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。

基于改进的LBF模型的图像分割

LBF(Local Binary Fitting)模型利用局部图像信息能够对强度分布不均匀的图像进行分割,然而,该算法仅考虑均值信息,导致模型在处理弱边界图像时得不到理想的分割结果。为此提出一种改进方法:在考虑图像局部均值信息的同时考虑图像局部方差信息和全局方差信息,使得演化曲线能够准确地停止在目标边界上;同时为了加快曲线演化的速度,结合了CV模型的能量项。实验结果表明,改进的方法对含有弱边界信息图像进行分割时能取得较好的效果,演化速度上也有明显的提高。

基于LBF改进模型的煤岩细观结构研究

为了准确全面地获取灰度不均匀的煤岩图像的细观结构信息,引进了基于LBF模型的图像处理方法,并针对其处理灰度不均一图像效率低和分割结果依赖于初始轮廓位置和大小的缺点,分别引入图像增强算子和规范初始水平集函数进行改进。通过对煤岩的3种不同图像进行灰度化、图像分割、形态学处理,获得了高质量的煤岩细观结构二值图像,并分析了各细观参数的统计规律。试验结果表明,基于LBF改进模型的图像处理方法能有效处理灰度不均匀的煤岩图像,获得的细观结构信息可为数值模拟煤岩试件提供真实的几何模型,为煤岩细观损伤力学分析提供可靠的技术支持。

一种全局LBF主动轮廓模型

LBF模型的能量函数对于水平集函数是非凸的,从而导致应用LBF模型分割的最终结果对水平集函数的初始化非常敏感。通过凸化LBF模型的能量函数,提出一种全局的LBF模型(GLBF)。该模型针对水平集函数是凸的,从而可以通过任意初始化水平集函数得到全局最优解。此外,该模型不必重新初始化水平集函数为符号距离函数,从而极大地提高运算效率。对灰度不均匀医学图像的分割结果表明,GLBF模型对水平集函数的初始化不敏感,优于传统的LBF模型以及目前具有代表性的LIF模型。

基于Micro-CT的小鼠骨小梁LBF模型提取及特征分析

针对小鼠股骨Micro-CT切片图像,提出一种骨小梁形态与分布特征的定量分析方法。利用形态学与LBF模型结合方法提取股骨中的骨小梁,通过模拟骨质疏松症状与提取后的正常骨小梁进行几何形态参数测量的对比,同时利用灰度共生矩阵分析骨小梁的纹理分布特征参数进行实验对比。实验结果表明,骨小梁变细、断裂以及消失等状态,其对比度、熵、能量、相关性等参数会发生明显变化,为定量化分析骨质疏松提供了一种研究方法。

同轨构型下LBF双基谱精度分析

双基谱精度分析是设计成像算法的前提,该文针对同轨等速构型详细给出了LBF(Loffeld’s bistatic formula)的谱精度分析,当半双基角的余弦值为1和基线长与目标到航线的最近距离的比值等于半双基角的正切值这两个条件同时满足时,LBF谱是完全严格解析的。谱精度不受基线长度和斜视角大小的影响,通过仿真实验分析讨论了各种约束对于谱精度的影响。

RBF—LBF串联神经网络方法快速测定微量甲醇

提出了由两层径基函数(RBF)网络和两层线性基本函数(LBF)网络组成的串联网络。对气敏传感器阵列测试八种浓度甲醇挥发蒸汽所得到的样本集进行分类实验,表明这种网络分类速度快,分类精度高,优于前向三层RBF网络和前向三层LBF网络。

基于形状约束的LBF模型的水平集分割

由于LBF模型是通过高斯核函数来拟合局部内外的区域信息,是典型的局部区域模型。此外医学图像的复杂性且分割经常出现类似特定形状的目标。为了更快地找到局部的区域特征形状(如圆或椭圆),提出将初始水平集与椭圆方程的差异作为形状能量项融入到LBF模型中,在演化过程中无需经过仿射变换来更新相应的形状,只需对初始轮廓和形状水平集差异能量函数进行迭代计算。在实验结果中,选取4幅眼睛图片分别对LBF模型和加入形状项的LBF模型进行比较分析。结果表明,所提出的模型能够准确地检测图像中椭圆状的目标,且分割准确率达到了96%,也解决了图像灰度不均匀、对噪声敏感的问题。

RBF-LBF串联神经网络的分类应用及其学习算法

提出了RBF LBF串联网络结构、核函数个数、位置与宽度优化算法。提出了网络中核函数的分裂合并规则,在学习过程中将样本的类别信息作为指导信息,根据样本分布情况自动确定核函数个数、中心和宽度。实验表明,本方法具有分类精度高、不易陷入局部最小点的优点。

基于全局LBF水平集模型的脑血管层次粗分割

考虑对脑血管进行三维分割具有一定难度,提出了一种基于全局LBF(Local Binary Fitting)水平集模型的脑血管层次化粗分割方法。首先,应用定向加权中值(DWM)滤波和各向异性扩散滤波去除脑图像噪声,同时保存血管边缘信息,在多尺度条件下局部梯度最大(LIGM)算法,应用灰度和梯度信息提取备选血管,基本实现脑灰质去除。然后,改进全局信息LBF水平集算法实现最大强度投影(MIP)图像分割,采用形态信息提取备选血管,剔除干扰组织。最后,融合两种方法实现脑血管粗提取。实验表明,层次化的分割方法可去除大部分不相关脑组织,包含直接双高斯统计模型中的所有分割血管信息。本项研究基于时飞磁共振血管造影(TOF_MRA)数据,相关研究结果可扩展到其它相似系统中。

LBF活动轮廓模型的改进

LBF模型是一个著名的基于区域的活动轮廓模型。与PC(Piecewise Constant)模型不同,该模型引入了一个以高斯函数为核函数的局部二值拟合(Local Binary Fitting,LBF)能量。因为LBF能量能够获取图像的局部信息,所以LBF模型解决了PC模型不能处理灰度不均一图像的分割问题。提出了一个改进的LBF模型,它使用一个新的核函数代替高斯核函数。实验表明:与LBF模型比较,新模型减少分割时间约50%。

基于FCM和LBF模型的医学图像自动分割

基于局部区域二相拟合(LBF)模型的医学图像分割方法,对初始轮廓敏感并仅能分割单类目标,若手动选取的初始轮廓不合适,将导致算法耗时过大甚至分割失败。针对上述不足,提出联合模糊C均值(FCM)聚类的LBF模型自动分割算法。对待分割图像进行FCM聚类,将得到的目标类隶属度值变换为适用于LBF模型的水平集函数初始值,利用LBF模型从该初始值开始演化直至收敛,从而完成分割。合成图像及血管和脑部图像的分割实验结果表明,该算法能够自动获取合适的初始值,有效解决LBF模型对初始轮廓敏感的问题,减少迭代次数,而且通过选择不同的FCM聚类结果,可以实现对多类目标的分割。

基于Hessian矩阵和LBF模型的指静脉图像分割

针对图像光照不均匀、对比度低、边缘模糊而导致指静脉图像分割质量差的问题,提出基于Hessian矩阵和LBF模型相结合的指静脉图像分割方法。使用基于Hessian矩阵的图像增强算法对静脉图像的血管边缘进行增强,同时对血管的响应函数进行改进。对增强后的图像使用LBF的方法提取指静脉的血管轮廓,通过对轮廓面积大小的判断来剔除静脉血管的间断区域,最后将静脉图像进行细化操作得到最终的指静脉骨架图。实验表明,相较于原始的Hessian矩阵增强算法,改进响应函数后的方法能够得到脉络特征明显、图像清晰的指静脉图像。从图像的分割角度看,文中的方法能较好地处理对比度低、边缘模糊的指静脉图像分割问题,可以得到对比度高、静脉骨架特征明显的指静脉图像。

基于改进LBF模型的高原鼠兔图像分割

针对鼠兔图像背景复杂、对比度低、灰度不均匀且含有大量噪声等特点,在局部二值拟合(LBF)模型基础上,提出一种融合图像梯度信息的改进LBF分割模型.针对LBF模型在演化过程中极易陷入局部极小值的问题,引入全局图像梯度信息,构造含有梯度信息的能量函数,使水平集函数在演化过程中避免陷入局部最优,同时全局梯度能量项能引导活动轮廓曲线向目标边界附近快速移动,从而减少算法运行迭代次数,提高了分割精度.实验结果表明:所提出的用于鼠兔图像分割的模型不仅能提高鼠兔图像分割精度,减少迭代次数,而且背景抑制、目标区域轮廓定位效果好.

一种新的几何活动轮廓模型在图像分割中的应用

提出了改进的LBF模型(ILBF)及其图像分割算法.利用两种不同尺度参数的LBF模型分别描述局部和全局信息,并构造了新的能量函数.将局部熵引入到ILBF模型中,同时给出自动求取能量函数中权重参数ω的有效方法,用尺度参数σ较大的LBF模型替代LGIF模型中的C-V模型,较大σ值的LBF模型不仅具有全局特性而且具有局部特性;将进行数据处理后的局部熵引入到LGIF模型中,进而自动求取权重参数ω,克服了LGIF模型权重参数值的选取全程都需要人工参与的缺点.为了有利于计算机的自动求解和避免过多无用的循环迭代,提出了一种新的终止准则.

LCV模型在医学图像分割中的应用

针对C-V模型不能充分利用图像局部区域灰度变化信息从而导致难以准确分割灰度不均物体等缺陷,提出一种基于局部区域的C-V(LCV)模型。利用计算局部窗函数内的加权灰度均值来取代全局均值,并加入约束水平集函数为符号距离函数的能量项,从而避免水平集函数的重新初始化。对医学图像的分割结果证明LCV模型在分割灰度不均物体方面优于C-V模型,其分割效率高于LBF模型。

基于局部二值拟合模型的板材表面节子与虫眼的图像分割

为了更好地对板材表面的节子和虫眼进行快速有效的分割,对局部二值拟合(local binary fitting,LBF)模型进行了深入研究,从而提出一个改进的LBF模型,即在LBF模型的基础上,添加一个新的水平集线性正则化项,与此同时引入一个以高斯函数为核函数的局部二值拟合能量。改进算法能够克服LBF模型的分割缺点,使得分割过程对初始轮廓的大小和位置不敏感,同时增强算法的抗噪性,能够分割出灰度不均匀的图像。经实验验证,该算法可以比较完整地提取出单一目标和多目标的板材节子和虫眼的图像,以及对应得出与缺陷图像相对应的水平集演化图像。

灰度不均匀图像分割

采用虚拟的符号距离函数代替真实的符号距离函数,依靠待检测目标局部灰度高斯加权均值来驱动活动轮廓的演化,提出了一种能够分割灰度不均匀图像的新颖活动轮廓模型.利用虚拟符号距离函数的梯度形成一个窄带,活动轮廓在窄带内做演化运算,其演化具有计算简单、分割效率高、抗噪性强等优点.符号距离函数重新初始化也只需要在窄带内使用高斯函数规则化后,对其取符号运算即可.符号距离函数重新初始化具有计算简单、效率高的特点.最后给出了活动轮廓在窄带内收敛的一个简单条件,能方便地判断待检测目标是否被检测出来.

异构平台双基SAR成像的RD算法

LBF是第一个原理上适用于任意构型双基SAR的点目标二维解析频谱.传统的LBF对于速度差异较大的异种平台构型双基SAR的精度低,无法实现有效聚焦成像处理.本文给出了一种基于加权LBF的双基SAR的RD算法.仿真成像结果验证了所提方法的有效性.

基于区域混合活动轮廓模型的医学图像分割

针对变分水平集算法在图像分割过程中计算量较大且收敛速度慢的现象,在一些基于区域的活动轮廓模型基础上提出了一种新的基于区域混合模型的非凸正则化活动轮廓模型。该模型构造了一个新的能量泛函,该能量泛函结合了考虑图像局部聚类性质的LBF模型和测地线模型,增加了非凸正则化项,加快了轮廓曲线的收敛速度,可以很好地保持区域形状并能防止边缘过平滑,然后通过经典有限差分法求得能量泛函的极小值。最后,在合成图像和医学图像上做了仿真实验,结果表明,该算法具有较快的收敛速度和很好的鲁棒性,分割结果也较准确。