基于水平集逐层迭代算法的多层Mumford-Shah图像分割、去噪与重建模型

针对能够同时进行图像分割、去噪与重建目的的Mumford-Shah能量泛涵最小值图像模型求解非常困难这一问题,提出了“多层Mumford-Shah图像分割、去噪与重建模型”和求解该多层模型最小值的“咏平集逐层迭代算法”．该多层模型是Mumford-Shah“最小分割问题”的“多层”模型．实验结果表明,该方法不仅能够同时进行具有T型图像边缘或更复杂拓扑结构图像边缘的图像分割、去噪与重建,而且比Tsai A．等人提出的多层求解轮廓和Chan T．等人提出的多相水平集方法更简单更有效．

基于简化Mumford-Shah模型的水平集图像分割算法

为解决传统图像分割方法受噪声和边界轮廓影响而使分割效果不佳问题,基于简化的Mum ford-Shah模型的水平集图像分割算法通过将曲线嵌入水平集函数,利用函数的求解以达到曲线演化和图像分割的目的。试验表明此分割算法与初始轮廓线位置无关、不受边界轮廓线连续性限制、对图像噪声具有很强的鲁棒性,对均质灰度目标分割效果良好。

形状统计Mumford-Shah模型的MR图像左心室外轮廓分割

左心室的分割是左心室运动重建的前提,分割的精度直接影响重建的真实性.由于左心室外轮廓存在弱边界,甚至边界的断裂,使得精确分割左心室外轮廓变得相当困难.文章在详细分析左心室外轮廓的基础上,采用了形状统计Mumford-Shah模型的分割方法,同时对原模型做了如下两点改造:(1)用期望最大(EM)算法求得图像中每点属于心肌的后验概率,通过此后验概率构造“伪灰度”图像来替代原灰度图像,以达到目标与背景灰度呈阶跃型分布的目的;(2)用边缘图替代Mumfor-Shah模型中的梯度项,以增强弱边缘,提高分割精度.实验结果证明,此方法可以有效地改进分割精度,适合整个心动周期.

基于Mumford-Shah模型和G空间的图像结构纹理分解

构造了一个变分问题来实现图像的纹理结构分解。其中结构成分用分段光滑的函数(即Mumford-Shah模型)刻画,纹理部分用振荡函数(G空间)来描述。由于Mumford-Shah模型将结构成分显式地描述为分段光滑函数,在非结构边缘点处的梯度采用L2范数约束,故相对于全变差(Total variation,TV,梯度的L1范数)的分解方式,很好地克服TV带来的阶梯效应;G空间本身定义的纹理函数的振荡特性保证了分解的结构成分中含有更少的纹理信息。实验表明,无论相对于经典的TV-L2分解还是TV-G分解,本文方法均体现出了很好的分解性能。

基于Mumford-Shah模型的图像快速分割方法

针对传统的Mumford-Shah(M-S)模型在图像分割的每一次迭代中都需要另外求解两个椭圆型方程,从而使得算法的执行效率大大降低的缺点,利用分片常函数代替M-S模型中的待优化输出图像,简化了曲线演化的过程,避免了额外计算,有效地提高了算法的执行速度。实验表明,该方法在图像分割效果方面与传统方法没有明显差别,但是程序的运行速度方面却远远优于传统方法。

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。

基于图像引力和Mumford-Shah模型的曲线演化算法

提出了一种图像引力和Mum ford-Shah(M-S)模型的快速曲线演化算法,该算法分两步实现:首先利用图像引力,对参数主动轮廓线模型中的控制点进行寻优,使控制点能快速地收敛到图像的边缘附近;然后利用插值算法,得到目标较粗糙的大致轮廓,再使用M-S模型和窄带方法得到准确的轮廓。该算法避免了参数主动轮廓线模型不能收敛到物体凹陷的边缘和对初始位置敏感等问题,也避免了M-S模型需要对所有图像数据进行计算,计算量大等问题,实现了对参数和几何主动轮廓线模型进行了有效结合。

基于加权总广义变差的Mumford-Shah模型

给出了加权总广义变差(Total generalized variation,TGV)的定义.利用图像的2阶加权TGV半范作为正则项,利用水平集函数的2阶加权TGV半范近似边界长度,提出了基于加权TGV的Mumford-Shah模型.对未知函数分别利用交替Split-Bregman方法、Fenchel对偶方法及FISTA(Fas titerative shrinkage-thresholding algorithm)给出数值计算模型.仿真实验结果表明,利用图像的2阶加权TGV半范的去噪效果优于常用的梯度模2范数和加权TV(Total variation)半范正则化;利用水平集函数的2阶加权TGV半范近似边界长度的边缘检测效果优于传统的TV半范和加权TV半范约束.

具有多指标柔性能量的Mumford-Shah模型图像分割

针对Chan和Vese提出的基于Mumford-Shah泛函的水平集图像分割算法,做了两方面的改进:首先,构造了具有柔性的演化曲线内外能量取代C-V模型中的刚性能量,减少了C-V模型求解时的数值不稳定和过度分割等现象;其次,综合图像的多方面特征,提出多指标集能量项构造方法,提升了C-V模型的分割能力和精度。综合两方面的工作,提出带多指标柔性能量的C-V模型。新模型能有效处理图像受严重噪音污染、目标内部有灰度起伏等情况。对人工合成图像、医学图像和真实世界图像的分割实验均表明了新模型的良好性能,并且算法收敛速度快、数值稳定。

基于Mumford-shah模型的多目标分割

基于Mum ford-shah模型的图像分割中,多目标图像的分割是一个较难以解决的问题,其主要原因是由于目标物体多导致灰度级多,分割中可能使得灰度级相似的多个目标物体被划分到同一个目标内或者灰度值和背景灰度相似的目标物体被划分到图像的背景中,导致分割的失败.针对这些问题,提出了多个水平集的方法,该方法的基本思想是在图像区域建立多条位置不同的演化曲线(即多个零水平集),使它们各自按照原始的Mum ford-shah演化模型同时进行演化.数值实验结果表明,该方法可以把多个目标物体分割开来,得到正确的分割结果,所以该方法对于多目标图像在一定程度上是有效的.

基于简化Mumford-Shah模型的文本行和段落分割算法

文本行和段落分割是文档图像处理过程中的重要步骤。本文提出了一种基于简化Mumford-Shah模型的新的文本行和段落分割算法,该算法是脚本语言独立的。为了提高文本行和段落分割算法的有效性,首先使用高斯滤波器对文档图像进行平滑,然后再在此基础上运用简化的Mumford-Shah模型的水平集图像分割算法分割文档图像。最后,利用数学形态学方法处理文档中粘连和交叠情况。实验表明,该算法可以准确快速的分割目标物体,而且算法与初始轮廓线位置无关、不受边界轮廓线连续性限制、对图像噪声具有很强的鲁棒性。

He-Luo模型同基于赫米特多项式Shan模型评估

研究了He-Luo模型和Shan模型,使用泊肃叶流动和顶盖驱动流对两个模型进行了对比测试,结果显示He-Luo模型计算比Shan模型快,Shan模型在高雷诺数时相对平均温度和平均密度的波动比He-Luo模型要大,He-Luo模型在计算不可压缩流动时的优势很明显。

一种基于Mum ford-Shah模型的脑肿瘤水平集分割算法

提出了一种新的基于Mumford-Shah模型的脑肿瘤水平集分割方法.它能提供一客观的、可重复的脑肿瘤分割,且分割结果和专家人工分割结果很接近.它可以用来探测边界不一定由梯度来定义的对象,也能自动探测内部轮廓.通过对来自2个病人的共42个(含有或不含水肿)脑肿瘤MR I切片进行分割来评价该算法的效率,结果取得了令人满意的效果.用匹配的百分比(PM)和一致率(CR)来定量评价分割的质量,结果肿瘤分割的PM和CR分别为93.20%和0.92,水肿分割的PM和CR分别为97.33%和0.76,满足临床的需要.

去除阶梯效应和震荡提取的分片变分分解模型

为了去除在变分图像分解中TV模型结构部分出现的阶梯现象和精确地提取震荡部分,提出一个分片变分分解模型.该模型将图像的支撑集聚类为2个不同性质的区域,在平滑区域采用固定边界的Mumford-Shah模型进行分解,以去除平滑区域内的阶梯现象;再在过渡区域采用(BV,G)分解,以此来精确地提取图像的震荡部分;然后对模型存在非平凡解的条件进行了讨论;最后采用梯度下降和有限差分对模型进行交替迭代求解.理论分析和与TV模型的对比实验结果表明,文中模型能很好地去除结构分量中的阶梯现象,并且能精确地提取图像的噪声和纹理.

基于PCLSM的M-S模型的视乳头杯盘分割

基于分段常数水平集方法的M-S模型能解决二值M-S模型及其相应的C-V模型不适合包含多个目标(或多相)的图像分割的问题。采用该方法研究青光眼视乳头图像杯盘分割难题,并在此基础上进行杯盘重建。实验表明,该方法能够正确分割不同青光眼病人的视乳头图像。与多层分割方法相比,该方法能同时获得视杯和视盘的形态。

基于改进C-V方法的焊接图像识别

基于简化的Mumford-Shah水平集图像分割模型,Chan-Vese提出了不依赖于图像边缘的水平集图像分割算法(C-V方法)。文中对该算法进行了深入研究,指出了原方法存在的缺陷,即处理的图像必须具有比较明显的特征,分割目标过多且较为分散时则很难得到理想的结果,每次迭代过程都需要对所有的图像数据进行计算,比较费时。根据焊接图像本身的特点给出了三点改进,即强化特征模型的修正、多尺度快速算法和全局特性抑制。应用改进的算法,进行了模拟对比试验和真实熔池图像识别的试验。结果表明,该方法能识别出焊接图像连续轮廓,提取有用信息,具有良好的适应性,同时为复杂图像的特征物体目标提取提供了可行的思路。

尿沉渣检测中的一种自动图像分割算法

目的研究一种自动图像分割算法在尿沉渣检测中的应用。方法将水平集结合Mumford-Shah模型的算法应用于尿沉渣检测,改进章毓晋的图像分割评价指标,并结合计算时间对分割算法进行定量实验评价。结果实验结果表明,与区域生长、分水岭、期望值最大法以及窄带水平集等已有方法比较,本文方法对尿沉渣图像的分割没有过分分割现象,在噪声干扰的情况下具有较高的分割精度,而且耗时少,仅需5.42s。结论评价结果表明本文的算法能够自动分割尿沉渣图像中的细胞,并具有分割精度高,速度快,对噪声鲁棒性强的特点。

基于C-V方法改进的红外图像自动分割

基于简化的Mumford-Shah水平集图像分割模型,Chan-Vese提出了不依赖于图像边缘的水平集图像分割算法(C-V方法).但是该方法分割参数难以确定,对于具有非均匀灰度背景的红外目标图像常常分割失败.针对这一问题给出了改进的拟合能量模型,新模型兼顾到了目标的同质性信息与其所占面积比例的关系.基于该模型的水平集图像分割方法自适应于灰度起伏的背景,可以较为理想地分割出与背景灰度差异不太明显的目标,对小目标也具有很强的适应性.实验结果表明,在固定水平集分割参数的情况下,新方法对于不同类型、不同背景的红外图像具有了良好的适应性.

结合纹理与形状的Tagged MR图像左心室分割算法

分割带标记线核磁共振(tagged MR)图像是左心室运动重建的前提.由于标记线的加载破坏了左心室的轮廓边缘和区域灰度一致性,再加上乳突肌的存在,使带标记线核磁共振图像的左心室内外轮廓分割变得相当困难.在变分框架下,将纹理分类信息与形状统计先验知识引入Mumford-Shah模型中,提出了一种改进的分割带标记线核磁共振图像的左心室内外轮廓的方法.该方法基于支持向量机对S滤波器组提取的纹理特征的分类结果,构造了一种新的图像能量表示;针对乳突肌及边缘断裂现象,引入形状统计先验信息来约束曲线的演化.因为分割过程利用了有监督学习策略,较好地克服了标记线对左心室区域灰度的影响,提高了分割精度.实验结果表明,该方法较以往方法具有更高的分割精度和更好的稳定性.

一种含噪提花织物图像的数码修补算法

针对提花织物图像在噪声环境下修补精确度低的问题,提出了一种基于Mumford-Shah(MS)模型的修补算法.为了改善不连续点集沿光滑轮廓演化的能力对修补效果的影响,对MS分割模型进行了改进,增加了其对不连续边缘形成过程的光滑连接约束.提出了MS修补模型的极小化问题,确定了MS修补模型的Γ收敛泛函序列,给出了泛函序列元的梯度流方程,并采用有限差分逼近来实现该方程的数值求解.算法对于待修补破损区域的拓扑形状没有限制.对含噪提花织物图像的修补实验结果验证了该算法的有效性.