融合形状先验的向量CV模型图像分割算法

Chan等人提出的向量CV模型尽管解决了传统CV模型无法分割向量值图像的问题,但是向量CV模型对于含有噪声或遮挡物等复杂的图像,无法正确分割目标。针对此问题提出一种融合形状先验向量CV模型。其能量泛函主要包含形状先验项、图像区域信息项以及距离正则项。此能量函数使得主动轮廓和形状先验位置相近时停止演化。该模型所用形状模板可以与目标形状仿射不同,使得算法更加灵活。该模型对含噪以及目标遮挡的图像具有很好的分割效果。

一种结合GVF和CV模型的水平集图像分割方法

由于CV(Chan-Vese)模型是一个非凸性泛函,对该泛函求极值只能得到局部最优解,运用该模型进行图像分割时,很难在全局范围内得到理想的结果。鉴于此,提出一种结合梯度矢量流(gradient vector flow,GVF)和CV模型的水平集图像分割方法。该方法通过GVF将边缘梯度信息扩散至整幅图像,在保留CV模型基本优点的同时,融入GVF的全局性梯度信息,从而引导CV模型在全局范围内演化至准确的目标边缘。实验结果表明,该方法的分割效果和收敛速度均明显优于传统CV模型。

辅以CV-GVF方法的测地线活动轮廓模型

针对经典的测地线活动轮廓对初始位置和噪声比较敏感,在有噪声干扰或初始位置距目标边缘较远时,其往往无法准确收敛到目标边缘的问题,通过将由梯度矢量流和CV方法构成的耦合力场与测地线活动轮廓相结合,提出了辅以CV-GVF方法的测地线活动轮廓模型.实验结果表明,该活动轮廓模型在噪声背景中从无需特别设置的初始位置准确收敛到了目标边缘,对初始位置和背景噪声具有较好的适应性.

基于方向Snake模型的心脏磁共振图像左心室内外膜分割

针对心脏磁共振图像(MRI)左心室内膜与外膜边缘方向不同的特点,提出一种基于曲线演化框架的方向主动轮廓模型进行左心室内外膜分割。曲线演化方程中包含基于图像边缘与区域灰度特征的混合几何流。几何流中的边缘信息项由经Fast Marching方法扩展后的动态方向梯度矢量流场(DDGVF)构成,用以引导曲线向具有不同方向的目标边缘运动,而区域灰度信息项则由Chan-Vese(CV)模型构成,用以防止曲线在演化过程中受其他边缘成分的影响而发生泄漏。最终的曲线演化方程采用水平集方法求解。实验结果表明,所提方法能够较为准确地分割出心脏MRI图像中的左心室内外膜并具有较好的鲁棒性,对于实现基于心脏MRI图像的左心室心肌区域自动快速分割和心脏功能分析与评价具有一定的应用价值。

基于改进支持向量机的医学图像分割

针对临床医学疾病诊断对医学图像处理精度的要求日益提高,单独使用支持向量机方法的处理结果难以满足实际需要,在此提出了一种CV模型与支持向量机相结合的C SVM医学图像分割方法,并分别给出2种分类方法的分割结果。实验表明,使用C SVM方法分割后得到的图像的边缘和细节特征更加突出,符合医学图像分割对于高精度的要求。对比2种方法的分割效果得出结论:该方法适用于磁共振医学图像分割领域,并能取得良好的效果,便于临床医学疾病的诊断。

基于自适应能量偏移场无边缘主动轮廓模型的乳腺肿块分割与分类方法研究

目的:为提高乳腺癌检测的精准度和效率,提出了一种基于自适应能量偏移场无边缘主动轮廓模型(AEOF-CV)的乳腺肿块分割与分类方法。方法:首先采用中值滤波、阈值分割及区域连通进行图像预处理,去除图像噪声;然后使用伽马变换及形态学运算相结合的方法进行图像增强;其次,采用AEOF-CV对弱对比度图像提高分割精度,用于乳腺肿块分割,得到感兴趣区域;最后使用不同提取特征方法,结合支持向量机识别感兴趣区域是否有肿块,并对存在肿块的图像判别肿块的良、恶性。结果:实验利用DDSM数据库中350个图像进行测试,实验结果证明,基于AEOF-CV乳腺肿块分割方法可以得到肿块清晰外部轮廓,具有较好的鲁棒性,误分率可达到0.2120。无肿块样本识别率达到94.57%,恶性肿块识别率为97.91%,良性肿块识别率为96.96%,总识别率达94.00%。结论:基于AEOF-CV的乳腺肿块分割效果较好,误分率相对CV方法降低19.17%,查准率和查全率达到了0.8519和0.8365,全局分析性能较好,是乳腺肿块分割的有效方法,可为后续模式识别提供可靠依据。