基于Mumford-Shah模型的快速水平集图像分割方法

该文对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法做了两方面的改进:首先改进了C-V方法的偏微分方程,使得C-V方法可以快速计算出全局最优分割;其次,采用源点映射扫描方法来快速计算符号距离函数,克服了常规水平集方法中构造符号距离函数计算量大的缺点,并结合该文所提出的基于快速步进法生成符号表的方法,进一步提高了计算稳定性.两方面的改进提高了计算的速度和分割效果,试验统计结果显示,对于512×512的大幅图像,一般只需要10次左右的迭代就可以得到最优的分割效果.对合成图像、生物医学图像的分割结果表明了本文方法的稳健、快速.

基于梯度的混合Mumford-Shah模型医学图像分割

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,将基于边缘的几何主动轮廓线模型和基于区域的C-V法两者结合起来,提出了基于梯度的混合Mumford-Shah图像分割模型HMSG。给出了HMSG模型的参数设置准则,在分割的初期加大模型中全局特征项的权值,在分割的后期则加大局部特征项的权值,以提高模型的图像分割能力。对合成图像与医学图像的分割实验结果表明,该方法优于C-V方法对于含有噪声和边缘模糊的非二值图像的分割,能够较为准确地提取图像边界,可以有效提高图像分割整体性能。

Mumford-Shah模型在图像分割中的研究

介绍了图像分割中的 Mumford- Shah(MS)模型 ,提出了一种新的 MS模型的数值求解方法。首先在数学上指出了 MS泛函弱解在 SBV函数空间中的存在性 ,然后讨论了计算弱解的数值逼近方法。为了得到 MS泛函的数值解 ,首先定义了自适应三角剖分空间上的离散型 MS泛函 ,然后在每次迭代前对有限元网格进行相应的自适应调整 ,接着采用拟牛顿最小化方法 ,并通过收敛意义上的离散有限元逼近 ,得到离散型 MS泛函在每次迭代中的最小值。实验结果表明 ,该方法适合含噪图像的分割 。

基于简化Mumford-Shah模型的导航基准图适配区分割方法

基于景象匹配的飞行器导航数字基准地图中需要划分匹配稳定的区域,以提高导航系统航迹的可靠性.该文首先讨论了描述基准图局部区域匹配稳定性的局部匹配稳健度量指标,据此定义了适配区的概念.常规的基于相关函数局部匹配稳健度量需要大量的计算时间,难以实用化.为此,文中采用了三种可快速计算的匹配稳健度量指标:相关主峰曲率、可跟踪度及特征密度,以及相应的快速算法.同时,引入了一种基于简化Mumford-Shah模型的水平集算法进行适配区划分,通过演化由模型推导出的偏微分方程,就能得到适配区和非适配区的最优划分.最后对实际的导航基准图的适配区划分试验表明,该文的适配区分割方法不仅计算速度优于基于相关函数的方法,而且可以获得合理的适配区分布.

Mumford-Shah模型在卫星云图分割中的应用

利用Mumford-Shah模型对卫星云图进行分割和识别。根据卫星云图自身的特征,提出了基于核心灰度的Mumford-Shah模型,并用此模型分割出了单通道卫星云图中的高云、中云和低云。同时提出了一种基于核心灰度的Mumford-Shah模型的向量图像分割方法,对两个通道的卫星云图进行分割,更加准确地识别出中低云系在红外通道和可见光通道中的位置。

基于窄带Mumford-Shah模型的图像分割方法(英文)

在结合Mumford Shah模型和水平集方法中的窄带解法优点的基础上 ,提出了一种新的图像分割模型 .Mumford Shah模型虽然具有良好的图像分割结果 ,但是其每次迭代过程都需要对所有图像数据进行计算 ,因而很费时 ,导致这种方法不适用于大的图像数据 ,特别是三维图像的分割 .本文通过一种新的初始化方法把Mumford Shah模型和水平集中的窄带解法结合在一起 .这种新的初始化方法是通过在特定条件下简化快速行进法得到的 .通过去除快速步进法中费时的排序过程 ,使得初始化的计算时间只有O(N) .窄带Mumford Shad模型把分割计算限制在窄带范围内 ,避免了大量的计算 ,但取得了与原始的Mumford Shah模型相同的分割效果 .实验结果表明基于快速步进法的初始化方法是可行的 ,而窄带M S分割模型一次迭代计算的时间比原M

一种基于Mumford-Shah模型的红外图像边缘检测方法

Chan-Vese模型是一种优秀的简化Mumford-Shah模型。然而Chan-Vese模型是以两个同质区域为基础建立的,这并不符合红外图像的特点,导致直接应用该模型处理红外图像时可能失败。针对这一问题,提出了一种适用于红外图像边缘检测的改进Mumford-Shah模型,并对该模型中目标边缘的保持、停止准则的建立及算法速度的提高作了详细讨论。实验表明,改进Mumford-Shah模型能够克服Chan-Vese模型在对红外图像边缘检测时不能跨越过渡区域的缺点,有效地检测出目标边缘。

基于简化Mumford-Shah模型的水平集红外图像分割算法

由于红外图像大多具有目标模糊,对比度低的特点,传统的分割方法容易受到噪声和边界轮廓的影响而导致分割效果不佳,提出了一种基于简化Mumford-Shah模型的水平集红外图像分割算法。该算法能够通过将初始闭合曲线嵌入水平集函数,利用函数的求解从而达到图像分割的目的。仿真实验结果表明,该分割算法与初始轮廓线位置无关,受边界轮廓线和图像噪声的影响较小,具有较强的鲁棒性,在目标与背景灰度级差别较小的红外图像的分割中取得了较好的效果。

基于混合梯度最小化Mumford-Shah模型的高维滤波算法

为解决高维滤波中存在的边缘特征模糊和细节保持问题,创新性提出了一种基于混合梯度最小化Mumford-Shah模型的平滑算法.通过最小化包含梯度的L0、L1范数的正则化函数,实现边缘保持和局部光滑的滤波分解效果.从二维图像来看,梯度的L0范数刻画了图像中非光滑像素的个数,最小化梯度的L0范数可以实现图像分片同质的效果,即可对应Mumford-Shah模型中要求的边缘内部尽量均匀;梯度的L1范数,即全变差项,刻画了图像中所有水平集的长度,最小化梯度的L1范数可以实现控制图像边缘锐利度的目的,即Mumford-Shah模型中关于图像边缘保持的约束.由于Mumford-Shah模型具有鲁棒的信号平滑和边缘特征描述能力,因此在进行高维信号分解等处理时,可以取得良好分离效果.实验结果表明,混合梯度Mumford-Shah模型在滤波过程中可以实现边缘保持和纹理平滑相统一的特性,获得优异的图像结构纹理分解效果,对多个图像应用的处理效果有显著的提升,在三维网格数据上也获得良好的去噪性能.

一种基于分层Mumford-Shah模型的颅脑图像分割方法

在介绍简化Mum ford-Shah模型和水平集(Level Set)方法的基础上,针对颅脑多目标分割问题,提出了一种基于分层Mum ford-Shah模型的图像分割方法,并运用改进图像分割方程进行计算求解,对颅脑MR图像的分割实验证明了该方法的有效性。

Mumford-Shah模型及其应用

介绍了Mumford-Shah模型的基本理论,将众多的Mumford-Shah模型改进算法归纳为内嵌改进型和顺接改进型两种,并指出内嵌改进型主要改进了Mumford-Shah模型的计算方式,顺接改进型是以串行的方式融合了Mumford-Shah模型和其它方法。最后指出Mumford-Shah模型仍需要改进,以解决复杂或多目标图像的分割问题。

基于Mumford-Shah模型的运动目标检测

使用Mumford-Sham模型进行运动目标检测以克服常规算法的缺点。利用改进的水平集算法,使算法能够快速收敛。为达到实时性的要求,利用多分辨方法进一步提高算法的速度。使用改进的区域生长算法进一步准确地检测出运动目标。

Mumford-Shah模型的提花织物图像分割研究

针对提花织物图像在噪声环境下分割精确度偏低的问题,提出了一种基于MumfordShah模型的数值求解算法.基于Gamma收敛和有界变分函数理论,将模型的极小化过程作为一个自由不连续问题来实现对含噪提花织物图像的分割.定义了分片仿射空间上的自适应三角剖分的离散公式,利用离散公式的Gamma收敛序列对模型进行数值逼近.采用自适应调整算法和有限元网格技术对提花图案轮廓结构实施表征,由共轭梯度方法得到离散公式的最小值.实验结果表明,该算法对噪声有很好的稳健性,且可以有效提高图像分割整体性能.

提花织物图像的Mumford-Shah模型修补算法

提出一种用于填补提花图像中斑点和折痕区域的修补算法.首先对经典MumfordShah模型进行了改进,增加了对其不连续点集形成中的光滑度约束;然后通过对改进MumfordShah模型的梯度流方程的求解,得到了算法的数值解.梯度流方程包含两个相互耦合的二阶偏微分方程,分别用于灰度函数和不连续点集示性函数的演化.对含噪提花织物图像进行修补的结果证明了该算法的可行性.

基于简化Mumford-Shah模型的活动轮廓边缘检测模型

在Chan-Vese活动轮廓模型(C-V法)的基础上,提出了一种新的边缘检测模型.在该模型中,图像被定义为两个同质区域的组合,图像边缘检测问题转化为基于Mumford-Shah泛函的能量函数最小化问题.本文在分片常数优化逼近中,添加了图像梯度信息,通过调节该项的权重因子,可以得到基于不同灰度强度的图像边缘图.该方法采用了水平集数值技术,因此活动轮廓具备了拓扑变化的能力,并能克服C-V模型检测不出离灰度均值较远的边缘的问题,实验表明了其有效性.

基于AOS格式的扩展Mumford-Shah模型图像分割算法

在Chan-Vese模型的基础上,给出一种基于AOS格式的扩展Mumford-Shah模型图像分割算法.扩展的Mumford-Shah模型将图像分解为几何和纹理两部分,实现图像分割的同时有效避免了纹理和噪声的影响.数值求解采用AOS格式,不仅扩大了时间步长的调节范围,还解决了参数难以选择的问题,提高了算法稳定性.实验结果表明,本文算法分割效果良好,运算效率有了较大提高.

基于多相Mumford-Shah模型最小图分割的视乳头杯盘分割

为了有效地解决血管遮挡、噪声污染、光照不均、对比度小以及个体间差异大等视乳头图像分割中固有的难题,提出采用基于图论的多相分段常数水平集Mumford-Shah图像分割模型及其相应的图分割最优化方法。实验表明,该方法能够比经典的多相分段常数水平集Mumford-Shah模型更快更精准地分割青光眼病人视乳头图像中的视杯和视盘形态。

结合先验形状和Mumford-Shah模型的活动轮廓分割

基于先验形状和Mumford-Shah模型的活动轮廓分割是一种抗噪声干扰、稳定的图像分割方法。该模型采用水平集方法,并结合活动轮廓模型、先验形状和Mumford-Shah模型来控制曲线演化。特定目标的先验知识可以有效地指导目标准确分割,经过主成分分析(PCA)法可以得到感兴趣对象形状的主要信息。通过对不同图片分割实验表明,针对特定的形状,该方法对杂乱背景、部分遮挡、缺失和强噪声的图片依然能得到满意的结果。

基于Mumford-Shah模型的脑肿瘤分割算法研究

针对脑核磁共振图像中脑肿瘤的识别问题，提出了一种基于Mumford-Shah模型的脑肿瘤分割方法。在能量函数中加入了惩罚项，保证水平集函数与符号距离函数相似，并在迭代过程中通过使用较大的时间步长，提高曲线演化的速度。选择因子的设定中控制能量函数的后2项以消除其对轮廓线的抑制。试验结果表明，该方法快速准确，能够有效地帮助医生进行正确诊断。

基于Mumford-Shah模型的水上桥梁目标分割与识别

在桥梁知识的基础上,从河流和陆地的区域特性出发,提出了一种基于MumfordS-hah(MS)模型的水上桥梁分割算法。首先对MumfordS-hah模型中的区域权重进行相关性定义,实现对水域的分割,然后根据桥梁与河流区域边界的几何位置关系实现对桥梁目标的提取和识别。实验表明,该算法能够实现对水上桥梁目标的提取,尤其对远距离小目标水上桥梁及灰度梯度较弱图像的桥梁分割更有效。