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。

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。

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.

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。

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。

基于区域粗定位与Chan-Vese主动轮廓模型的MAG焊视觉图像熔池边缘提取

对基于熔化极气体保护(Metal active gas,MAG)焊的管道打底焊过程中通过电荷耦合器件(Charge-coupled device,CCD)摄像机与复合滤光技术组成的光学系统实时采集的正面焊缝区域图像进行分析,实现熔池图像边缘提取。对获取的焊缝区域图像,经过高斯平滑后,考虑到初始轮廓对Chan-Vese主动轮廓模型提取边缘效率的影响,使用基于阈值的方法,用矩形标出熔池的初始区域,即实现熔池区域粗定位,求取矩形区域中心,以该中心设定一椭圆作为熔池初始轮廓,使用Chan-Vese主动轮廓模型提取熔池边缘。借助该模型实现了MAG管道打底焊焊缝区域图像的熔池边缘提取,与Sobel变换等方法比较,该方法提高了熔池边缘提取的精度。

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.

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。

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算法的自适应分等级分割方法

针对多目标物体图像的分割问题,在Chan-Vese多相分割模型的基础上,结合分等级分割的概念,提出自适应分等级分割方法,在每一阶段分割之前能够先根据图像中的物体数量判断出所需要的Level Set函数的个数,再进行分割工作.实验结果表明,自适应分等级分割方法不仅消除了多相分割模型对初始化曲线位置敏感的不足,而且能够充分利用每一个Level Set函数,减少分割步骤,并且能提高弱边界的提取精度,是一种有效且稳定的方法,能够产生光滑、准确的分割结果.

Chan-Vese模型两相自适应窄带的阴影区检测方法

为得到快速高精度的声呐图像阴影区检测效果,提出Chan-Vese模型两相自适应窄带检测方法。利用各向异性二阶邻域马尔可夫模型估计声呐图像的纹理特征参数,实现原始图像平滑去噪;由块方式的k-均值聚类算法确定图像的初始两类分割,初步确定阴影区大致位置,并根据此大致位置,自适应初始化零水平集函数,来减少人为干预,提高检测速度;在此基础上,提出建立Chan-Vese模型两相窄带水平集进行声呐图像检测,完成局部寻优,排除全局图像中孤立区对检测的影响,使阴影区检测结果更加精确。通过对真实声呐图像的检测实验结果分析,验证提出的检测方法能够去除原始图像的部分噪声,提高检测精度和速度,有一定的自动性和适应性。

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。

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。