改进C-V分割算法在多光谱成像仪中的应用

为了进一步提高C-V模型的分割速度、降低初始轮廓曲线位置对分割结果的耦合性, 提高多光谱成像仪图像分割效率, 本文提出一种改进的C-V模型。该模型通过将每次迭代得到的距离函数的最大值引入C-V模型的Dirac函数, 对该函数进行自适应参数修正, 以拓宽活动轮廓线的有效作用范围, 进而大大降低分割算法的迭代次数。实验结果表明, 与经典的C-V模型相比, 改进的C-V模型在其终止条件下得到了较理想的分割效果, 降低了初始曲线位置对最终分割结果的影响, 且新模型的收敛速度在原有的基础上至少提高了7倍。改进的C-V模型在实时性及全局性方面都得到了明显改进, 进一步提高了该算法在多光谱成像仪的图像分割方面的鲁棒性。     

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...     

动态背景下运动目标检测与跟踪研究

主要研究动态背景下的运动目标检测和跟踪问题。背景补偿差分法是一种常用的动态背景下运动目标检测算法,但检测到的目标轮廓要比其真实轮廓大,检测结果不准确且算法复杂度较高。主动轮廓模型在图像分割和目标提取过程中具有拓扑结构变化灵活性,对数值计算方案的设计更加方便、有效,据此提出一种基于改进C-V模型和卡尔曼滤波的算法,用来检测和跟踪动态背景下的运动目标。提出的算法利用C-V模型曲线演化检测和跟踪目标,使C-V模型在目标的边缘处收敛。结合卡尔曼滤波预测运动目标下一帧位置,从而实现对运动目标轮廓的跟踪。实验结果表明,该方法可以对动态背景下运动目标进行精确的检测与跟踪。     

石油岩芯CT图像裂缝分割算法研究

针对裂缝区域分割的需求和石油岩芯CT图像的特点, 改进了现有的水平集分割算法。首先对图像中值滤波去噪后运用C-V模型对图像进行初分割, 把背景区域和岩芯区域准确分开, 得到岩芯区域的轮廓;然后调整轮廓外区域的灰度值, 使之等于岩芯区域平均灰度值, 增强目标区域;最后再进行RSF模型细分割, 得到最终分割结果。对于高斯噪声污染严重的岩芯图像, 先采用了邻域加窗的非局部均值去噪方法, 再用改进水平集算法分割, 实验结果表明该分割方法是有效的。     

基于水平集的闪光照相图像分割算法

针对Chan-Vese(CV)模型局部控制能力差的缺点,将基于区域的CV模型和分割曲线的局部信息结合起来,提出了一种新的水平集图像分割算法。该算法以CV法的分割曲线为初始曲线,以获得全局收敛性,在后继分割中引入分割曲线的局部信息,以提高模型对图像中微弱信号的分割能力。对闪光照相图像的数值实验表明,该算法噪声抵抗能力强,对初始轮廓位置不敏感,能实现对含细长拓扑结构和微小孔洞的弱边界闪光图像的自动分割。     

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。     

基于水平集的牙齿牙槽骨图像分割

口腔锥形束计算机断层扫描（Cone Beam Computed Tomography,CBCT）图像中牙齿及牙槽骨的分割对骨性结构的三维重建提供了基础,是实现牙齿牙槽骨三维可视化的必要步骤.本文根据牙齿及牙槽骨特点,将一种改进的势阱函数与水平集模型结合,克服以往势阱函数在部分区域出现“停止演化”或“过快演化”的缺陷,并将其应用在对牙齿牙槽骨的分割当中.采用多次小方差高斯滤波叠加的方式对图像进行序贯滤波预处理,解决单一方差高斯滤波难以有效滤除CBCT图像中噪声的问题,为准确分割提供了条件;基于序列图像相邻两张图片中同一牙齿的轮廓变化不大这一特点,以当前层的分割结果作为下一层曲线演化的初始轮廓,使得用更少的迭代次数得到相同结果,从而提高分割速度.另外,本文还将该算法应用于口腔磁共振图像中,并成功对单颗牙齿进行了分割.     

改进C-V方法实现目标物体内部第三相区域分割

针对Chan-Vese水平集方法进行全域演化实现多相目标物体收敛时计算量大、演化速度极慢,而采用初始区域内进行轮廓曲线演化时又不能实现目标内部第三相区域的分割,提出二轮递进演化和演化背景灰度值转化的改进Chan-Vese方法实现目标内部第三相区域分割.改进方法能够对Chan-Vese方法演化多相拓扑不成功的情况实现目标内部第三相区域的检测.实验结果表明,改进的方法能快速稳定实现目标物体内部第三相区域分割.     

基于Chan-Vese模型与形态学的医学图像分割算法

针对传统的多相Chan-Vese模型在进行多区域分割时容易产生空相位的问题,提出了一种改进的新的医学图像分割算法;该算法结合Chan-Vese模型、数学形态学、复合多相水平集分割算法,通过迭代腐蚀操作提取医学图像的轮廓,利用添加了复合多相水平集算法的Chan-Vese模型对医学图像进行分割,通过迭代膨胀操作复原图像;实验结果和分析表明,采用该算法很好地解决了医学图像分割过程中容易出现的多区域分割问题,减少了空相位的产生,而且对图像边缘有很好的分割效果。     

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。     

一种基于Mumford-Shah模型的红外图像边缘检测方法

 Chan-Vese模型是一种优秀的简化Mumford-Shah模型。然而Chan-Vese模型是以两个同质区域为基础建立的，这并不符合红外图像的特点，导致直接应用该模型处理红外图像时可能失败。针对这一问题，提出了一种适用于红外图像边缘检测的改进Mumford-Shah模型，并对该模型中目标边缘的保持、停止准则的建立及算法速度的提高作了详细讨论。实验表明，改进Mumford-Shah模型能够克服Chan-Vese模型在对红外图像边缘检测时不能跨越过渡区域的缺点，有效地检测出目标边缘。     

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.     

A joint shape evolution approach to medical image segmentation using expectation-maximization algorithm

This study proposes an expectation–maximization (EM)-based curve evolution algorithm for segmentation of magnetic resonance brain images. In the proposed algorithm, the evolution curve is constrained not only by a shape-based statistical model but also by a hidden variable model from image observation. The hidden variable model herein is defined by the local voxel labeling, which is unknown and estimated by the expected likelihood function derived from the image data and prior anatomical knowledge. In the M-step, the shapes of the structures are estimated jointly by encoding the hidden variable model and the statistical prior model obtained from the training stage. In the E-step, the expected observation likelihood and the prior distribution of the hidden variables are estimated. In experiments, the proposed automatic segmentation algorithm is applied to multiple gray nuclei structures such as caudate, putamens and thalamus of three-dimensional magnetic resonance imaging in volunteers and patients. As for the robustness and accuracy of the segmentation algorithm, the results of the proposed EM-joint shape-based algorithm outperformed those obtained using the statistical shape model-based techniques in the same framework and a current state-of-the-art region competition level set method.     

Chan-Vese模型两相自适应窄带的阴影区检测方法

为得到快速高精度的声呐图像阴影区检测效果,提出Chan-Vese模型两相自适应窄带检测方法。利用各向异性二阶邻域马尔可夫模型估计声呐图像的纹理特征参数,实现原始图像平滑去噪;由块方式的k-均值聚类算法确定图像的初始两类分割,初步确定阴影区大致位置,并根据此大致位置,自适应初始化零水平集函数,来减少人为干预,提高检测速度;在此基础上,提出建立Chan-Vese模型两相窄带水平集进行声呐图像检测,完成局部寻优,排除全局图像中孤立区对检测的影响,使阴影区检测结果更加精确。通过对真实声呐图像的检测实验结果分析,验证提出的检测方法能够去除原始图像的部分噪声,提高检测精度和速度,有一定的自动性和适应性。      

基于区域进化的区域增长图像分割

为克服经典区域增长算法中门限选择困难、分割稳定性不高与串行处理速度慢的不足,提出了基于区域进化的快速区域增长图像分割算法。引入了新的区域能量表示模型,并给出了迭代进化形式。在区域增长过程中,逐渐增加区域增长的门限,通过对能量函数的动态优化来逼近最佳分割结果。仿真实验表明,该方法能有效地避免经典区域增长算法中门限选择的困难,采用区间连通处理技术代替单一像素串行迭代处理方式,可使分割速度提高十多倍。