基于GFO模型的水平集分割算法

众所周知,水平集分割方法由于能克服 Snake 分割中所要求的初始轮廓必须与目标轮廓相近以及图像结构不应发生拓扑改变这两大难题而深受青睐。然而,其在图像分割遇到的最大困难是解决边界泄漏问题。虽然有许多研究工作均试图解决这一难题,但收获甚微,究其原因主要是：图像的梯度信息不仅被作为轮廓线运动的停止策略,同时也将为零水平集向目标轮廓运动提供吸引力。因此,其不可避免将产生边界泄漏现象。针对这一难题,本文通过采用 GFO 模型以提供更鲁棒的边界信息和更可靠的停止策略来构造运动驱动力,从而较好地解决传统水平集分割算法所不能解决的大部分边界泄漏难题。

基于自适应扰动信息模型的水平集分割方法

针对现有的分割模型对噪声信息敏感性高、分割模型不稳定、边界侧漏等问题,提出一种基于自适应扰动信息模型的水平集分割方法。该方法构建一种基于局部特征的扰动信息模型,促使在曲线演化后期因噪声、灰度不均等因素的干扰而自适应地跳出局部最优值,构造一种新的边缘检测函数,提高分割模型对弱边界图像的分割精度。实验对比结果表明提出的分割模型在高效性和抗噪性方面表现更优。

基于改进几何活动轮廓模型的图像分割算法

针对传统几何活动轮廓(GAC)模型易出现边界泄露的缺陷,提出一个基于改进GAC模型的图像变速分割算法。该算法结合了图像边缘梯度信息和边缘角点坐标信息,通过改变演化曲线在角点及弱边界处的常量速度,避免活动轮廓曲线继续演化进入目标边界内,造成边界泄露和角点丢失现象,影响目标轮廓提取的准确性。实验结果表明:该算法可使演化曲线更加准确地停在目标边缘,并且在一定程度上减少了边界泄露问题。

改进边界指示函数的水平集活动轮廓模型

由于受成像原理的限制,导致超声图像对比度低、边界模糊,因此基于边界的水平集分割效果很不理想。为了提高超声图像的分割精度和分割效率,提出了一种梯度信息与区域信息相结合的水平集分割算法。首先对基于边界的距离正则化水平集演化(DRLSE)模型进行改进,将区域信息引入到边界指示函数中,并用改进后的边界指示函数代替DRLSE模型中的边界指示函数,最后,得到一个梯度与区域信息相结合的水平集演化模型。结果表明,本文中的模型能准确分割甲状腺肿瘤超声图像,且在分割效率和分割精确度方面均比DRLSE模型有所提高。

基于改进水平集的医学图像分割

针对C-V法的水平集图像分割法缺少局部控制能力等问题,提出了基于物体边界梯度的指数级加速因子模型,通过使用局部图像信息,该模型可以在较少的迭代次数内分割灰度不均匀图像。在规则化项中引入能量惩罚项,消除了传统Chan-Vese模型的重新初始化操作。此外,给出了一个基于演化曲线长度变化的水平集演化终止准则。实验结果证明,该模型不仅能有选择性地对特定目标进行加速分割,而且还能提高弱边界目标的分割精度。

一种新颖的活动轮廓模型方法

提出了一种新颖的活动轮廓模型。该模型有效地利用了测地线活动轮廓(Geodesic active contour,GAC)模型的光滑性和局部区域型CV(Local Region-based Chan-Vese Model,LRCV)模型的局部区域性。实验结果表明,该模型具有分割精度高、对初始轮廓不敏感等优点.

结合新型边界扩展函数的水平集医学图像分割方法

针对核磁共振成像(MRI)图像具有高斯噪声与灰度不均的特点,提出了结合新型边界扩展函数的水平集图像分割方法。第一步对图像进行除噪预处理:利用傅里叶变换把图像转换到频域,然后用理想低通滤波器去除高斯噪声;第二步用改进型水平集方法对MRI图像进行分割:先按照阈值法确定水平集初值,即对图像作预分割,然后设计了一种新型边界扩展函数;在此基础上提出了结合边缘和全局信息的能量函数,通过欧拉-拉格朗日方程确定演化方程,经过若干次迭代,最终得到图像的分割结果。实验结果表明,改进的算法提高了图像分割的准确度,抗噪性能较强,图像细节信息保存完整,无需重新初始化,总体的分割效果比较理想。

一种新的基于区域竞争模型的水平集医学图像分割方法

传统的基于梯度模型的水平集分割方法在水平集曲线演化过程中存在着边界泄漏问题。针对这个问题,提出了一种基于改进区域竞争模型的水平集分割方法。本方法首先通过概率分布公式计算出水平集曲线属于目标区域和背景区域的概率;其次,将概率差值连同权重因子添加到水平集函数方程中,使曲线在演化过程中能量函数达到最小;最终,利用图像的区域信息提高水平集曲线识别边界的能力。实验结果表明该方法能够很好地实现医学图像的分割。

一种改进的水平集主动轮廓模型

通过统计具有图像增强能力的局部区域信息,提出了一种改进的水平集主动轮廓模型.结合非负核函数和具有矫正图像误差特点的灰度集群思想,定义了一种新的符号压力函数(SPF),此函数能够很好处理灰度不均匀、对象边界不明确的问题.并且,引入惩罚项,确保水平集函数的适应性.真实图像和合成图像的实验结果表明,该模型收敛迅速,具有抗噪性,对分割目标图像敏感,能够处理弱边界的多目标图像.

针对弱边缘信息的左心室图像分割算法

基于距离正则水平集模型(DRLSE)的左心室MR图像分割算法对梯度信息有很强的依赖性,在图像弱边缘区域容易陷入局部最优,且对初始轮廓的选取敏感。为降低算法对初始轮廓的敏感程度,提高其在左心室图像弱边缘的分割能力,提出一种适用于弱边缘信息的左心室分割算法。在DRLSE的基础上,该分割算法提出运用拟合方法计算基于变异系数分割模型(PSM)的新局部项,算法依靠梯度与图像局部信息驱动曲线演化,降低了DRLSE对初始轮廓的敏感度;引入形状约束力,克服DRLSE算法在左心室外膜弱边界处出现边界泄露的情况。为验证所提算法分割的准确性,基于多伦多市患病儿童医院影像科提供的数据库,利用DRLSE、保持凸性水平集模型(CPLSE)模型、U-Net网络以及提出的内膜算法对心内膜进行分割;利用DRLSE、引入外膜形状约束力的DRLSE模型(DRLSE-shape)、U-Net网络以及提出的外膜算法对心外膜进行分割。实验结果表明,针对左心室内、外膜,所提算法优于上述算法,能降低DRLSE对初始轮廓的敏感程度,提升对左心室弱边界MR图像分割的精确度。

一种基于局部和全局拟合的混合多相水平集分割模型及算法

提出了一种混合多相分割主动轮廓模型,用于精确地分割灰度图像。针对图像去噪和细小边缘的模糊问题,提出多尺度信息增强和各向异性张量扩散结合的方法,并利用快速预分割获得初始轮廓线。在全局项中,用多种局部特征变量重构拉普拉斯能量拟合函数处理大的目标边缘;为了更好地分割拓扑结构复杂的区域,提出了一种分割深度可控的区域分割能量,并构造了计算局部自适应最佳分割阈值的深度系数。在局部项中,采用局部高斯分布拟合处理灰度不均匀区域。模型使用指数函数作为停止速度函数,并加入鲁棒性的曲线演化停止条件,提高了分割效率。新模型适用于分割灰度图中医学核磁共振图像和背景单一的自然图像,通过与最新的多相水平集模型和深度学习模型对照,结果显示新模型能更好地处理目标的拓扑结构,对边界的定位精确,分割精度更高。

边缘强化的无需重新初始化的水平集分割模型

对Chan-Vese模型和Li等提出的不需初始化的基于变分的几何活动轮廓模型在水平集框架下的物理机制进行了分析,在考虑两种模型优缺点的基础上,提出一种新的基于水平集框架的图像分割模型.该模型整合了图像边缘的局部信息和区域的全局信息,数值计算过程中水平集不需要重新初始化.为了防止边缘信息深入到分割目标的内部,新模型利用Laplacian修正算子加大边缘信息在方程中的权重.实验表明,与CV模型相比,所提出的新模型分割效果和分割时间与初始轮廓线的位置和形状选取基本无关;在处理噪声图像、灰度值渐进多目标图像和边缘复杂图像等效果也优于CV模型和Li模型.