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.

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.

融合C-V和GVF的测地线活动轮廓模型

对于有凹陷边界或弱边界的待分割目标,采用传统的测地线活动轮廓(GAC)模型无法进行准确的图像分割.为了解决这一问题,提出了一种融合C-V模型、GVF模型和GAC模型的图像分割算法.在该算法中,GAC模型的单位内法向量与GVF模型的梯度矢量流共同作用,促使轮廓曲线向目标的边界方向运动;而GAC模型单位内法向量与C-V模型的区域信息的力场共同作用,不仅促使轮廓曲线向目标的边界方向运动,而且使轮廓曲线稳定在目标的边界上.仿真实验证明了上述方法的有效性,同时还证明了该方法对轮廓曲线的初始位置具有较好的适应性.

一种改进的C-V主动轮廓模型

针对C-V(Chan-Vese)模型不能较好分割灰度不均匀图像的缺点,对C-V模型能量方程进行改进。将图像的局部灰度拟合信息融入到面积项中,使分割兼顾了图像的全局和局部信息,同时加入惩罚能量项来约束水平集函数逼近符号距离函数,避免模型重新初始化。对灰度不均匀图像分割的实验结果表明,该模型优于C-V模型。

基于C-V主动轮廓模型的“陡峭”边界的微藻图像分割

采用Chan和Vese的C-V主动轮廓模型以及本文中改进的C-V主动轮廓模型对几类典型的海洋微藻图像进行了分割。当微藻图像的主要边界曲率变化较大,即主边界"陡峭"时,直接使用C-V主动轮廓模型难以获得微藻图像的边界。在改进的C-V主动轮廓模型中,通过人机交互绘制粗略的初始边界,并将其设定为初始零水平集,将符号函数引入到初始水平集中定义内外能量,再通过适当的参数调整进行图像边界的演化。将采用两种模型算法获取典型的海洋微藻图像边界的过程进行对比可知,对于带"陡峭"边界的微藻图像,采用C-V主动轮廓模型难以获得或以较慢速度获得图像边界,而采用改进的C-V主动轮廓模型不仅图像边界获取速度快,而且边界信息量大。实验结果验证了改进的C-V主动轮廓模型算法的有效性,为微藻图像的分割提供了新的技术手段。

C-V活动轮廓模型的一个注记

Chan-Vese提出的"无边活动轮廓"模型(C-V模型)是一个著名的基于区域的图像分割模型,它是基于Mumford-Shah泛函和二值PC函数(目标区域取一个值,背景区域取另一个值)解决图像分割问题的。在C-V模型中,定义能量泛函的面积项的系数被要求为非负值,这个要求限制了模型适用的范围。实验研究表明:面积项系数取负值时,C-V模型能够分割某些原来不适用的图像。

含边缘信息的C-V模型

边缘信息对图像分割是十分重要的。把图像的边缘信息融入C-V模型(active contours without edges),提出一个新的几何模型,它同时利用同质区域信息和边缘信息使演化曲线在目标边缘处停止。实验显示:新模型能够克服C-V模型的一些缺点;在减少分割时间的同时,对目标灰度不均匀或背景灰度不均匀、含弱边缘或强噪声的图像,分割效果不仅优于C-V模型,也优于C-V模型的两个最新改进模型(LBF和GACV)。

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。

带H^1正则项的C-V模型

C-V模型(CHAN T F,VESE L A.Active contours without edges.IEEE Transactions on Image Processing,2001,10(2):266-277)是一个著名的基于区域的图像分割模型。它对活动轮廓的初始化和噪声不敏感,但分割的图像的范围不够广泛。因此,运用理论分析与实验相结合的方法,在C-V模型中添加H1正则项,对其进行了改进,提出了一个新颖的图像分割的能量泛函,并推导出了以偏微分方程形式表示的基于区域的自适应插值拟合的活动轮廓模型。实验表明:该模型能够分割某些原来C-V模型不适用的图像,它对初始轮廓的大小、位置的敏感性较小,抗噪性较强。

基于改进C-V模型的超声图像分割方法

图像分割是超声医学图像学中的难题之一。改进的Chan-Vese(C-V)法加入了约束符号距离函数的能量项,避免了演化时候的重新初始化。在改进C-V模型的基础上,首先借用分水岭中的思想,找到分割目标的近似轮廓,并以此轮廓生成符号距离函数,然后采用改进的C-V法进行超声图像分割。实验表明,改进的方法有更高的精准度和对多目标分割的能力。

LCV模型在医学图像分割中的应用

针对C-V模型不能充分利用图像局部区域灰度变化信息从而导致难以准确分割灰度不均物体等缺陷,提出一种基于局部区域的C-V(LCV)模型。利用计算局部窗函数内的加权灰度均值来取代全局均值,并加入约束水平集函数为符号距离函数的能量项,从而避免水平集函数的重新初始化。对医学图像的分割结果证明LCV模型在分割灰度不均物体方面优于C-V模型,其分割效率高于LBF模型。

融合局部和全局图像信息的活动轮廓模型

为了克服局部图像拟合模型对轮廓初始化敏感的不足,结合改进C-V模型,提出一种融合局部和全局图像信息的活动轮廓模型.首先由改进C-V模型的全局灰度拟合力和局部图像拟合模型的局部灰度拟合力的一个线性组合来构造水平集演化力,然后通过调整这2个拟合力的权重以提升该模型对轮廓初始化的灵活性,最后利用高斯滤波正则水平集函数法实现水平集函数的正则化.实验结果表明,对于一些真实和人造图像,文中模型显示了对轮廓初始化的鲁棒性,以及较好地处理灰度不均图像的能力.

基于改进活动轮廓模型的图像分割

针对图像分割中的灰度不均匀和轮廓初始化问题,提出一种基于区域的活动轮廓模型。将图像的全局信息和局部信息作为能量项驱动活动轮廓向目标边缘演化,以有效分割灰度不均匀图像,为保证图像分割的速度和精度,在能量方程中加入长度项和惩罚项,并采用梯度下降法得到该模型的最小化能量方程。实验结果表明,和局部二值拟合模型、局部图像拟合模型相比,该模型能分割灰度不均匀的图像,对初始轮廓曲线大小和位置更不敏感,且分割图像所需的迭代次数、迭代时间更少。

水平集在图像分割中的应用研究

水平集方法的诞生有效解决了以前算法不能解决的在曲线演化过程中的拓扑变化问题,其核心是利用水平集这一数学理论来对能量函数进行极小值求解的曲线演化过程,通过求解极小值最终获取目标轮廓从而达到图像分割的目的。为了解决不同应用领域的图像处理问题,各种相应的基于水平集方法的图像分割算法已被提出,大量的研究者仍在不断地改进和提高这些算法的效率和有效性。对现有的用于部分图像分割的水平集方法进行了综述,主要介绍传统水平集方法、无重新初始化水平集方法、连续水平集方法以及最近相关的改进方法,并简要讨论了各种方法的优缺点以及应用情况,最后指出了水平集方法进一步研究的方向。

一种结合区域梯度的活动轮廓模型

针对多相C-V模型计算复杂性高、对初始轮廓敏感等问题,提出一种结合区域梯度的活动轮廓模型。该模型对演化曲线内部区域使用梯度进行拟合,对演化曲线外部区域使用灰度进行拟合。实验结果表明,相对于多相C-V模型,该模型能快速分割多相图像,对初始轮廓不敏感。

结合全局和局部信息的活动轮廓模型

利用全局信息的C-V模型对轮廓初始化和噪声不敏感,但不能分割灰度不均的图像;利用局部信息的RSF模型能分割灰度不均的图像,但对轮廓初始化和噪声很敏感。针对该问题,基于C-V模型和RSF模型,提出一个新的水平集正则化项,给出一个用偏微分方程表示的结合全局和局部信息的活动轮廓模型。实验结果表明,该模型能分割灰度不均的图像,且允许灵活的轮廓初始化,抗噪性较强。

一种新的结合图像梯度的局部活动轮廓模型

基于区域的局部二值拟合模型只考虑图像灰度的平均值统计信息,然而由于图像中的噪声改变了图像的灰度分布,该类方法对于包含大量噪声的图像往往很难获得理想的效果。为了提高模型对于噪声的鲁棒性,提出了一种结合图像统计信息和梯度信息的局部活动轮廓模型。该模型在图像灰度的统计信息的基础上,加入图像梯度信息,分别构造以高斯函数为核函数的局部二值灰度拟合能量和局部二值梯度拟合能量,得到最终的能量泛函,并通过最小化该能量函数,驱使活动轮廓向目标边缘演化。实验结果表明,基于图像灰度和梯度的局部活动轮廓模型能够有效克服图像中弱边缘以及强噪声对于分割结果的影响,其分割精度高于同类方法。

一种改进的图像分割活动轮廓模型

C-V模型具有计算复杂度低、对初始化和噪声不敏感等优点,在处理图像的时候总是从全局的角度去考虑图像区域的灰度变化,从而导致难以分割灰度不均的图像。局部二元拟合(LBF)模型在处理灰度不均匀的图像分割方面有很大优势,但是LBF模型存在依赖初始轮廓大小、位置等缺点。针对C-V模型不能分割灰度不均图像和LBF模型敏感于轮廓初始化的问题,给出一个用偏微分方程表示的新的融合局部(LBF模型)和全局信息(改进的C-V模型)的活动轮廓模型。实践结果表明,新的模型对初始轮廓的敏感性低,能分割灰度不均的图像,且优于C-V模型,其分割效率明显高于LBF模型。

高光谱影像感兴趣区域提取的活动轮廓模型研究

提出一种基于活动轮廓模型的高光谱影像感兴趣区域(ROI)提取方法,首先根据地物像元的标准反射率建立标准光谱反射率向量;然后,通过计算其与待处理像元的光谱向量的相关系数,得到像元相关系数偏差矩阵;最后,构造一种基于该偏差矩阵的C-V活动轮廓模型,并利用有限差分法对该模型求解,来提取感兴趣区域的像元.该方法可实现对高光谱区域宏观大类的快速提取,为高光谱影像压缩等进一步的信息处理奠定了基础.仿真实验验证了所提出方法的有效性.

融合局部图像信息的SLGS活动轮廓模型

SLGS模型不能处理灰度不均图像,而RSF模型对初始轮廓较敏感。为此,将RSF模型定义的局部信息融入SLGS模型中,提出一个以偏微分方程形式表达的活动轮廓模型。利用SLGS模型全局拟合量和RSF模型局部拟合量的线性组合构造符号压力函数,调整拟合量的权重以提升模型对灰度不均图像的处理能力和轮廓初始化的灵活性,并利用高斯滤波正则水平集函数法实现水平集函数的正则化。实验结果表明,该模型的分割结果比SLGS模型更准确。