polynomial fitting homogeneity criterion for SRG are proposed in this paper. First of all, making use of Peer Group Filtering (PGF) techniques, an unsupervised seed region selection algorithm is presented to construct a seed region. Then based on the constructed seed region a polynomial fitting homogeneity criterion is applied to solve the concrete problem of doorplate segmentation appearing in the robot navigation along a corridor. At last, experiments are performed and the results demonstrate the effectiveness of the proposed algorithm.