Topography Image Segmentation Based on Improved Chan-Vese Model

Aiming to solve the inefficient segmentation in traditional C-V model for complex topography image and time-consuming process caused by the level set function solving with partial differential, an improved Chan-Vese model is presented in this paper. With the good per）brmances of maintaining topological properties of the traditional level set method and avoiding the numerical so- lution of partial differential, the same segmentation results could be easily obtained. Thus, a stable foundation tbr rapid segmenta- tion-based on image reconstruction identification is established.

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。

带正则化拟合项的Chan-Vese模型

为了提高Chan-Vese(CV)模型对噪声的鲁棒性,提出了一个带正则化拟合项的CV模型.新模型对CV泛函中图像像素灰度与拟合常数的距离函数进行磨光,在极小化新能量泛函的过程中,使得每个像素点的分割在其邻域范围内保持连续性,这样就可以排除噪声点的影响,获得正确的分割结果.并且采用一个基于新的边缘停止函数的测地弧长项作为正则项,进一步提高了模型的抗噪性.实验结果表明,对于不同噪声污染的人工图像和自然图像,本文模型都能取得较为满意的分割结果.并且对于强高斯噪声和椒盐噪声污染的图像,本文模型相对于经典的CV模型和LBF模型具有较大的优势.

一种基于改进Chan-Vese模型的红外图像分割方法

为了解决基于Chan-Vese(CV)模型的传统水平集方法难以分割灰度不均匀红外图像的问题,本文提出一种基于改进CV模型的水平集分割方法。通过加入可处理局部区域信息的局部项,使得改进的CV模型能够有效避免不均匀背景对水平集演化过程的干扰。此外,通过加入符号距离能量惩罚项,使得该模型无需重新初始化过程,从而提高了水平集函数的演化效率。实验结果表明,本文方法对于红外图像的分割具有较高的精度。

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.

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。

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。

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.

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。

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。

一种新的基于CV模型的图像分割算法

CV模型是一种重要的图像分割模型,本文针对其收敛速度慢、效率低的缺点提出一种求解CV模型的新方法。首先将CV模型的能量泛函改写成与原来有相同稳定解的总变分公式形式,然后使用对偶公式法求总变分公式的极小值,再在其中引入一速度项以加快模型的收敛速度。新方法一方面克服了梯度下降法要求时间步长小、迭代次数多的缺点,经过较少次的迭代就能收敛,减少了迭代计算的次数;另一方面,引入的速度项能够减少每次迭代的时间,从而缩短求解模型的时间。速度项的引入同时减少了对梯度的依赖,增强了抗噪性。另外,可以通过调节速度项得到不同数目的同质区域,以适应相同图像不同分割任务的需求。实验结果表明本文方法是有效的。

基于CV和LBF模型结合的图像分割算法研究与实现

CV模型和LBF模型是两个著名的图像分割模型,然而它们有各自的缺点。CV模型不能处理灰度不均图像,而LBF模型虽然能处理灰度不均图像,但对活动轮廓的初始化很敏感,且对噪声不具有鲁棒性。为了克服上述缺点,首先对图像进行预处理,然后在得到新的图像的基础上提出与LBF类似的模型,同时将其与CV模型结合,得到全局和局部活动轮廓模型。实验结果表明,所提模型不仅能处理灰度不均匀图像,同时减弱了活动轮廓对初始化的敏感性,并且提升了对噪声的鲁棒性。

基于凸优化的自适应CV模型

针对CV模型分割精度不高、分割速度缓慢和易陷于局部最优等缺点,提出了一种新的基于凸优化的自适应CV模型。首先,引入了自适应权重项,对拟合中心的计算采用加权平均,提高了拟合中心计算的准确性;然后,在模型中加入了凸优化技术,以获取模型的全局最优解;最后,采用了Split Bregman方法进行快速求解,有效地提高了分割效率。实验结果表明,基于凸优化的自适应CV模型有效地提高了分割精度和效率,对初始化也具有较好的鲁棒性。

基于Otsu和改进CV模型的SAR图像水域分割算法

图像分割是SAR图像处理中基本而关键的技术之一,也是影响SAR图像自动解译性能的一个重要步骤。由于受相干斑噪声影响严重,SAR图像分割一直是一个公认的难题。针对Otsu算法对SAR图像分割精度不高以及CV模型对初始条件敏感和演化效率低等问题,本文提出了一种融合分割算法。采用快速一维Otsu算法对图像进行粗分割,分别将得到的水体区域和水体轮廓作为CV模型的分割区域和初始条件,降低了CV模型的场景复杂度,提高了分割速度,减弱了CV模型对初始条件的敏感性。利用图像边缘强度信息代替CV模型中的Dirac项,改进了CV模型的偏微分方程,使分割算法更好地适应SAR图像的同时提高了CV模型的收敛速度。实验结果表明,融合分割算法具有分割边界定位准确、运行高效、无需设置初始条件等优点。

一种结合区域梯度的自适应CV模型

针对多相CV(Chan-Vese)模型中计算复杂度高、对初始轮廓选取位置敏感、分割不精确等问题,在区域梯度算法的基础上,引入自适应权重项对拟合中心进行加权计算。给出一种改进的自适应CV模型。实验表明,与多相CV模型相比较,新的自适应CV模型具有对初始轮廓选取位置具有更好的鲁棒性。

改进CV模型在高分辨率遥感影像分割中的应用

针对遥感图像的特点及分割要求给出了一种CV简化模型,并对改进模型的正确性进行了实验验证。实验结果表明,该方法不但提高了运算速度,而且能够得到连续封闭的目标地物矢量数据,因此可方便地利用分割边界的几何特征实现地物目标的精确识别。

利用改进CV模型连续水平集算法的核磁共振乳腺图像分割

针对核磁共振乳腺图像边界弱、信息量大、信噪比低的问题,提出一种基于改进Chan-Vese(CV)模型的连续水平集分割算法。该算法利用B样条基函数将传统离散水平集函数表示成连续形式,用解决B样条空间的变分问题代替水平集函数更新的计算问题;通过引入转移Heaviside函数,构造α-CV模型作为能量函数模型。实验结果表明,与传统CV模型离散水平集方法相比,该算法可以避免局部极小值的现象,提高分割精度,有效抑制噪声,分割迭代次数降低了101数量级,并且可以准确、稳定地实现低信噪比、弱边界的核磁共振乳腺图像分割。

基于局部统计信息的快速CV模型MR图像分割

Chan-Vese(CV)模型以其能较好地处理图像的模糊边界和复杂的拓扑结构而广泛运用于图像分割中。但由于核磁共振(MR)图像广泛存在强度不均匀性,因此CV模型不仅不能进行准确的分割,而且迭代过程需要对所有图像数据进行反复计算,分割效率很低。针对以上缺点,提出了一种基于局部统计信息的用于快速进行图像分割的CV模型,即首先在局部区域内,通过计算统计量来得到像素点归类的贝叶斯后验概率,并以此作为曲线演化的依据,这样,就能对强度不均匀的MR图像进行准确的分割;然后设置两个表分别存储曲线内外部邻点,并通过更新这两个表内的点来实现曲线演化,从而不但大幅提高了计算速度,并保持了水平集方法能自动处理拓扑结构变化的优点。