一种应用于图像处理的水平集函数初始化方法

针对图像处理中,使用常规方法构造初始水平集函数难度大的问题,本文设计了一种基于多边形内外点判断计算符号距离函数的方法。通过对水平集曲线形状的分析,用多边形性质判别曲线内外点,求解点到曲线的符号距离。最后,给出了所设计方法的计算步骤和算例,并与常规方法进行了比较,结果表明,新的方法计算准确、收敛速度快。     

水平集方法中符号距离函数快速重构

符号距离函数重构是水平集方法中必不可少、且相当费时的步骤。本文分类比较了符号距离函数的构造方法;对两类快速算法:基于程差方程的显式方法和基于偏微分方程的隐式方法,进行不同程度的改进;通过对比实验验证算法有效性,从实验结果分析了各方法的优缺点。最后介绍两类方法在水平集方法图像分割中的具体应用。     

基于快速水平集算法的图像分割方法

针对水平集算法计算量大,本文提出了一种使用改进的快速水平集算法的图像分割方法。本文方法是一种极限的窄带法;首先水平集的曲线进化用两个序列元素之间的交换实现;其次提出了平滑过程处理进化后的曲线;本文方法不需要解偏微分方程,运算速度很快,而且能够得到和标准算法相近的结果;实验结果证明本文算法速度快,适合于实时图像系统中的应用。     

乳腺B超图像结合形态学自动初始化的水平集分割算法

准确高效的乳腺超声肿瘤提取技术具有重要的应用价值,但超声图像灰度不均匀、伪影重、噪声强、乳腺病灶区域与周围组织相似度较高等特有属性,给自动分割带来了很大的挑战。本文提出基于水平集(Level Set)的乳腺肿瘤超声图像自动分割方法,用高斯滤波对乳腺超声图像进行预处理,然后使用阈值法和数学形态学的方法进行乳腺肿瘤区域的分割,最后结合Shawn Lankton等人设计的基于局部区域的水平集能量框架模型来实现对乳腺肿瘤的精确定位,得到乳腺肿瘤区域。分割实验结果表明,该方法能较为准确地定位乳腺超声肿瘤,分割精确度提高了5.71～10.95%,具有比较大的临床参考意义。     

一种改进的单参数水平集快速分割方法

针对传统水平集分割方法的参数多且速度较慢的问题,提出了一种新的基于单参数的快速水平集图像分割方法,改进了基于Mumford-Shah模型的Chan-Vese(C-V)模型,引入惩罚函数项、用水平集函数梯度的模取代Dirac函数,并且只保留长度项参数,构造出无须重新初始化且具有全局优化的新模型。此外,在算法实现中引入停止迭代判定式,实现自动分割同时得到单参数的取值规律。人工合成图像和医学图像分割的实验结果表明,该方法具有更快的速度和更好的鲁棒性。由于零水平集函数可以任意设定且便于调整单参数取值,新方法具有更广泛的适应性。     

基于水平集的目标分群方法

针对传统目标分群需要事先指定分类数等参数的问题,将水平集理论引入目标分群问题。该方法将目标分群问题归结为一个曲线演化问题,将目标分布结构视为曲线演化的约束条件,使得曲线在演化过程中自动地将地理上较为接近的目标包络在一起,从而完成目标分群,仿真实验证明了算法的有效性。     

基于随机计算的LDPC译码初始化实现方法

基于随机计算实现了二进制低密度奇偶校验码(LDPC)译码初始化的公式。首先对LDPC译码中的初始化公式进行坐标映射,将输入数据转换到概率域上,然后对其进行线性近似,最后采用随机计算和门电路实现初始化,以达到降低硬件实现复杂度的目的。该方法与已有的存储器方法相比硅片面积减少了37%,并且在保持译码性能基本相同的情况下译码硅片面积最大减少了12.3%,当使用FPGA实现时,利用该方法使得相应的4输入查找表个数减少了12.8%。     

基于统计模型的变分水平集SAR图像分割方法

针对SAR图像感兴趣区域分割问题,提出了一种基于统计模型的变分水平集分割方法。该方法在分析SAR图像特征的基础上,利用相干斑噪声的统计模型直接定义了关于水平集函数的能量泛函,不同于一般水平集方法中关于参数化曲线的能量泛函。通过极小化能量泛函,建立了水平集函数演化的偏微分方程。对水平集演化方程的数值求解,实现了对SAR图像感兴趣区域的分割。分别采用模拟和真实SAR图像对提出的方法进行了验证,试验结果表明该方法充分利用了SAR图像的特征信息,不需要相干斑噪声预处理,能够准确实现对SAR图像感兴趣区域的分割。     

融合多尺度分析和水平集的交互式图分割方法

针对快速水平集算法用于图像分割时,存在水平集初始化和阈值设置的困难,该文提出一种融合金字塔模型、随机游走及水平集(PYR-RW-LS)的新算法。首先将多尺度分析引入随机游走算法,把分割结果作为快速水平集算法的初始化曲线,解决其初始化问题;接着把水平集演化看成对曲线上的点不断进行模式分类的过程,引入贝叶斯分类决策和最小距离分类决策交替工作,产生曲线演化所需的驱动力,同时将两种分类决策的失效条件作为新算法迭代停止的条件,解决了快速水平集算法阈值设置的困难。仿真实验结果表明：PYR-RW-LS算法比只采用模式分类思想的快速水平集算法拥有更高的计算效率,且在抗噪性方面亦优于随机游走算法,同时保留了随机游走算法对弱边缘不敏感的优点,尤其适用于大尺寸,高清晰度的图像处理。     

基于Level Set方法的图像分割

研究了基于水平集的图像分割,提出了一种无需重新初始化,基于边缘信息的变分水平集图像分割算法.该算法消除了影响水平集计算量的重新初始化步骤,加速了轮廓线的演化,提高了算法的鲁棒性,同时使得初始化方法更加灵活.     

基于Level set方法的医学图像分割

本文引入了一种基于偏微分方程的曲线进化方法—Level set方法,通过与Fast marching方法的结合,可以实现运算速度的大大提高。同时引进了更有效的Kim提出的GMM(Group Marching Method)方法,减少了运算量,并给出了改进方法。最后,把该方法用于仿真图与医学图像分割中,获得了较好的效果。     

基于FPGA的水平集图像分割算法加速器

水平集算法因其出色的性能,在图像分割领域中得到了广泛的应用。同时,与基于深度学习的图像分割算法相比,水平集算法不需要训练数据,大幅降低了数据标记带来的工作量。然而,目前水平集算法主要是基于软件开发,涉及大量复杂的计算,以及计算的多次迭代,导致较高的处理延时与功耗。为了加快水平集算法的处理速度和降低功耗,该文提出了一种基于FPGA的水平集图像分割算法加速器,其中包含4个设计创新点：任务级并行处理、图像分块像素级并行处理、全流水线处理架构、分时复用的梯度和散度算子处理。实验结果表明,与在CPU上执行的水平集算法相比,该文提出的硬件加速器处理速度提升10.7倍,功耗仅为2.2 W。     

Level Set方法在雷达图像分割中的应用

LevelSet方法在图像分割领域应用非常广泛,尤其是在医学图像中。这里将LevelSet方法用到雷达图像分割中,首先用电场力模型对雷达图像进行预处理,使图像变平滑,将原图像平面映射到电场力模型平面,然后对预处理后的图像用LevelSet的快速算法FastMarching进行分割。经电场力模型预处理后的分割图像较平滑,而且噪点明显减少,实验证明了方法的有效性。     

基于水平集方法的多源遥感数据融合及城区道路提取

该文发展了一种将多光谱遥感图像和雷达遥感图像进行特征融合,实现城区道路半自动提取的方法。通过水平集(Level Set, LS)快速行进 (Fast Marching, FM) 算法中的速度函数,将道路在多光谱图像中的光谱和纹理特征与其在雷达图像中后向散射和空间自相关尺度相结合。雷达图像中的道路信息弥补了多光谱图像中城市道路受高大建筑物、植被等地物阴影的覆盖而使图像容易断裂的缺点,而多光谱图像的道路信息则有助于降低雷达图像中噪声的干扰以及线性水体与道路的混淆。该文方法分别用于上海市不同区域、不同分辨率、不同极化方式的卫星遥感雷达图像(ERS-2, Radarsat-1 SAR)与陆地卫星多光谱图像(Landsat ETM+)的融合,进行道路信息的提取,取得了较好的效果。     

一种基于FCM和Level Set的MRI医学图像分割方法

 对基于区域的几何活动轮廓模型中的区域项进行了改进.改进后的算法不仅解决了原算法存在的稳定性问题,同时也有效地提高了分割速度.算法还被成功地扩展到能够分割多种脑组织,且分割质量显著提高.多种子初始化方式的采用,进一步降低了算法对初始条件的敏感性,同时也减少了人工干预.对模拟和真实脑MRI图像的分割实验证明了改进的可行性和有效性,噪声条件下分割的比较分析也表明改进后的算法具有良好的韧性.     

基于显著性区域检测和水平集的图像快速分割算法

为了实现含有复杂背景和弱边界图像的快速准确分割,传统的水平集常采用重新初始化的方法,但是这种方法存在计算量大、分割不准确等问题。因此,结合显著性区域,该文提出一种基于边缘信息与区域局部信息结合的变水平集图像快速分割方法。首先用元胞自动机模型检测出图像的显著性区域,得到图像的初始化边界曲线。然后,采用改进的距离正规化水平集演化(Distance Regularized Level Set Evolution, DRLSE)模型把图像的局部信息结合到变分能量方程中,用改进的能量方程去指导曲线的演化。实验结果表明,与DRLSE模型相比,提出的算法平均消耗的时间只需要前者的2.76%,且具有较高的分割准确性。     

适用于高分辨SAR图像的全局稳态最小水平集分割方法

该文针对高分辨率SAR图像的分割问题提出了一种新的快速的水平集方法。该方法基于G0分布能够同时描述高分辨率和中低分辨率条件下的SAR图像统计特性,通过水平集方法求解能量泛函最小化实现SAR图像的分割。由于能量泛函被设计为具有全局稳态最小值,使得该方法具有较好的全局分割能力和比较快的分割速度,从而增强了该方法的实用性。利用模拟和真实SAR图像上的分割实验验证了该方法的有效性。