改进Chan-Vese模型的电力设备红外图像分割算法

针对电力设备在线监测系统中红外图像分割效果差,速度慢等问题,提出一种改进的Chan-Vese模型的红外图像分割算法。首先,通过引入边缘能量项,一方面增强模型的局部控制能力,另一方面有效抑制了轮廓偏移。其次,利用径向基函数取代了传统的长度正则项,简化了计算。然后,通过引入内部能量项省去初始化过程,节省了算法的运行时间。经实验验证,Dice重合率(Dice similarity coefficient,DSC)平均值为0.9808,错误分割率(ratio of segmentation error,RSE)平均值为0.025,算法运行时间比其他模型总体平均值低66.8%。改进后的Chan-Vese模型分割算法的Dice重合率和错误分割率等均优于GAC-CV、CV-RSF、区域型水平集和Multiphase-CV模型分割算法。

利用倒数灰度熵和改进Chan-Vese模型进行SAR河流图像分割

为了进一步提高合成孔径雷达(SAR)图像中河流分割的精度和速度,提出了一种基于人工蜂群优化的倒数灰度熵多阈值选取与改进Chan-Vese(CV)模型相结合的分割方法。考虑SAR图像中河流目标和背景类内灰度的均匀性,提出了基于蜂群优化的倒数灰度熵多阈值选取方法,以此对河流图像进行粗分割;针对基本CV模型收敛速度低、对初始条件敏感的问题,利用图像边缘强度取代Dirac函数,将粗分割结果作为改进CV模型的初始条件,对河流图像进行细分割。大量试验结果表明,所提出的分割方法无须设置初始条件,运行速度快,分割精度高。

结合L^1拟合项的Chan-Vese模型

为了提高Chan-Vese(CV)模型对椒盐噪声的鲁棒性,提出一个结合L1拟合项的CV模型.首先采用L1拟合和L2拟合的线性组合构造一个新的拟合项,然后通过调整这2个拟合的权重以提升该模型对不同噪声图像分割的灵活性,最后利用交替迭代算法对模型进行求解.采用被不同噪声污染的人造图像和自然图像进行实验的结果表明,该模型对噪声图像可以取得较好的分割结果,并且对于椒盐噪声污染图像的分割,比CV模型、LBF模型和VFCMS模型更具优势.

基于图像熵的快速Chan-Vese模型分割算法

提出了基于图像熵的快速Chan-Vese模型分割算法.该算法利用实时图像熵自适应计算模型能量函数中的拟合参数以提高分割速度,并通过检测熵在曲线形变过程中的变化来判定曲线演化的稳定态.实验表明,针对含噪严重、目标模糊且边缘不连续的红外图像目标检测,所提出的分割算法可以取得精确、高效的分割结果.

基于Chan-Vese模型的树形结构多相水平集图像分割算法

由于Chan-Vese(C-V)模型通过单个水平集的符号将待分割图像划分为目标和背景两个部分,所以当图像的多个目标的轮廓成多连接时,C-V模型将无法表示.为了解决C-V模型在表示目标轮廓上的局限,提出了基于C-V模型的树形结构多相水平集算法.关键策略是通过改变图像背景,使得水平集在新图像上重新收敛;核心技术是依据同时明度对比提出的背景填充技术;算法流程采用多水平集串行收敛方式实现多相分割(n-1次收敛可以实现n相分割,n>1).实验结果表明,本算法可以表示复杂的区域连接情况(n相分割最多可以表示n连接情况),能够实现多目标分割(n相分割可以实现n-1个目标分割),特别适合于目标中含有子目标的图像.

基于全局极小解Chan-Vese模型的SAR图像分割

活动轮廓模型是近年来最成功的分割模型之一。但由于SAR图像存在较强的斑点噪声,使用传统的Chan-Vese模型水平集分割方法会产生很多误分割。因此,需要对传统Chan-Vese模型进行改进,将非凸的Chan-Vese模型转换为凸优化问题,得到Chan-Vese模型的全局极小解。对凸优化Chan-Vese模型引入边缘检测算子,得到基于边缘和区域信息的全局极小解Chan-Vese模型。在水平集演化迭代过程中,引入一个新的迭代终止条件,可以敏感地判断演化曲线的变化幅度,根据设定条件,自动的停止迭代计算。针对合成图像和真实SAR图像进行分割实验,实验结果表明,提出的改进Chan-Vese模型能够快速、准确地提出图像中感兴趣目标,并具有较强的抗噪性。

Chan-Vese模型下的脑肿瘤图像分割方法

提出了一种基于Chan-Vese模型的脑肿瘤图像分割与三维重构方法。该方法首先通过对脑肿瘤图片的迭代腐蚀操作提取脑肿瘤轮廓,然后利用Chan-Vese模型对脑肿瘤进行分割,最后对图像进行迭代膨胀操作复原图像。另外对所有分割后的脑肿瘤图片进行了三维重构与定位。实验结果表明,基于Chan-Vese模型的图像分割方法很好地解决了脑肿瘤分割过程中容易出现的不完全分割问题,同时对脑肿瘤的三维重构与定位也具有较大的临床实用价值。

小波多尺度改进Chan-Vese模型的红外图像分割

针对红外图像特点,提出了一种小波多尺度改进Chan-Vese模型的红外图像分割算法。首先,利用小波多尺度分析的良好信噪分离性能提取红外图像的有效边缘信息,将边缘信息添加到Chan-Vese模型的能量函数中从而提高模型的局部控制能力。同时增加内部变形能量项,约束水平集函数逼近符号距离函数,避免了水平集函数的重新初始化过程,改进了Chan-Vese模型。然后,从小波变换的顶层低频子带图像开始逐层采用改进的Chan-Vese模型分割图像,并将分割结果通过插值方式传递至下一层作为分割的初始轮廓,最终实现红外图像的分割,具有抗噪性能强和运算速度快的特点。

基于改进Chan-Vese模型的电力设备红外图像分割

电力设备红外图像分割是电力设备模式识别和红外故障诊断的基础。Chan-Vese模型能够有效分割含强噪声和边缘模糊的图像,但其分割速度缓慢,并且在分割电力设备红外图像时不能有效消除无关背景。提出一种改进的Chan-Vese模型,采用多个初始轮廓,并采用二值函数代替距离函数初始化水平集函数;同时对Chan-Vese模型的梯度下降流提出改进,简化其图像数据项,并用一个高斯核函数取代长度正则项。改进的模型不仅方便计算,而且可以在迭代过程中采用更大时间步长,加快曲线演化速度。在对电力设备红外图像的分割实验中,证明了相比Chan-Vese模型,新模型分割速度明显提高,并且具备较好的消除无关背景的性能。

基于Chan-Vese模型的医学图像分割算法

在二维Otsu方法和Chan-Vese模型的基础上,提出了一种新的医学图像分割算法。首先用二维Otsu方法将图像分成目标、背景、边缘和噪声等4部分,然后通过一个能量函数来判断边缘和噪声区域中各像素点属于背景还是目标,并利用同质区域的全局信息对初始分割结果进行微调,得到更精确的分割效果。该算法优化了初始轮廓位置,有效地解决了初始位置影响曲线演化速度问题,并通过逐点代入法来极小化能量函数,减少了计算量,提高了图像分割的速度。实验结果表明,提出的算法具有抗噪性,分割效果良好,有很好的实际意义。

基于Chan-Vese模型的面向多核CPU和GPU的人脸轮廓提取并行算法

针对人脸轮廓提取中Chan-Vese模型计算量大、分割速度缓慢等问题,采用开放计算语言(OpenCL)并行编程模型,提出了一种基于图形处理器(GPU)和多核CPU加速的并行算法。该算法首先将模型的框架进行重构,消除模型中的数据依赖关系;然后,利用开放计算语言对算法进行并行化以及相应的优化。实验结果表明,与单线程算法相比,在NVIDIA GTX660和AMD FX-8530下达到了较高的加速比。

基于改进Chan-Vese模型的图像分割

目前基于水平集的图像分割方法很难给出基于全局极值的算法终止条件,而大多采用事先设定迭代次数的方法.本文提出了一种改进的Chan-Vese模型,通过添加水平集函数约束项,使得新模型抑制了水平集函数的取值范围,最终收敛至全局极值,并以此作为算法终止条件,无需事先设定迭代次数.实验结果表明,新模型在其终止条件下,分割结果正确,与传统Chan-Vese模型相比,新模型的收敛速度快3～6倍,且通用性更强.

基于局域模糊聚类和Chan-Vese模型的CT医学图像分割

针对CT医学图像灰度不均匀的特点,研究了基于改进的模糊聚类和ChanVese模型的图像分割.该分割模型综合利用基于空间信息的FCM算法、图像局部区域信息以及Chan-Vese模型,通过最小化能量函数的方式来进行曲线演化.基于空间信息的FCM算法对曲线的演化起到了一定的收敛作用,并且局部区域信息提高了分割质量.分割模型还考虑了分割效果和计算效率,降低了算法的时间复杂度,提高了算法的执行效率,从而提高了灰度不均匀图像分割的精度.

结合阈值算法的Chan-Vese模型图像分割方法

阈值分割是图像处理中频繁使用的基本灰度变换,把阈值分割方法与Chan-Vese模型进行结合,并用尺度变换的方式加以辅助,以提高Chan-Vese模型的分割速度和效果。实验表明:该方案大大提高了Chan-Vese模型的收敛速度和分割效果,而且重点改善了Chan-Vese模型在图像灰度变化缓慢的边界迭代次数较多、演化速度慢等问题。

基于离散水平集方法的Chan-Vese模型

采用离散形式的水平集函数代替传统的符号距离函数,提出基于离散水平集方法的Chan-Vese模型。采用变分方法得到水平集函数演化的梯度降方程,对得到的演化方程进行半隐式离散求解和数值算例验证,并与传统的符号距离函数方法进行对比,以验证离散水平集方法在图像分割中的优势。实验结果表明,基于离散水平集方法的Chan-Vese模型分割速度和精度比用符号距离函数实现的Chan-Vese模型有明显提高。

结合灰度变换的Chan-Vese模型

幂变换和负片变换是图像增强中频繁使用的两种基本的灰度变换。该文把这两种灰度变换与Chan-Vese模型进行结合,以提高Chan-Vese模型的分割速度和效果。实验表明:该方案大大提高了Chan-Vese模型的收敛速度,而且也使Chan-Vese模型具有较好的处理直线和尖角的能力。

基于改进Chan-Vese模型的液晶显示屏Mura缺陷分割

液晶显示屏Mura缺陷是一类较难检测的显示缺陷,它具有对比度低、背景亮度不均匀、边缘模糊等特点。针对传统Chan-Vese模型(C-V模型)对其分割时存在误分割及速度慢的问题,本文提出一种改进的C-V模型。首先,依据曲线演化理论,简化了传统C-V模型的图像数据力驱动项,这样减少了迭代过程中的计算量,提高了分割的速度。其次,为了平衡图像的亮度不均匀,在模型中引入一个新的能量项,该能量项与轮廓曲线内、外部之间的亮度差有关,提高了分割的准确性。最后,在算法的实现过程中引入迭代停止的判别式,通过设定分割的精度可以实现迭代的自动停止,并有利于正确地分割出目标。实验结果表明,本文提出的改进C-V模型能够准确分割背景不均匀的Mura缺陷,并且具有较快的速度。

基于加速健壮特征拟合算法和Chan-Vese模型的超声图像腔室分割方法

针对超声心动周期序列图的腔室自动分割过程中,弱边缘轮廓难以有效提取的问题,提出一种基于加速健壮特征(SURF)拟合算法和Chan-Vese模型的超声图像腔室分割方法。首先对序列中第一帧图像进行人工标记弱边缘轮廓;然后,提取弱边缘轮廓周围的SURF点,建立Delaunay三角网;接着,通过相邻两帧之间的特征点匹配,预测后续帧的弱边缘轮廓;之后,用Chan-Vese模型提取粗糙轮廓;最后采用区域生长算法得到精确的目标轮廓。实验结果表明,该算法能较好地完整提取超声序列图像中含弱边缘的腔室轮廓,并且与专家手动分割结果相近。

基于灰色预测和Chan-Vese模型的台风中心定位

台风是最严重的自然灾害之一,是一个具有巨大破坏力的天气系统。为了减少台风所带来的损失,实时精确地确定台风中心位置是一项十分重要的工作,这也为台风的跟踪与定强等分析提供了重要信息。对国内外台风中心定位现状进行了研究,基于红外序列图像,分别对有眼台风和无眼台风进行定位,提出了基于灰色预测和Chan-Vese模型的台风定位方案。灰色预测用于预测下一时刻台风的初始位置;通过Chan-Vese模型得到台风中心附近的眼墙,然后进行圆拟合即可得到台风中心。除此之外,一些模式识别和图像处理的方法在有眼台风定位中得到了较好的应用。利用气象卫星MTSAT红外1通道图像对2007年台风"圣帕"序列图像进行测试,并将结果分别与中央气象台及日本气象厅的最优路径进行对比,经、纬度误差在0.18°以内。

Chan-Vese模型的共轭梯度算法

随着图像采集设备的发展和对图像分辨率要求的提高,人们对图像处理算法在收敛速度和鲁棒性方面提出了更高的要求.从优化的角度对Chan-Vese模型进行算法上的改进,即将共轭梯度法应用到该模型中,使得新算法有更快的收敛速度.首先,简单介绍了Chan-Vese模型的变分水平集方法的理论框架;其次,将共轭梯度算法引入到该模型的求解,得到了模型的新的数值解方法;最后,将得到的算法与传统求解Chan-Vese模型的最速下降法进行了比较.数值实验表明,提出的共轭梯度算法在保持精度的前提下有更快的收敛速度.