一种基于形状先验的Graph Cuts道路网提取算法

针对当前道路提取算法需要较多的人工交互的问题,引入一种基于形状先验的道路网提取算法,在高分辨率影像中只选取一个初始道路段即可以完成道路条带的分割。先用一维Gabor滤波提取出影像纹理特征值,再在纹理影像上进行阈值操作和直线匹配,获得初始道路段;以初始道路段的中心线的两个端点作为种子点,选择合适的长度和宽度分割出初始窗口;在初始窗口中运用加入形状先验知识限制的Graph Cuts算法求解最大流获得分割结果。与已有改进的Graph Cuts算法分割结果的比较验证了本方法的有效性。

融合SUSAN特征的医学图像Graph Cuts算法

交互式图像分割算法由于可以从复杂的医学图像中分割出感兴趣的组织,现已引起研究者的广泛关注。该算法对Graph Cuts中经典能量函数的边界项进行改进,将传统的灰度特征替换为SUSAN特征。由于SUSAN特征的求和机制,极大的抑制了噪声的影响,对边界的定位也更加准确。实验表明该算法能够准确分割出感兴趣目标,剔除多余边界,并且对噪声也有很好的抑制作用。

自适应形状约束Graph cuts算法在腹部CT图像分割中的应用

针对CT图像对比度低,组织边缘模糊,器官轮廓不规则等特点造成组织器官难以分割的问题,提出了一种自适应形状约束的Graph cuts算法.首先使用基于多图谱配准的分割方法分割原始图像,将得到的初始分割结果作为形状先验加入到Graph cuts算法的能量函数中,同时根据配准分割过程得到的目标概率图自适应选择形状约束项系数,最后通过最大流最小割算法分割出CT图像中的肝脏、肾脏和脾脏.实验结果表明,该方法能够较好地分割出肝脏等组织器官,有效减轻传统图割算法分割图像时造成的过分割和欠分割现象.

Graph Cuts算法实现过程中的关键问题研究

Graph Cuts(GC)算法是一个基于图论的交互式目标提取算法,该方法将图像建模为一个区域和边缘的约束模型,通过求解该模型的最小割获得一个优化的目标分割边界。在使用程序实现该算法时会遇到种种问题,详细叙述了GC算法的实现过程,为进一步研究GC相关方法奠定基础。

基于改进Graph Cuts的印刷电路板CT图像分割算法

基于锥束CT的印刷电路板(PCB)无损检测是近年来出现的新的PCB检测手段,但是CT图像中普遍存在的金属伪影容易导致PCB图像的错误分割。为了抑制金属伪影对PCB图像分割的影响,文章提出了一种基于图割的交互式分割方法。利用受金属伪影影响的PCB图像灰度分布特点设计了新的权值函数,并进一步利用了用户输入的信息,将用户选取的种子点信息作为计算区域项权重的重要参数。通过对多组印刷电路板图像进行分割实验比较,结果表明与经典的Graph Cuts和Grabcut等算法相比,文章方法在准确性方面有明显提高。

基于余弦相似度的Graph Cuts序列图像分割算法

传统Graph Cuts算法容易出现漏分割、误分割现象,分割效果有待提高,且需要人工交互分割效率不高。针对传统算法的不足,提出基于余弦相似度的Graph Cuts序列分割图像算法。使用最大余弦相似度构造能量函数的区域项,计算超像素与种子聚类区域的最大余弦相似度。使用余弦相似度和颜色相似度来构造边界项,计算邻域超像素的颜色和相对距离特征相似度。将该算法与传统Graph Cuts算法进行分割结果比较精确率和召回率等均有提高,漏报率降和虚报率明显降低。算法应用于序列图像分割,减少人工交互,提高分割效率。

基于生成模型约束的graph cuts标签融合算法

人脑磁共振图像(magnetic resonance imaging,MRI)分割算法易受图谱错误标签的影响,为减少错误标签对标签融合准确度的影响,提高人脑磁共振图像的分割精度,在图谱预选阶段采用梯度信息和互信息筛选出相似性较大的图谱图像,对标签融合阶段提出利用生成模型(generative model,GM)约束的graph cuts标签融合方法,快速准确地分割出了人脑海马体结构。与其他的标签融合方法对比,提出的算法具有更高的分割精度。

基于配准分割的Graph Cuts自动分割算法在肝脏图像中的研究

临床上的肝脏疾病诊断是由医生对肝体影像进行手动分割,获得肝体的准确解剖信息对肝功能进行有效的评价,但手动分割肝脏影像是一项繁琐、费时且不可重现的工作。为了辅助医生对肝脏疾病诊断,论文提出基于配准的GraphCuts自动分割算法,对人体肝脏CT图像进行自动分割。首先使用配准分割算法,对肝脏图像进行有效的分割,然后使用权重投票将所有的配准分割结果融合为一幅预分割图像,最后利用水平集符号距离函数通过预分割图像标记前背景像素,实现Graph Cuts算法对肝脏的自动分割。实验结果表明,论文的自动分割算法精度较高,在一定程度上能够为临床的精确诊断提供科学的理论依据。

基于Graph Cut的快速纹理合成算法

提出一种带边界匹配的基于Graph Cut的快速纹理合成算法.通过将纹理样本以不同的位移贴到输出图中完成合成,重叠区域的像素取值由Graph Cut确定.引入边界图辅助位移搜索,以增强合成结果的边界连续性;在预处理过程中计算2个相同样本在所有相对位移下的匹配误差,选取一部分误差最小的位移组成"优选位移"集合,合成过程中的块间相对位移仅从此集合中选取,大大地提高了合成速度.实验结果表明,该算法合成质量高、适用范围广、合成速度快.

基于Graph Cuts的木材扫描电镜图像特征提取方法

提出一种基于Graph Cuts图像分割的木材SEM图像特征提取方法。首先对木材SEM图像增强,应用Graph Cuts分割图像;提取木材组织轮廓后,使用数学形态学平滑对象轮廓;最后提出木材细胞的9种几何和统计特征及其计算方法。针对12个木材树种的试验结果表明:本方法给出的特征在给定树种及各树种的早、晚材间均具有较大的差异,为木材材种识别提供了重要依据。

带连通性约束的快速交互式Graph-Cut算法

Graph-Cut算法是图像及视频中经典且有效的前景和背景分离算法,针对其计算量较大导致实时性不佳、前景和背景颜色相似时分割结果易出现shrinking bias现象的问题,提出一种改进算法.该算法利用Mean-Shift技术对图像进行预处理,将原图像表示成基于区域的、而不是基于像素的图结构,预处理结果还可应用于后续的前景和背景颜色分布估计过程,使得计算量大大下降;在能量函数中引入了具有自适应权值调节功能的连通性约束项,有效地改善了shrinking bias现象,提高了分割结果的精确性.实验结果表明,文中算法具有良好的实时交互性,且分割效果更加稳定和精确.

一种基于Graph Cuts的SAR图像分割方法

在最小化由马尔科夫随机场(MRF)图像分割模型建立的能量函数方面,基于Graph Cuts的alpha-expansion是一种比较有效的算法。但是,由此算法构建的s/t图中边的数目非常多,运算速度很慢。为了减少alpha-expansion算法的计算量,本文在标号为alpha的像素向其它像素膨胀的过程中,先隔离非alpha类间的联系,而只考虑alpha类与非alpha类之间的关系,从而避免了alpha-expansion算法需要构造辅助结点的问题,减少了s/t图中边的数目,提高了算法的计算效率。因放松了非alpha类间的关系对alpha膨胀的约束,使得算法可以更容易得跳出能量函数的局部极小点而获得更优的分割结果。实验中将改进的算法与传统的基于Graph Cuts的算法做了对比,显示了新算法在运算时间和最小化能量方面的有效性。

结合GMM和Graph-Cuts的直观传输函数设计方法

提出一种新的基于笔画的传输函数设计方法。与其他基于笔画的方法相比,该方法只要求用户对感兴趣数据做少量标记,操作更简便;另外该方法更好地考虑了体数据的空间信息,分类结果更合理。首先使用贪心极大似然估计算法构建用户感兴趣数据和背景数据的高斯混合模型(GMM)模型;然后基于GMM模型使用Graph-Cuts实现对体数据的分类,并通过仔细设计Graph-Cuts能量函数的平滑项将空间信息引入分类过程。针对体数据的规模大,难以直接应用Graph-Cuts算法的难题,在此通过使用层次模型减小Graph-Cuts算法所处理问题的规模,从而获得了实时交互的效果。该方法使用多个体数据进行测试,获得令人满意的效果。

基于形状先验和Graph Cuts原理的道路分割新方法

从遥感影像中提取道路一直是研究热点,但还没有一个普适有效的策略。本文给出一种新的直接针对道路段的分割方案,首先获得道路的初始段,再利用Graph Cuts解算融合两种形状先验的能量函数,向初始段两端动态外推以获取一条完整道路,最后通过对不同遥感图像的试验验证了该算法的有效性。

基于Graph Cuts多特征选择的双目图像分割方法

双目图像分割对后续立体目标合成与三维重建等应用至关重要。由于双目图像中包含场景深度信息,因此直接将单目图像分割方法应用于双目图像尚不能得到理想的分割结果。目前,大多数双目图像分割方法将双目图像的深度特征作为颜色特征的额外通道来使用,仅对颜色特征与深度特征做简单整合,未能充分利用图像的深度特征。文中基于多分类Graph Cuts框架,提出了一种交互式双目图像分割方法。该方法将颜色、深度和纹理等特征融合到一个图模型中,以更充分地利用不同特征信息。同时,在Graph Cuts框架中引入了特征空间邻域系统,增强了图像前景区域与背景区域内部像素点之间的关系,提高了分割目标的完整性。实验结果表明,所提方法有效提升了双目图像分割结果的精确度。

基于高斯超像素的快速Graph Cuts图像分割方法

提出了一种交互式的快速图像分割方法.该方法通过使用高斯超像素来构建Graph cuts模型以实现加速.首先,利用融合了边缘置信度的快速均值漂移算法,将原始图像高效地预分割为多个具有准确边界的同质区域,并将这些区域描述为超像素,用于构建精简的加权图.然后,使用区域的彩色高斯统计对超像素进行特征描述,并在信息论空间中对高斯距离度量进行设计.另外,为了准确而精炼地对先验知识进行参数化学习,本文还使用了分量形式的期望最大化混合高斯(Component-wise expectation-maximization for Gaussian mixtures,CEMGM)算法对用户交互进行聚类.最后,在改进的加权图模型中应用Graph cuts方法,获得最终的分割结果.通过使用不同的彩色图像进行分割实验比较,仿真结果表明本文的方法在准确性和高效性方面都具有很好的性能.

一种新的基于Graph cuts方法的SAR图像分割模型

Graph cuts方法是一种快速优化技术,能有效解决计算机视觉的低层次问题,如表面重构、分割、去噪等问题。其优点是迭代计算的高效性并能得到全局最优解。利用Graph cuts方法,将基于活动轮廓模型和水平集方法的SAR图像分割模型转化成一个新的模型,可用最大流/最小割方法来求解。实测SAR图像的分割实验表明:提出的新模型所需运行时间大约是基于水平集的活动轮廓模型所需时间的一半,分割精度也得到了较大的提高。

一种改进的Graph Cuts交互图像分割方法

本文提出了一种改进的Graph Cuts交互图像分割方法。Graph Cuts交互图像分割方法〔1〕首先由用户选定部分像素作为对象和背景,其余像素为未知区域;然后根据以像素为顶点,以像素相邻关系为边,构造一个图;最后通过图的最小分割方法将图像分为对象和背景两部分。此方法分割图像的结果直接受到用户选定对象和背景像素操作的影响,对象和背景边界的像素容易被分割错误。我们分别对对象区域和背景区域进行腐蚀操作,使分割错误的像素重新变为未知区域(对于在对象或背景内部被错误划分的像素,可以利用类似画笔的工具,直接将其标为对像或背景),然后重新进行一次Graph Cuts分割。由于这次选定了大部分的对象和背景区域,实验结果表明,最后分割结果正确率明显提高了。

基于Graph-Cuts的脑部MRI图像脑组织提取方法

脑部MRI图像的脑组织提取是神经影像学分析的一项重要预处理过程,为提高提取精度,提出一种基于graph-cuts的脑组织自动提取方法,主要适用于T1加权MRI图像。首先采用Smith等提出的脑组织提取工具(BET)得到感兴趣区域(ROI),仅在该区域内用graph-cuts方法进行演化;并在graph-cuts中加入一个速度限制因子,解决脑组织提取过程中的局部收敛和边界泄漏问题;此外,还采用一种逐层处理2D图像切片的3D数据初始化方法。利用IBSR(Internet Brain Segmentation Repository)网站提供的18组数据,将所提出方法与现有的部分脑组织提取方法(脑组织提取工具(BET)、脑组织表面提取算法(BSE)、分水岭算法(WAT)、混合分水岭算法(HWAT)、图割算法(GCUT)和鲁棒脑组织提取算法(ROBEX)),进行对比试验。结果显示,本方法最接近于标准分割,平均Dice系数达到0.95,并且在多个评价参数(假阳性率3.2%和Hausdorff距离9.6)上都取得最好结果。实验表明,所提出方法具有较好的精确性和稳定性。

结合显著性和Graph cuts的肺区域图像分割

针对肺部CT图像灰度分布不均匀、各组织结构复杂导致难以准确地分割提取出肺区域的问题,提出了一种结合图像显著性和Graph cuts的肺区域自动分割方法.对10位病例的CT图像序列进行测试,结果表明:该方法可以自动完成肺区域分割,具有较高精度,且耗时较少.