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.

结合邻域信息的Chan-Vese模型图像分割

灰度异质图像广泛存在于日常生活及医学图像中,而现有方法不能很好地解决灰度异质图像的分割问题,为此提出一种结合邻域信息的改进Chan-Vese模型.首先通过计算找出邻域内与中心点属于同一类的点,其次将这些点与中心点的距离作为它们与中心点相似程度的权值进行累加,最后通过统计整幅图像中每个局部区域内各点与中心点的相似程度,加强了该模型对区域细节的捕获能力,实现对灰度异质区域的分割.实验结果表明,与Chan-Vese模型相比,文中模型可以准确地分割包含灰度异质区域的图像;与Piecewise Smooth模型相比,2个模型分割效果几乎相同,但文中模型的速度更快.

一种加快Chan-Vese分割方法的有效措施

论文详细阐述了Chan-Vese(CV)方法的基础理论及其几何意义,分析了符号距离函数在水平集演化过程中的变化规律,在CV方法中引入约束符号距离函数的能量项,改进了原来的CV方法,最后通过实验说明了这种改进有效地提高了原算法的计算速度。

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。

自适应初始轮廓的Chan-Vese模型图像分割方法

Chan-Vese模型(CV模型)是一种在图像力和外部约束力作用下从初始轮廓向目标边界运动的变形曲线,在图像分割、边缘检测等研究领域得到了广泛应用。但由于图像个体差异性较大,目前针对CV模型中初始轮廓的自动提取问题研究较少。提出了一种基于视觉认知的自适应CV模型图像分割方法。该方法根据视觉注意机制和bottom-up的底层图像特征分析,自动获取图像中目标区域的先验形状信息,用于约束CV模型中的初始轮廓,在此基础上,构造一种简化的CV模型对图像进行分割。实验结果表明,该方法具有鲁棒性和自适应性,能够有效降低初始轮廓位置对活动轮廓模型的影响,显著提高模型的收敛速度,同时减少算法迭代次数。

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。

Chan-Vese可变模块法快速实现红外图像分割

Chan-Vese方法作为Mumford-Shah的简化模型,因其水平集函数在演化过程中的全区域变化,会造成计算量极大,严重影响曲线形变速度;即使采用窄带法,在像素大的图像处理中,演化速度也极大地受到限制。提出一种改进Chan-Vese可变模块法快速实现红外图像分割,提出了形变曲线的不同节点根据前一次迭代演化情况,采用不同大小的模块运算,从而极大地提高了Chan-Vese模型演化速度。通过对红外图像的实验仿真,证明了该改进C-V方法能达到理想的效果。

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。

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.

基于AOS格式的扩展Chan-Vese模型及多水平集图像分割方法

对Chan-Vese提出的基于Mumford-Shah模型的多水平集图像分割算法作了改进.首先,使用AOS算法改进了原模型的差分格式,使得差分格式无条件稳定.其次,在水平集的构造中应用了快速推进法的改进算法,减少了水平集初始化时计算的点数和重复次数.

基于改进变分水平集的红外图像分割方法

提出一种基于水平集的红外图像偏微分分割方法,通过改进Chan-Vese模型中的能量函数获得偏微分方程,该能量函数将红外图像边缘与区域信息相结合,取得了全局极小值,该能量模型对水平集初始曲线的位置不敏感,并可定位图像边缘。基于该模型的变分水平集分割方法可分割出红外图像目标。实验结果表明,该方法效果良好,便于下一步的红外目标识别与跟踪。

一种基于三维直方图的改进C-V模型水平集图像分割方法

对Chan-Vese提出的基于简化Mum ford-Shah模型的水平集图像分割方法(C-V模型)做了改进.传统的C-V模型仅将灰度同质(homogene ity)作为区域分离准则,这使其对于对比度明显的图像能够取得很好的分割结果,但单一的分离准则往往致使其在分割噪声信息丰富的、灰度分布复杂的医学、遥感以及自然图像等时产生大量的冗余轮廓.为此,本文在改善C-V模型全局优化特性的基础上,整合图像的灰度分布信息、邻域空间信息以及图像所固有的模糊信息构造三维向量(灰度值、模糊均值和模糊中值),提出了一种基于三维直方图的改进C-V模型水平集图像分割方法.自然图像和红外光学图像的试验结果证明了该方法的有效性.

基于核函数的活动轮廓模型

为了改善活动轮廓模型的分割精度和效率,提出一种基于核函数的活动轮廓模型.该模型采用鲁棒的非欧氏距离度量构造能量泛函,提高了模型的分割精度;使用指数类型的核特征函数来提升收敛速度;最后在模型中还加入了水平集正则项,以避免水平集的重新初始化.实验结果表明,文中模型在分割精度和分割效率上都要强于Chan-Vese模型.

基于水平集的人脑MR图像分割方法

为了更好地对解剖结构和形状复杂的非均匀分布人脑图像进行分割,在水平集Chan-Vese模型的基础上引入Otsu技术,给出了基于水平集的人脑磁共振(magnetic resonance,MR)图像分割方法.该方法利用Heaviside函数描述区域内图像分布信息,通过最大类间方差来反映区域间图像分布方差信息,2部分信息经融合后构建新的能量函数,以引导图像分割过程,最终得到所期望的人脑图像分割结果.采用2个数据集提供的人脑图像数据进行实验,结果表明:所提方法在相似性度量和正误率度量方面,与其他方法相比都有明显的优势,可以很好地实现人脑图像的分割.

基于聚类信息的活动轮廓图像分割模型

基于传统Chan-Vese(CV)模型,结合图像聚类信息,提出一种有效的活动轮廓模型图像分割方法.该方法首先改进CV模型的能量泛函,考虑图像的梯度信息,提高图像分割的精确度.其次在能量泛函中添加图像的聚类信息系数K,并使用图像的聚类信息实现对水平集轮廓曲线的自动初始化.在分割处理彩色图像时,为提高分割效率,对彩色RGB图像的三通道进行加权处理.最后为能量泛函添加正则项,避免水平集的重新初始化,完成对灰度图像及彩色图像的快速精确分割.实验表明该方法的有效性.

基于C-V模型无关曲率方向的快速分割算法

为提高图像分割的精度获取边缘更佳的分割图,提出结合无关曲率方向的边缘函数与无需重新初始化符号距离函数的基于C-V(Chan-Vese)模型的快速分割算法。针对在图像的同质区域中基于水平集的C-V模型不能正确分割出目标轮廓的缺陷提出优化方法。改进算法不依赖于水平集梯度信息进行活动轮廓曲线的演变,引入无关曲率的边缘函数并结合平均曲率运动方程以最小化长度能量项;并且在能量函数中增加了内能泛函项,以简化模型在局部需要重新初始化符号函数的步骤,提高运算速度。实验表明新算法能够演化出目标边缘曲线,准确分割图像,且运行耗时显著减少,收敛速度近似为几何活动轮廓C-V模型的1.2倍。

两种保持符号距离函数的水平集分割方法

Chan-Vese模型在图像分割领域正被广泛应用。然而,传统的水平集方法存在两个重要的数值问题:水平集函数不能隐式地保持为符号距离函数;由于采用梯度降方法求解使水平集演化速度缓慢。针对该问题提出两种快速分割方法加快演化速度:对偶方法和分裂Bregman方法。为了让水平集保持符号距离函数特性,利用投影方法加以约束,并采用增广Lagrangian方法加快收敛速度。实验结果表明,提出的两种快速分割方法比传统的梯度降方法分割效果好、计算效率高。

基于改进活动轮廓模型的人脸分割

人脸图像往往轮廓边界模糊、梯度不明显,常规活动轮廓模型通常无法获得理想的分割效果。为实现准确的人脸轮廓定位及分割,结合人脸检测、活动轮廓模型和数学形态学算子提出一个基于曲线演化的人脸分割方案,并提出一个改进的活动轮廓模型,有效提高了人脸轮廓定位精度和算法收敛速度。实验结果表明该模型可以有效地检测出局部模糊或分断边界而且演化曲线不会断裂,能够获得较好的人脸分割结果;此外,本文提出的C-V模型的窄带实现方法使计算量减少60%。

一种改进的图像分割方法

分析了图像分割方法中Chan-Vese方法及其改进方法的不足,提出了一种图像分割的新方法。引入各向异性平滑项,并用差分法来求解水平集函数,因此在图像处理过程中既对噪声有较好的鲁棒性,又能更好地保持图像中较弱边缘的信息,提高图像分割的精度。实验证明,此方法比Chan-Vese方法及其改进方法有更好的分割效果。