复杂背景下基于level set模型的头部分割算法

在办公室环境下,往往出现头部因遮挡、光照变化难以分割的情况。针对此类问题,提出基于level set模型的头部分割鲁棒算法。用符号距离函数建立头部level set模型,将头部level set模型与待分割图像符号距离函数的差异项添加到Chan-Vese分割方程中,建立新的Euler-Lagrange方程。新的Euler-Lagrange方程中符号距离函数进化终止,即为头部的分割结果。将提出的分割算法和Chan-Vese分割算法用于两人遮挡、加高斯噪声、光照变化三种办公室背景情况下的分割,结果表明提出的分割算法对于以上三种背景情况下的头部分割是鲁棒的。

基于Level Set模型的彩色脑血管图像骨架提取算法

骨架提取是计算机视觉理论与应用中极具挑战性的课题,具有重要的应用价值。在分析医学彩色脑血管图像特性的基础上,引入一种基于颜色梯度信息和贝叶斯分类的水平集速度函数,提出了HSV空间高速模型,并基于该模型提出了用于彩色脑血管图像的骨架提取算法。该算法使用了两个新的中间函数,它的全部参数均由分析得到,避免了人工干涉。实验证明,该算法对颜色渐变和边界噪声不敏感,具有很好的有效性和鲁棒性。

分布式海量数据库之SET模型

分布式数据库是当前解决海量数据存储有效的解决方案。分布式数据库可以共享数据,每个站点对局部存储的数据保持一定程度的控制。但是随着现代存储需求的发展,越来越多对多物理位置部署(国内、国外)、容量把控和扩容等自动化程度的要求,传统的分布式思路遇到了明显的瓶颈。本文提出SET模型数据库(Set Model Database),解决了多数据中心部署间的全网调度和协调、存储容量的标准化管理等问题。

基于GPU的快速Level Set图像分割

水平集 (level set)图像分割方法是图像分割中的一个重要方法 ,但是该算法的计算量大 ,往往不能达到实时处理的要求。给出了利用新一代的可编程图形处理器 (GPU)实现 level set的加速算法。首先介绍了如何在 GPU上利用片元渲染程序进行网格化的线性运算和有限差分 PDE计算 ,把 level set方法的离散化算子映射到 GPU上。由于以数据流处理方式的 GPU的存储访问快 ,具有并行运算能力 ,同时 level set算法演化的显示不再需要把数据从 CPU传到 GPU,因此较大地提高了算法速度与交互显示。文中实现并测试了一个与初始化状态独立的二维 level set的算子用于图像分割 ,并对其运算结果和性能进行了比较 ,结果表明该方法具有更快的速度。

一种新的活动轮廓模型——S-L模型

活动轮廓模型用于图像分割一般分为两种:基于参数的模型和基于几何特征的模型。Snake模型可以快速地分割目标,但不能处理拓扑结构复杂的情况且对初值位置过于敏感。水平集模型具有拓扑可变性,但其时间效率较低,在分析这两种模型优缺点的基础上,提出了一种新的活动轮廓模型,该模型兼具有上述两种方法的优点:快速性、拓扑可变性。在模型中用Snake模型的能量方程控制曲线的演化并提出一种基于水平集思想的符号表法来改变演化过程中曲线的拓扑结构。为了降低噪音的影响,用区域信息构造新的外力,在外力的作用下可以使初始曲线有更大的选择空间。对左心室MR图像的分割实验结果表明,该模型得到的分割结果与Level Set模型相似,但所用时间远比Level Set模型少。

基于ROI信息的活动轮廓模型MR图像分割

参数活动轮廓模型和几何轮廓模型是目前常用的图像分割方法。传统的参数活动轮廓模型在曲线演化过程中仅使用了梯度信息,在处理具有强噪音或弱边界的目标时往往得不到理想的结果,且不具有拓扑可变性。为此,构造一种基于区域信息约束力的参数活动轮廓模型,在新的约束力的作用下,模型可以有效降低噪音的影响并防止曲线从弱边界泄漏,且提高曲线进入细窄区域的能力,将参数模型几何化,使该模型具有拓扑可变的能力。实验表明,该模型具有较好的分割效果。

梯度向量场通量能量驱动的主动轮廓模型

提出了一种基于梯度向量场通量能量的水平集图像分割算法。通过加入约束符号距离函数的能量项,并极小化该能量函数得到的变分表达式主要具有4条优于传统主动轮廓模型的优点。一是可以克服分割弱边界目标的困难;二是水平集函数不但可以灵活初始化,而且可避免在演化过程中重新初始化为符号距离函数;三是水平集函数数值化可采用简单的有限差分方法,计算效率得到了极大的提高;四是仅用一个初始轮廓就可以自动检测带孔目标的内轮廓。对合成和真实图像的分割结果表明:对弱边界目标和灰度分布不均目标的分割效果分别优于测地线模型(GAC)和C-V主动轮廓模型。