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。

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。

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。

基于CV模型和形状信息的光学遥感舰船目标分割方法

为了克服光学遥感舰船目标分割中的光照、视角变化和阴影问题,提出一种基于CV模型和形状信息的光学舰船目标分割方法.该方法首先利用核主成分分析来提取舰船目标的形状信息,然后将构造的形状能量泛函与CV模型相结合,得到新的舰船目标分割模型.最后,提出了新的Heaviside函数,以确保水平集演化过程中的数值稳定性.选用来自不同传感器的光学遥感舰船目标图像进行实验.实验结果表明,提出的方法在光学遥感舰船目标的分割性能上优于传统的CV模型.

改进CV模型图像分割的Split-Bregman方法

水平集方法中的Chan-Vese模型(简称CV模型)对灰度不均匀及边界对比度低的图像的分割效果不够精确,计算效率也不是很高。针对灰度不均匀引入偏差场来修正CV模型中的区域平均灰度并引入核函数来加权能量泛函。针对计算效率低下的问题,在上述基础上得出其全局凸分割模型(Global Convex Segmentation,GCS),用SplitBregman迭代求解该模型。实验结果表明:改进后的模型提高了分割精确度和计算效率。

基于改进CV模型的SAR图像水域检测方法

为了能更快速、准确地将河流从背景中提取出来,提出了一种基于改进无边缘主动轮廓(Chan-Vese,CV)模型的合成孔径雷达(SAR)图像水域检测方法。首先,采用基于优化的人工蜂群(ABC)算法的倒数交叉熵多阈值选取方法提取初始水域;然后,在检测结果中引入移动因子改进传统CV模型,加快收敛速度的同时提高水域检测精度;最后,大量试验结果表明,该方法解决了单一阈值分割法分割精度不够高和传统CV模型收敛速度低、对初始条件敏感的问题,能更快速准确地分割出水域。

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。

基于熵和局部邻域信息的高斯约束CV模型

基于曲线演化的Chan-Vese(CV)模型常常不能准确分割非均匀性且结构复杂的医学图像.针对此缺点,文中提出了一种基于熵和局部邻域信息的高斯约束CV模型,作者利用熵构造内部和外部区域能量的权值系数,加强了对曲线演化的控制;同时将曲线上各点的局部邻域信息引入到曲线演化过程中,提高了分割的准确性,并降低了区域内灰度不均匀等因素对曲线演化的影响;高斯约束保证了曲线演化过程中的稳定性、光滑性,同时不需要曲线周长约束项和重复初始化.利用Circular Hough变换对左心室壁内、外膜进行初始定位,避免了人工设置初始轮廓,减少了曲线向目标轮廓演化时间和初始轮廓位置敏感性对分割结果的影响.作者对心脏MR图像的左心室内、外膜进行了分割.结果表明文中方法能够快速准确地分割左心室壁内、外膜,抗干扰能力强,鲁棒性好.

快速CV双水平集算法的人脑MR图像分割

针对CV模型的多水平集算法需要较高的数值稳定性以及曲线演化速度慢的缺点,根据人脑MR图像的特征,提出一种快速CV双水平集算法,统计被2条曲线划分成4类的直方图,构造符号矩阵,依次将直方图上的点放入其他类中,根据能量的变化更改该点对应点的符号,得到粗分割结果,并对粗分割结果进行优化。对MR图像进行的分割实验表明,其分割效果更好,速度有大幅度的提高。

基于KFCM和改进CV模型的海面溢油SAR图像分割

图像分割是合成孔径雷达(synthetic aperture radar,SAR)图像海面溢油检测的关键步骤之一,将核模糊C均值(kernel fuzzy C-means,KFCM)聚类方法及Chan-Vese(CV)模型应用于海面溢油SAR图像分割,为了解决单一KFCM方法分割精度不够高,及传统CV模型对初始条件敏感和收敛速度低的问题,提出了一种基于KFCM和改进CV模型的海面溢油SAR图像分割方法。首先利用KFCM算法将海面溢油SAR图像从原始样本空间映射到高维特征空间,得到聚类结果;然后将其作为CV模型的初始条件,以降低CV模型对初始条件的敏感性,并利用图像边缘强度取代传统CV模型中的Dirac函数,以提高模型的收敛速度和对不同SAR图像的适应性。大量实验结果表明,所提出的基于KFCM和改进CV模型的海面溢油SAR图像分割方法具有分割精度高、运算速度快的优点。

基于快速FCM算法的多目标分割CV模型

Chan-Vese(CV)模型是基于水平集方法演化不依赖图像梯度的算法,能很好地处理拓扑变化和弱边界,但对于目标和背景对比度低的边界以及多目标区域分割效果较差。针对上述问题提出一种基于快速模糊F均值(FCM)算法和邻域模板改进的CV模型。利用快速FCM算法提取图像特征信息,采用邻域模板阈值法对不同的目标区域分别处理,准确控制了轮廓线的分裂,能够分割出更多的目标区域。

基于轮廓波降噪的ISAR目标轮廓特征提取方法

空中目标的逆合成孔经雷达(inverse synthetic aperture radar,ISAR)成像效果往往不理想,干扰杂波、成像算法能力限制等因素使得目标图像质量较差,较难从图像中提取目标的连续轮廓信息。对此,提出一种新的基于轮廓波降噪的处理方法以获得目标连续轮廓特征。首先应用轮廓波变换将复数ISAR图像变换为轮廓波系数,在轮廓波变换域分离信号与噪声并完成降噪处理,接着用优化后的轮廓波系数重建ISAR复图像,然后在实图像域将用形态学方法获得目标的初始轮廓改进为CV(Chan-Vese)模型算法的初始轮廓,最后用CV模型算法进行有限次迭代以获得目标的较优连续轮廓特征。该方法融合了轮廓波降噪技术与自适应CV模型算法,通过对真实yak42型飞机目标ISAR回波数据的试验验证了该方法的有效性和可行性。

改进CV模型的医学图像分割

基于水平集的图像分割方法能有效处理拓扑结构较复杂、有分支的目标,分割结果对目标初始轮廓的位置不敏感,对图像中对比度低的边界的识别效果不佳。广义模糊算子能有效提高图像边界区域与非边界区域的对比度,图像细节分明、失真度小。运用广义模糊算子来改进水平集分割方法中的Chan-Vese模型(简称CV模型)的速度函数;并扩大传统CV模型的边界检测范围以减少迭代次数,加快收敛速度;最后消除误分割区域以进一步提高分割的准确性。对模拟和真实医学图像分割的实验结果表明:改进后的模型能较大提高分割的准确性及效率。

基于圆形约束CV-LIF模型的原木端面图像分割

针对自然条件下原木端面图像的分割问题,结合原木端面图像的特点,改进传统CV(Chan and Vese)模型,对演化曲线内部使用梯度进行拟合,同时融入局部图像拟合LIF(Local Image Fitting)模型,加入圆形先验知识,提出了基于圆形约束的改进活动轮廓模型CV-LIF,将全局能量和局部能量结合到一起,共同约束轮廓线的演化。在对图像进行预分割的基础上,利用多水平集表示待分割区域,运用基于圆形约束的改进活动轮廓模型对每个水平集区域进行再分割,解决了复杂背景下多个原木端面分割不准确的问题。通过实验,分别对单个及多个原木端面图像进行分割,结果表明该方法可以较好地分割出图像中的原木端面,而且具有较好的抗噪性能,实现速度较快。

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。

心脏MRI图像快速分割方法

在分析心脏MR图像特点的基础上,提出了先对心脏MRI图像进行K均值聚类,把K均值聚类后的图像作为特征图像,在特征上用Song和Chan提出的快速分割方法进行粗分割,再用粗分割的曲线作为水平集的初始曲线,在心脏MRI图像上用Chan和Vese方法进行细分割的心脏MR图像分割方法。并对Song和Chan快速算法中扫描图像的区域进行了改进,提高了分割速度。分割实验证明,用该方法能够快速、准确地分割心脏MRI图像。

改进C-V方法实现目标物体内部第三相区域分割

针对Chan-Vese水平集方法进行全域演化实现多相目标物体收敛时计算量大、演化速度极慢,而采用初始区域内进行轮廓曲线演化时又不能实现目标内部第三相区域的分割,提出二轮递进演化和演化背景灰度值转化的改进Chan-Vese方法实现目标内部第三相区域分割。改进方法能够对Chan-Vese方法演化多相拓扑不成功的情况实现目标内部第三相区域的检测。实验结果表明,改进的方法能快速稳定实现目标物体内部第三相区域分割。

快速自适应分片常数CV模型

Chan-Vese模型以其能较好地处理图像的模糊边界和复杂拓扑结构而广泛运用于图像分割中。但针对含灰度不均匀性和复杂背景的图像分割效果较差。提出一种基于图割方法的自适应分片常数式的CV模型。首先通过计算距离函数和邻域相似度修正CV模型的拟合项及长度项;然后根据像素点和拟合中心的相似度控制划分拟合中心所在的区域,以备准确估计拟合中心;最后利用图割算法最小化能量函数并得到新的拟合中心以进行下一轮最小化,从而得到更准确且高效的分割结果。

改进的公路破损路面图像分割CV模型

针对传统Chan-Vese(CV)模型对公路路面破损图像分割的局限性,将图像梯度信息引入CV模型,利用路面破损区域纹理与背景的不同,对图像进行分割。引入梯度阈值,将图像的灰度信息和纹理信息相结合,从而使分割方法更具灵活性。实验结果表明,改进的CV模型比传统CV模型具有更好的分割效果。

基于多阈值单水平集方法的医学图像分割

针对Chan-Vese的无边界主动轮廓模型(CV模型)只能区分前景与背景的缺点,提出了一种基于多阈值单水平集的医学图像分割方法,并将此方法应用于微创手术的预处理中。由于医学图像结构复杂,具有器官轮廓多连接等特点,因此使用常规的水平集方法进行分割往往不能取得理想的效果,而该方法采用修改目标泛函的方式引入多类分割,具有多区域分割的特点,只需经过一次单水平集的迭代循环,即可将图像根据灰度不同划分为多个区域,具有精确、快速等优点。对不同的合成图像和医学图像的实验结果表明,该方法实现了快速精确的多区域分割,能很好地提取到医学图像中的骨骼轮廓,分割效果达到了预期水平。