动态骨架算法

骨架是表示物体形状的一种有效形式.基于距离变换的骨架求解算法得到的骨架尽管准确光滑,但必须仔细地检查其连续性;而当骨架的结构较为复杂时,这种连续性检查会变得非常困难.结合Thinning技术和Snake模型,提出了一个平面二值图的动态骨架算法.首先利用Thinning技术生成连续且拓扑保持的初始骨架,然后根据Snake模型的思想,将初始骨架引导到正确的位置上.动态骨架算法提取的骨架不仅保持了位置的准确和外形的光滑,同时也解决了骨架的连续性问题.

基于主动轮廓模型的红外图像轮廓提取算法

针对主动轮廓模型存在的对初始轮廓位置敏感、凹性目标轮廓无法正确收敛等问题,本文将自适应边缘检测和主动轮廓模型相融合,提出一种改进的红外图像目标轮廓自动提取算法。首先,采用最大类间方差法计算红外图像边缘检测算法的自适应阈值,获取目标初次边缘,降低对初始轮廓位置的敏感性;对初次边缘分别进行横向与纵向填充,填充图像相与运算,对得到目标区域提取二次边缘,将其作为主动轮廓模型的初始轮廓,保证目标凹陷区域轮廓的有效收敛。最后,通过仿真分析验证了该方法能够实现红外目标轮廓的精确自动收敛。

一种基于主动轮廓模型的连接米粒图像分割算法

针对图像中连接米粒分割困难的问题,提出了一种基于主动轮廓模型的分割算法。首先,对籽粒二值图像的欧氏距离变换进行局部极小值检测,并通过形态学膨胀算子合并局部极小值点,在每个籽粒内部只产生一个区域。其次,以这些区域的边界作为初始曲线,在主动轮廓模型的指导下,曲线向籽粒的边界演化,最终将图像中各个米粒分割。试验结果表明,对圆江米、粳米、长江米和黑米4个品种的米粒,基于主动轮廓模型的连接米粒图像分割算法的分割正确率分别达到93.4%、92.4%、88.0%和90.4%,综合准确率为91.05%,比基于分水岭的方法提高了26.7%。因此,基于主动轮廓模型的算法为分割连接米粒图像提供了一种有效途径。

用于图像分割的自适应距离保持水平集演化

Li等人提出的距离保持水平集方法有传统变分水平集方法不具备的许多优点,然而,它有初始曲线必须包围目标物体或完全置于目标物体内部或外部的缺点.提出一种自适应距离保持水平集方法,它无须初始曲线包围目标物体或完全置于目标物体内部或外部,即初始曲线可以置于图像的任何地方.它能够解决原方法所不能解决的一些图像分割问题,例如,能够从任意选取的一条初始曲线出发自动检测目标物体的内外轮廓,检测多目标物体以及深度凹陷区域的边缘,并能较好地提取目标物体的弱边界.对几幅具有不同目标边界形态的合成图像和自然图像进行了实验,结果都取得了预期的分割效果.

引入局部全局信息的区域自适应局域化快速活动轮廓模型

针对HIFU超声图像中子宫肌瘤的分割难题,该文提出了一种准确高效的引入局部全局信息的区域自适应局域化快速活动轮廓模型.该模型引入了图像的局部全局信息形成局部全局力,并依据演化曲线上各点周围的灰度分布均匀程度动态地决定图像的局部全局信息和形状约束信息的使用范围,克服了HIFU子宫肌瘤超声图像分割中的初始化轮廓敏感性问题.该模型通过利用该灰度分布信息自适应地改变局域区域的半径大小,进而在活动轮廓曲线演化过程中动态地调整局域化区域范围,提高了分割的准确性及曲线的演化效率.最后在演化曲线上通过使用同一局部区域计算相邻像素的局域作用力,进一步提高了分割效率,最终实现了HIFU子宫肌瘤超声图像的准确高效分割.实验结果表明:该文方法克服了HIFU子宫肌瘤超声图像分割的难题,相较于最近提出的MSLCV模型,获得了更准确高效的分割结果,且平均计算效率提高了84.6%.

基于纹理差异度引导的DRLSE病虫害图像精准分割方法

为精准分割纹理背景下的病虫害目标,提出一种基于混合高斯模型的纹理差异度表示方法和基于纹理差异度引导的DRLSE农作物病虫害精准分割方法。采用基于混合高斯模型的纹理差异度表示方法得到纹理差异度图像,利用Otsu自动阈值分割和形态学后处理得到农作物病虫害DRLSE演化的初始区域,将基于改进纹理差异度的边缘停止函数应用到DRLSE演化中。实验结果表明该方法可以获得精准的害虫和病变区域轮廓。

基于水平集的前列腺磁共振图像分割方法研究

基于前列腺磁共振图像(MRI)特征信息及其病变好发特定区域等先验知识,针对前列腺内外轮廓全分割问题,提出基于边缘距离调整水平集演化(DRLSE)的前列腺MRI两步分割方法。在构建统一水平集能量函数的基础上,第1步基于前列腺MR的T1(纵向弛豫时间)图像实现其外轮廓分割,第2步在外轮廓约束限定条件下,基于前列腺MR的T2(横向弛豫时间)图像实现前列腺的内部轮廓分割,进而完成前列腺内外轮廓的全面有效分割。设计了前列腺分割的人机交互界面,对10个前列腺病例MR图像(含正常、增生和癌变共30幅)进行了分割实验研究,并采用Dice相似性系数(DSC)对分割结果进行评价分析,DSC值达到90%以上。实验结果表明,所提出的基于边缘DRLSE的前列腺MRI两步分割方法能够有效地实现前列腺内外轮廓的全面分割,非常接近于临床专家手动分割的理想结果,对前列腺疾病的临床诊断和治疗有较好的参考价值。

采用测地线活动轮廓模型检测与跟踪运动目标

水平集几何活动轮廓模型能较好地适应曲线的拓扑变化.为了跟踪和获取刚体和非刚体运动目标的轮廓信息,提出了一种基于改进测地线活动轮廓(GAC)模型和Kalman滤波相结合的算法以检测和跟踪运动目标.该算法首先采用高斯混合模型和背景差分获取目标的运动区域,在运动区域内采用引入距离规则化项的GAC模型进行曲线演化,使改进GAC模型在运动目标的真实轮廓处收敛;然后通过结合Kalman滤波预测目标下一帧的位置,实现对目标轮廓跟踪.实验结果表明,该方法适用于刚体和非刚体目标,在部分遮挡的情况下也能保持良好的检测和跟踪效果.

基于信息熵的自适应尺度活动轮廓图像分割模型

针对固定尺度活动轮廓模型无法快速准确分割灰度不均匀图像的问题,提出了一种基于信息熵的自适应尺度活动轮廓图像分割模型。首先,利用最大后验概率(MAP)以及贝叶斯分类准则,提出了一种新型能量泛函,提高了模型对灰度信息的提取能力,进而极大提高了模型对灰度不均匀图像的分割准确度。其次,利用图像信息熵构造了自适应尺度算子,使模型能根据图像灰度不均程度自动调整尺度,提高了模型对灰度不均匀图像的分割速度。最后,为验证文中模型的优越性,将该模型与LGDF模型进行了对比,并通过分割时间、迭代次数以及相似度等指标,对分割结果进行了客观、定量分析。最终结果表明,该模型不但对初始轮廓具有较高鲁棒性,而且对灰度不均匀图像具有较高的分割准确性与分割效率。

基于改进DRLSE的运动目标分割方法

为了得到精准、连续的运动目标轮廓,提出将帧间差分法和改进的距离规则水平集演化(DRLSE)方法结合应用于运动目标分割.采用帧间差分法得到运动目标的初始轮廓;使用在能量泛函的外力项中融入运动序列时空变化信息的DRLSE方法进行轮廓演化,避免演化受背景边缘干扰,得到精准的运动目标轮廓;根据精准目标轮廓的反馈估计运动方向,并结合帧间差分法为后续的DRLSE提供一个较佳的初始轮廓,能显著提高运动目标的分割速度.实验结果表明,与现有算法相比该改进方法能够更精确、更快地得到运动目标轮廓.

基于自适应符号函数的主动轮廓模型

几何主动轮廓模型的缺点是对初始轮廓位置特别敏感,基于距离规则水平集(DRLSE)模型的初始轮廓曲线必须设置在目标边界的内部或者外部.基于边缘的自适应水平集(ALSE)模型,提出了一种提高初始轮廓鲁棒性的方法.但两种模型均容易出现陷入虚假边界、从弱边缘处泄露以及抗噪声能力差等问题.设计了一个结合自适应符号函数和自适应边缘指示函数的模型,使得主动轮廓演化能根据自适应符号函数的方向从初始轮廓开始自动进行膨胀及收缩,很好地改善了水平集对初始轮廓敏感的缺点,提高了鲁棒性,同时解决了水平集对收敛速度慢以及易从弱边缘处泄露的问题.此外,为了使得模型演化更加稳定,提出了一个新的距离规则项.实验结果表明:自适应符号函数的主动轮廓模型不仅可以提高分割质量,缩短图像分割时间,同时提高了对初始轮廓的鲁棒性.

水平集函数规则化的C-V主动轮廓模型

Chan与Vese提出的C-V主动轮廓模型采用传统的水平集方法实现,为了保证水平集函数演化的稳定性,需要加入轮廓的长度项来规则化水平集函数,且在演化的过程中要周期性重新初始化为符号距离函数,从而大大增加了计算量和实现的复杂度。提出一种新的规则化水平集函数的方法,不但可以保证水平集函数演化稳定,而且避免了重新初始化。实验结果表明:该方法稳健、快速。

基于梯度信息的自适应邻域噪声图像分割模型

现有分割模型多数不能兼顾概率噪声图像和非均匀图像的分割精度,为此,构建一种改进的活动轮廓模型。引入新的邻域拉伸变形机制,使用图像梯度引导邻域变形,以降低无关信息和噪声点对分割结果的影响。将局部相关性系数引入能量泛函,使模型可以准确辨别信息价值较高的像素点。在此基础上,通过最小化能量函数驱动活动分割轮廓向目标边缘演化。实验结果表明,该模型可有效分割具有弱边界性质的概率噪声图像,且分割精度高于自适应LCV模型、LCK模型等。

结合自适应变化停止函数的边缘活动轮廓模型

在基于边缘的活动轮廓模型中,边缘停止函数的选择将直接影响模型的分割效果。传统的边缘停止函数仅仅是基于梯度模型建立的一个单调递减的正函数,基于这种边缘停止函数的活动轮廓模型存在两个缺点:一是对噪声比较敏感;二是对灰度不均图像分割不准确。为此,提出一个自适应变化边缘停止函数。实验表明,使用该边缘停止函数构造的边缘活动轮廓模型能够较好地克服上述不足。

基于自适应分割与偏移场估计的活动轮廓模型

针对传统活动轮廓模型无法快速、准确、强鲁棒性地分割灰度不均匀图像的问题,提出了偏移场估计与图像分割相结合的新型混合活动轮廓模型。首先,通过对图像进行模糊聚类分析,提出带有模糊隶属度函数的新型偏移场估计模型,提高了模型对图像灰度信息的估计与提取能力。其次,利用图像信息熵构造了自适应尺度算子(adaptive scaling operator,ASO),改善了模型的分割效率及对初始轮廓和噪声的鲁棒性。最后,通过将偏移场估计模型和ASO融入到能量泛函中,提出新型混合活动轮廓模型。实验结果表明,该模型不但对初始轮廓和不同种类噪声具有较强的鲁棒性,而且对不同程度的灰度不均匀图像具有较高的分割准确度与分割效率。

一种新的基于自适应分数阶的活动轮廓模型

区域可调拟合(region scalable fitting,RSF)活动轮廓模型在分割弱纹理、弱边缘图像时,优化易陷入局部极小导致曲线演化速度缓慢;同时该模型中的局部拟合项为高斯核函数,导致目标的边界模糊,影响分割精度.针对该问题,提出了一种基于自适应分数阶的活动轮廓模型,用于图像的分割.首先将全局G-L(Grünwald-Letnikov)分数阶梯度融合到RSF模型中,以增强灰度不均匀和弱纹理区域的梯度信息,从而提高对曲线初始位置选择的鲁棒性,并提高了图像分割的精度和速度;然后用双边滤波函数替换局部拟合项中的高斯核函数,解决了高斯核函数在演化过程中造成的边界模糊问题;最后根据图像的梯度模值和信息熵构建自适应分数阶阶次的数学模型,并计算出最佳分数阶阶次.理论分析和实验结果均表明:提出的算法可以用于灰度不均匀和弱纹理、弱边缘区域的图像分割,并能根据图像的特征自适应计算最佳分数阶阶次,避免曲线演化陷入局部最优.用多幅图像进行实验,得出该方法的分割精度和分割效率都有较大提高.

改进的距离正则化水平集演化方法

为了有效地对数字图像中的目标物体进行分割,提出了一种结合人类视觉注意机制的距离正则化水平集演化的图像分割方法,首先,利用数据融合获得视觉注意机制的显著图,进而获得曲线演化的初始轮廓,解决了演化曲线对初始位置敏感及不能自适应地决定向内还是向外运动的问题;然后,利用自定义的图像边缘指示函数,通过优化函数的演化速度参数及噪声敏感度控制参数,加快了曲线演化速度;最后,利用距离正则化水平集演化至目标物体的边界,完成图像分割,仿真结果表明:该方法能够有效地检测单个及多个目标物体的边界,提高了边界定位精度,抗噪能力较强.

一种结合区域梯度的自适应CV模型

针对多相CV(Chan-Vese)模型中计算复杂度高、对初始轮廓选取位置敏感、分割不精确等问题,在区域梯度算法的基础上,引入自适应权重项对拟合中心进行加权计算。给出一种改进的自适应CV模型。实验表明,与多相CV模型相比较,新的自适应CV模型具有对初始轮廓选取位置具有更好的鲁棒性。

一种自适应初始轮廓的水平集演化方法的研究

距离规则水平集存在对噪声、初始轮廓敏感、收敛速度慢以及容易从弱边缘处泄露等不稳定问题.结合待分割目标灰度统计信息和图像梯度信息,提出了一种自适应初始轮廓的水平集演化方法,利用图像信息构成的自带符号目标信息函数代替面积项中的边缘指示函数,解决水平集方法对初始轮廓敏感问题.另外,还设计一个自我调整的面积项系数解决水平集方法对收敛速度慢以及弱边缘处泄露问题.实验结果表明:本文方法不仅可以减少图像分割时间,提高了分割质量,同时能够解决对初始轮廓敏感问题.

超声乳腺肿瘤的全自动SVM检测与水平集分割算法

超声图像检测是当前乳腺癌诊断的主要辅助手段之一.为实现超声乳腺肿瘤的计算机自动辅助诊断,提出一种基于支持向量机(SVM)目标检测与水平集图像分割相结合的全自动肿瘤提取算法.首先提取超声图像训练集的分块特征来训练SVM分类器,对测试集图像进行检测得到可疑病灶区域;然后提取可疑区域边缘作为水平集的初始轮廓,使用加入Bhattacharyya距离项的Chan-Vese主动轮廓改进模型进行可疑病灶区域的轮廓演化,得到准确的轮廓;最后综合面积、位置、灰度、纹理等因素设计区域评价筛选准则,去除可疑病灶中的干扰区域,得到最终的肿瘤分割结果.在真实病例数据集上的测试结果表明,利用该算法在良恶性肿瘤检测分割中均有较好表现.