基于非凸正则化项的合成孔径雷达图像分割新算法

合成孔径雷达图像中乘性噪音的存在使合成孔径雷达图像分割变得非常困难.针对这一难题,本文以提高分割准确度,保护图像的几何结构边缘和提高算法的鲁棒性为目的,提出了一种适用于处理合成孔径雷达图像分割的新模型.新模型结合合成孔径雷达图像的区域和边缘信息,首先通过引入非凸的正则化项,定义了能量泛函;然后极小化能量泛函,建立了水平集函数演化的偏微分方程;最后对水平集演化方程的数值求解,实现了对合成孔径雷达图像感兴趣区域的分割.分别采用仿真图像和实测合成孔径雷达图像对新模型进行验证,结果表明,新模型对合成孔径雷达图像具有很强的边缘定位能力,能使目标区域分割更完整.     

边缘修正CV模型的卫星遥感云图分割方法

对卫星遥感云图进行自动分割是分析卫星云图资料的重要步骤。为了更加准确的对卫星遥感云图进行分割,提出了融合边缘信息CV模型的卫星遥感云图分割方法。对原卫星云图进行扩散,得到平滑图像,根据平滑图像计算边缘信息,将得到的边缘信息融入CV模型中,并加入距离规范项使得CV模型的水平集函数在演化过程中不需要重新初始化。实验结果表明,与传统CV模型、区域能量拟合水平集模型、偏置场修正水平集模型相比,所提方法分割出的云区域更加准确,分割速度更快。     

基于混合能量模型水平集的合成孔径声纳图像分割方法

本文讨论了合成孔径声纳图像分割问题。首先介绍了Chan-Vese模型水平集方法,针对该模型存在的边界定位和重复初始化等问题,提出了一种改进的水平集方法。该方法的能量模型由区域信息项、边界信息项和距离约束函数构成的内部能量项三部分混合形成,既兼顾了全局优化特性和局部定位精度,又避免了水平集函数重复初始化,提高了运算效率。实验结果表明,该模型对于噪声干扰严重、边缘模糊的合成孔径声纳图像分割效果良好。     

基于改进区域项CV模型的金相图像分割

为了解决传统Chan-Vese(CV)模型难以快速、精确提取金相晶粒的问题,提出一种基于改进区域项CV模型的金相图像分割方法。该方法利用倒数交叉熵阈值选取准则函数替代传统CV模型中能量函数的区域项,构造新的水平集模型。改进模型能够使分割前后图像的倒数交叉熵达到最小,更精确地分割噪声影响严重且局部灰度变化较大的金相图像;考虑到倒数交叉熵计算会增加算法复杂度,通过引入最大绝对中位差,自适应调整曲线内外的能量权重加速曲线的演化,添加距离规范项以避免水平集函数的重新初始化,加速模型的收敛。实验结果表明,与多种模型相比,改进模型在分割结果和分割效率方面均具有明显优势。     

基于窄带多区域水平集方法的遥感图像分割

由于遥感图像存在边缘混叠等问题,经典的C-V模型会产生大量的冗余轮廓,而且无法分割多个同质区域的目标.为此,提出了基于C-V模型的窄带多区域水平集图像分割方法,采用N-1个水平集函数将图像分割成N(N＞1)个区域,每个水平集函数表达一个区域.该方法一方面通过建立独立多区域水平集模型可以消除多余的轮廓,避免分割区域的重叠...     

基于改进DRLSE模型的前列腺磁共振图像分割

在图像引导下的前列腺磁共振图像分割的介入诊断与治疗具有重要意义.本文对距离正则化水平集演化（DRLSE）方法进行了改进并用于前列腺磁共振图像分割.前列腺磁共振图像中靠近膀胱一侧边界较为模糊，靠近尿道一侧及左右两侧边界较为清晰，仅用传统的梯度信息指示函数无法达到理想分割结果.本研究分别采用两个指示函数控制边界清晰段及模糊段的演化，以达到准确分割的目的.此外，还在外部能量函数中增加了能量牵制项，避免演化在虚假边界停止，驱使水平集向灰度波动较大的区域移动，并能在模糊边界停止演化.实验表明利用本方法进行前列腺磁共振图像分割的效果较好；Dice相似性系数（DSC）均值达到96%，接近专家手动分割结果.     

基于伪魏格纳分布分解的合成孔径雷达图像目标与阴影分割

在二维魏格纳分布的框架内,针对魏格纳变换的交叉项问题和计算量大的问题,提出了合成孔径雷达图像局部伪魏格纳变换的目标和目标阴影的分割方法.首先,将合成孔径雷达图像进行二维伪魏格纳变换,得到各像素点的二维能量谱图;然后提取各像素点的二维能量谱图对应位置值形成多个不同频段的与原图像同大小的能量谱图;最后,对不同频段的能量谱图采用不同的处理方法后,将各能量谱图相加处理后形成区域标识图像,最终得到原图像的目标和目标阴影分割图像.本文利用该方法对MSTAR切片图像进行了分割试验,并对分割图像与频谱最大值距离或方位分割算法和基于双参量CFAR与隐马尔科夫联合分割算法进行了分割图像对比度对比.实验结果表明,采用本文算法的合成孔径雷达分割图像,对比度明显提高,且保留了目标图像细节.     

基于局部和全局信息的自适应水平集图像分割

针对仅采用局部或全局信息无法快速准确分割灰度不均匀图像的问题,提出了一种基于局部和全局信息的自适应水平集图像分割模型。首先,利用图像局部信息和全局信息建立局部能量项和全局能量项,并且利用演化曲线轮廓内外小邻域的灰度均值差作为自变量,建立了权重函数模型,实现了局部能量项和全局能量项之间权重的自适应调整,提高了模型分割灰度不均匀图像的效率和准确性。其次,提出了一种新的能量惩罚项,避免了水平集函数的重新初始化,增强了数值计算的稳定性。最后,为验证模型的优越性,将模型与CV模型、LBF模型和LGIF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。     

基于伪魏格纳分布分解的合成孔径雷达图像目标与阴影分割

在二维魏格纳分布的框架内,针对魏格纳变换的交叉项问题和计算量大的问题,提出了合成孔径雷达图像局部伪魏格纳变换的目标和目标阴影的分割方法.首先,将合成孔径雷达图像进行二维伪魏格纳变换,得到各像素点的二维能量谱图|然后提取各像素点的二维能量谱图对应位置值形成多个不同频段的与原图像同大小的能量谱图|最后,对不同频段的能量谱图采用不同的处理方法后,将各能量谱图相加处理后形成区域标识图像,最终得到原图像的目标和目标阴影分割图像.本文利用该方法对MSTAR切片图像进行了分割试验,并对分割图像与频谱最大值距离或方位分割算法和基于双参量CFAR与隐马尔科夫联合分割算法进行了分割图像对比度对比.实验结果表明,采用本文算法的合成孔径雷达分割图像,对比度明显提高,且保留了目标图像细节.     

一种用于前列腺区域分割的改进水平集算法

前列腺区域的精确分割是提高计算机辅助前列腺癌诊断准确率的重要前提.本文提出了一种新的精确的前列腺区域分割模型,分为4个步骤：首先,读取T₂加权磁共振（MR）图像;其次,利用半径为5个像素的8邻域模板（8x5）的局部二值模式（LBP）特征模板计算前列腺磁共振图像的LBP特征图;然后,利用改进的距离正则化水平集（DRLSE）模型对特征图进行分割,提取前列腺粗轮廓;最后将原始水平集能量函数进行优化,构造一个新的能量函数,提取局部灰度信息和梯度信息,并在此新的能量函数的基础上,将粗轮廓迭代演化为最终的细轮廓.本文将该模型在203组来自于国际光学与光子学学会-美国医学物理学家协会-国家癌症研究所（SPIE-AAPM-NCI）前列腺MR分类挑战数据库的T2W磁共振图像上进行了测试,并与医生手工分割结果进行了比较,结果表明本文提出模型得到的分割结果的Dice系数为0.94±0.01,相对体积差（RVD）为-1.21%±2.44%,95% Hausdorff距离（HD）为6.15±0.66 mm;与文献中现有的分割模型相比,使用本文提出的模型得到的前列腺区域分割结果更接近于手工分割的结果.     

融合改进直方图PDE和二维Tsallis熵多阈值SAR分割

针对合成孔径雷达(SAR)图像中存在大量的相干斑噪声,对SAR图像进行分割易出现分割不精、边缘模糊等问题,融合改进的直方图PDE和二维Tsallis熵多阈值,提出了一种SAR图像分割算法。根据PDE直方图均衡化方法,将图像去噪与图像增强加权融合,利用各自权值调整去噪项与图像增强项;同时将二维Tsallis熵单阈值分割方法扩展到多阈值分割, 建立基于多阈值的选取方法,并引入萤火虫算法来求解最优阈值对,实现了二维Tsallis熵多阈值对去噪增强SAR图像的有效分割。仿真结果表明:与其他3种分割算法相比,该文算法在处理噪声大、灰度差值小的图像时具有较高的分割精度,PRI至少提升2.53%、VOI降低8.48%、GCE降低11.14%。     

基于级联网络的膝关节图像分割与模型构建

采用膝关节模型进行电磁仿真是计算膝关节局部射频功率沉积（SAR）的主要方法,为了构建膝关节模型,本文提出了一种包含两个卷积神经网络——U-Net的级联网络结构,用于膝关节磁共振图像的分割.第一个网络在整幅图上分割肌肉、脂肪等占比较大的组织,并从分割结果中预测软骨与半月板的大致位置信息,第二个网络基于该信息在一个更小的子图上分割小组织以提高分割精度.两个网络均采用焦点损失函数,它们的分割结果合并在一起构成膝关节模型.我们将该方法与其它4种方法的分割结果进行了定量指标的对比研究,并分别构建膝关节模型,计算局部SAR值.结果表明本文提出的级联网络结构可以更精确的构建用于SAR仿真的膝关节模型.     

Bridge recognition of median-resolution SAR images using pun histogram entropy

A novel algorithm for bridge recognition of median synthetic aperture radar （SAR） images using histogram entropy presented by Pun is proposed. Firstly, Lee filter and histogram proportion are used to denoise the original image and to make the target evident. Then, water regions are gained through histogram segmentation and the contours of water regions axe extracted. After these, the potential bridge targets are obtained based on the space relativity between bridges and water regions using improved contour search. At last, bridges are recognized by extracting the feature of Pun histogram entropy （PHE） of these potential bridge targets. Experimental results show the good qualities of the algorithm, such as fast speed, high rate of recognition, and low rate of false target.     

SAR图像中机场跑道自动检测方法研究

跑道检测通常由边缘检测和霍夫变换2个步骤组成.由于SAR图像中存在大量斑点噪声,使得边缘检测中存在大量虚假边缘,增加了霍夫变换的时间,降低了跑道检测的准确度,提出一种基于区域分割和距离变换的SAR图像中机场跑道自动检测的新方法.采用基于统计信息的方法增强跑道一背景的对比度,然后用二维直方图阈值分割方法分割图像,再通过距离变换对跑道一背景二值图进行处理,得到跑道中心线的大致分布,最后采用局部空间霍夫变换得到跑道参数.实验结果表明:该方法能够可靠检测出跑道,运算速度满足实时性要求.     

A novel active contour model driven by local and global intensity fitting energies

In this paper, we propose a novel hybrid active contour model for image segmentation. In our model, we define a new region-scalable fitting (RSF) energy functional which combines the local and the global image information. The RSF energy functional can not only attract the contour toward object boundaries, but also improve the robustness to initialization of the contours. In order to segment the image fast and accurately, the length term and regularization term is incorporated into the variational level set formulation. Finally, by adopting gradient descent method, the minimization of the energy equation can be given. Due to the new kernel function we defined, our model can cope with intensity inhomogeneity images and less sensitive to the initialization of the contour when compared with the other models. Experimental results demonstrated that the proposed model can also segment both the real and medical images accurately.     

A robust level set method based on local statistical information for noisy image segmentation

The paper presents an improved local region-based active contour model for image segmentation, which is robust to noise. A data fitting energy functional is defined in terms of curves and the energy terms which are based on the differences between the local average intensity and the global intensity means. Then the energy is incorporated into a level set variational formulation, from which a curve evolution equation is derived for energy minimization. And then the level set function is regularized by Gaussian filter to keep smooth and eliminate the re-initialization. By using the local statistical information, the proposed model can handle with noisy images. The proposed model is first presented as a two-phase level set formulation and then extended to a multi-phase one. Experimental results show desirable performances of the proposed model for both noisy synthetic and real images, especially with high level noise.