一种改进的无需水平集重新初始化的C-V主动轮廓模型(英文)

重新初始化是使水平集函数保持符号距离函数的必要步骤。虽然它保证了水平集函数的稳定收敛,但是它也降低了曲线演化的速度。本文主要在该方面针对Chan-Vese提出的水平集图像分割模型进行了改进,提出了无需重新初始化的C-V模型。该模型将水平集函数与距离函数的偏差作为能量函数引入C-V模型,以此来约束水平集函数成为距离函数,提高了C-V模型的演化速度。同时该模型能够用一般的分段常数函数来定义初始水平集函数,即水平集函数不必初始化为符号距离函数。这样,对于不规则形状的初始轮廓,节省了初始化过程所消耗的时间。实验结果表明,本文所提出的模型不仅提高了C-V模型的演化速度,而且实现了水平集函数初始化的灵活性。

结合局部信息改进的C-V超声图像分割模型

针对无边缘主动轮廓模型(Active contours without edges,C-V)难以分割灰度分布不均匀的甲状腺超声图像,本文提出结合局部信息改进的C-V超声图像分割模型。该方法根据局部信息具有不受灰度分布影响的拟合特性,利用图像局部拟合信息构造一种新的速度函数,使速度函数依据图像局部灰度变化控制曲线的演化速率;然后将该速度函数引入到C-V模型中,具有全局分割能力。实验结果表明,本文方法可以实现对灰度分布不均匀的甲状腺肿瘤超声图像的准确分割,且分割效率也有所提高。

基于改进的C-V模型虚拟人脑图像分割模型

C-V模型是一种较为经典的分割模型,但传统的C-V模型仅能够将图像分割成单一的目标部分与背景部分;用于彩色图像分割往往基于目标的强度信息;在曲线演化过程中需要重新初始化水平集函数保持符号距离函数。针对这些问题,使用PCA理论将颜色空间投影到新的空间中,可以扩大两者的颜色距离;使用局部信息可校正颜色强度不均匀;将距离约束项引入到模型中,使模型能够无需重新初始化,提高了演化速度。实验结果表明改进的算法能较精确地得到分割结果。

C-V模型在红外视频火灾图像分割中的应用

针对大空间中红外视频火灾图像边缘模糊,不易准确分割问题,研究了一种基于背景差分和C-V模型的分割方法。通过背景差分得到运动图像;利用形态学处理得到完整的运动区域,并获得其外接矩形;以外接矩形作为C-V模型的初始轮廓曲线进行分割,得到封闭、完整的运动目标轮廓。该算法避免了对整幅图像分割,减少了运算量。通过实验仿真并与阈值分割算法比较,证明了该算法的准确性和有效性,有利于下一步火灾特征提取与识别。

矢量图像分割的快速C-V模型

为了实现对矢量图像快速有效的分割,在分析矢量图像颜色、空间信息和水平集函数特性的基础上,对主动轮廓分割模型进行了改进,提出一种免重新初始化的矢量图像分割模型.在C-V(Chan-Vese)模型中引入了非线性热方程的符号距离函数的约束项,通过对非线性热方程传导率的均衡化使水平集函数始终保持符号距离函数的特性,完全取消比较耗时的重新初始化过程;改进了曲线二维梯度和散度算子传统离散化方式,使梯度和散度算子保持空间旋转不变性.实验结果表明,改进模型快速有效,对噪声和弱边缘有很好的鲁棒性.

一种引入Chebyshev距离的改进的无边活动轮廓模型

无边活动轮廓模型(C-V模型)是水平集分割方法中的一种经典模型.传统的无边活动轮廓模型将灰度同质作为区域分割准则,这使其对于仅含两个同质区域且灰度变化不大的图像能够取得很好的分割效果,但对灰度渐变图像分割时,该模型往往无法得到正确结果.本文针对这一问题,通过引入Chebyshev距离构造一种新的相似度,以此来表征演化曲线内外灰度差异,修改了传统无边活动轮廓模型中均值取值的定义,使得演化曲线在图像灰度变化缓慢区域获得较大的驱动力.新模型克服了传统无边活动轮廓模型不能正确分割灰度渐变图像的不足.实验对比及分析表明,新模型能够更准确地分割灰度渐变图像,同时对噪声有一定的鲁棒性.

结合图像熵的C-V模型分割算法

C-V模型是水平集分割方法中的一种经典模型,但存在自适应能力不强的问题。医学图像分割对象的特点是具有各种复杂的拓扑结构及变化。根据医学分割算法的自适应要求,在水平集图像分割方法C-V模型算法的研究基础上,引入图像信息熵算法,通过计算演化曲线内外的图像熵,解决曲线演化过程中迭代参数设定问题,达到增强C-V模型分割算法的自适应能力。实验结果表明,结合图像熵的C-V模型算法面对不同的对象具有良好的自适应性。

应用改进的C-V模型分割牛肉眼肌图像

牛肉眼肌图像的分割是牛肉自动分级的重要步骤。基于水平集的C-V模型采用两个具有不同均值的分块连续区域分割图像,在迭代过程中,为了约束水平集保持为符号距离函数,必须对其进行重新初始化,大大增加了计算量,降低了曲线演化速度。为此,通过加入边缘检测函数和惩罚项因子,提出了改进的C-V水平集模型,并用于牛肉图像分割,同时与模糊C均值聚类、阈值分割法进行了对比。结果表明:采用改进的C-V模型对牛肉图像进行分割,准确提取了眼肌边缘,分割出了脂肪和肌肉区域,准确率高;曲线演化过程中无需对水平集函数符号初始化,加快了曲线演化速度。

基于改进型C-V模型的红外图像自动分割

将C-V模型引入到红外图像分割中,同时提出了一种改进的模型。该模型通过增加偏离能量项,避免了标准C-V模型的重新初始问题。模型允许选取较大的时间步长,可以用简单的有限差分格式实现。实验证明,改进的模型在分割效果不变的情况下可以有效加速演化过程,提高分割效率。

基于改进C-V模型的步态轮廓提取方法

为从步态图像视频序列中提取运动人体轮廓,提出一种新的分割算法。结合背景减除法和对称帧差法初步提取运动人体区域,采用形态学方法消除噪声和阴影,提取较完整的人体轮廓,将此轮廓作为改进C-V模型的初始零水平集,通过少量迭代达到细化人体轮廓的目的。在NLPR步态数据库上的实验表明,该方法能提取完整、精确的运动人体轮廓,消除了大量阴影,具有良好抗噪性且时间复杂度低、识别率高。

小波多尺度C-V模型的红外图像分割

由于红外图像大多具有目标边缘模糊、对比度低、噪声多的特点,传统的C-V模型在进行分割时,易产生过分割且计算量大。针对这一问题,本文提出了一种兼顾目标同质性信息的小波多尺度C-V模型红外图像分割方法,该方法根据图像目标和背景同质性信息所占面积比例关系自适应地调节模型的参数。首先对红外图像做小波分解,从分解的顶层低频图像开始,利用改进能量函数,寻找目标边界,通过插值由粗尺度到细尺度逐层演化,最终获得原始图像的分割。该方法与原有方法相比,大大减少数据的计算量,有效地提高了分割速度,改善了分割效果。仿真实验证明了算法的有效性。

关于图像分割的C-V模型改进算法研究

在图像分割中的活动轮廓(active contour)或"蛇"(snake)模型可以将图像分割问题归结为最小化一个封闭曲线的能量泛涵.针对C-V模型中存在的问题,如存在没有明显的边缘,也缺乏明显的纹理特征,GAC模型将难以实现成功的分割等问题,通过对现有各种曲线演化模型比较分析,得出一个图像全局信息和符号距离函数的能量泛涵模型.该模型综合了经典几何曲线模型与C-V模型的优势,同时通过引入惩罚项,无需重复更新曲线初始化,并加大时间步长的选择.该模型比传统的C-V模型在收敛速度和精确度上都有了很大的提高.

基于C-V模型和MRF的脑部MRI分割

为准确分割脑部磁共振图像(MRI)的灰质、白质和背景,提出一种基于C-V模型和马尔可夫随机场的全自动分割方法。采用C-V模型与形态学相结合的方法对脑MRI进行预处理,去除多余脑组织,获得待分割图像。引入灰度场局部熵的思想对惩罚因子进行估计,利用马尔可夫随机场模型建模实现脑灰白质的分割,并运用形态学方法获得最终分割结果。对96幅IBSR图像和46幅临床图像进行实验,结果表明,该方法能够实现脑部MRI灰白质的全自动分割,且具有较好的分割精度和较快的处理速度。

基于互信息和Chan-Vese模型的图像分割方法

针对多目标物体图像的分割问题,该文在Chan-Vese模型(C-V模型)的基础上,提出了基于互信息和Chan-Vese模型的图像分割方法。该方法结合多级分割的思想,引入了信息论中互信息的概念,替代多级分割中的灰度平均方差,将互信息量作为判断分割是否完成的标准。实验结果表明,该方法能够有效地解决多目标物体图像以及弱边界物体的分割问题。

灰度差能量函数引导的图像分割自适应C-V模型

作为几何活动轮廓模型(GACM)的一个标志性模型,C-V模型在图像分割应用中因具有对目标遮挡和边缘噪声的鲁棒性而受到关注.然而该模型通常不能较好地处理复杂的异质图像,并且有对演化曲线的初始位置较为敏感和计算复杂度高等弱点.依据演化曲线内、外区域平均灰度值差的绝对值越大,演化曲线越靠近准确目标边缘的特性,提出一种基于灰度差能量函数引导的图像分割自适应C-V模型.该模型通过构造基于轮廓曲线内、外区域平均灰度差引导函数自适应地调整演化曲线的运动趋势,使得曲线演化可在一个有效的"窄带"范围内进行,保证轮廓曲线内、外部区域灰度计算的局部均一性,增强对目标细节信息的捕捉能力,同时也在一定程度上提高模型的计算速度和对轮廓曲线初始位置的适应性.大量的仿真实验验证该模型的有效性.

基于文化算法的C-V水平集图像分割

针对基于梯度变化的水平集图像分割对噪声敏感、不能很好地保持图像中的边缘信息、分割结果依赖初始参数、取得最优解时不能及时结束等问题,提出了一种基于文化算法的水平集图像分割算法,将文化算法应用到C-V(Chan-Vese)水平集模型之中,实现了水平集模型图像分割参数的自动选取,通过信度空间的形势知识和规范知识不断优化指导种群进化,并通过判定图像熵适应度值的变化适时终止分割过程。实验结果表明,本文方法能够准确分割出医学图像的病变区域,在抗噪声性能和分割效率方面明显优于常规方法。

基于水平集及主动轮廓线模型的图像分割研究

传统的图像分割方法难以满足图像复杂分割的要求,基于主动轮廓线模型的图像分割方法正是这种需求下出现的。几何主动轮廓线模型对拓扑结构的变化处理非常自然,解决了参数主动轮廓线模型难以解决的问题,而水平集方法的出现,极大地推动了几何主动轮廓线模型的发展。本文主要研究基于水平集方法的图像分割,介绍了主动轮廓线模型、曲线演化和水平集方法的相关理论和经典的C-V算法模型。

先验形状约束的水平集分割模型

传统C-V模型只利用了图像的灰度信息,分割精度不高。本文凭借水平集理论在拓扑结构优化及形状建模方面的优势,以普遍类型的规则建筑物为例,研究如何将人的先验知识融合至水平集框架中,并提出先验形状约束的建筑物目标分割模型,以改善高分辨率遥感影像中建筑物受干扰情况下分割的完整性及准确性。试验证明,该模型分割结果较C-V模型有很大提高,基本能保持与eCognition多尺度分割相近的精度。

改进的分级多相图像分割模型及其快速实现

提出一种基于分级C-V模型的改进的快速图像分割算法。针对现有的多相水平集图像分割算法存在的问题,本文从曲线演化方程的平均曲率项、水平集函数Φ的狄拉克(Dirac)函数δ(Φ)等方面进行改进,并引入了一个非线性扩散方程对图像进行预处理,从而优化组合了分级C-V模型的全局特性。实验结果表明,改进的图像分割模型不仅保留了原有方法的优势,而且提高了对多目标图像分割算法的速度与精度,同时也可以有效解决具有弱边界物体的分割问题。

基于改进C-V模型的肾脏CT图像分割方法

生物组织的自动分割是计算机辅助诊断和病变检测的关键步骤。在腹腔CT图像中,肾脏组织本身的灰度不均匀性使得传统C-T模型无法准确实现肾脏的分割。为了解决上述问题,本文结合图像全局和局部统计信息改进了传统的C-V模型。基于先验知识,提出了描述肾脏组织皮质特征的数学表达式。选择感兴趣区域,在预处理阶段获得了CT图像中肾脏的大致初始轮廓。随后,应用C-V模型进行轮廓演化时引入局域信息,提高了C-V模型的局部适应性。实验结果表明,与现有方法相比,本文的方法的结果更接近于人工分割结果,其肾脏分割结果的Dice系数平均值为94.0%。