视觉注意特征的变分水平集图像分割模型

针对传统主动轮廓模型较低的鲁棒性能和对先验知识融合能力的不足,基于视觉注意机制的先验知识和曲线演化的理论框架,首先建立图像底层视觉显著性特征的数学模型,在此基础上提出新的曲线演化能量泛函模型,然后对该能量泛函采用变分水平集方法进行推导,得到曲线演化的偏微分方程,数值实验表明该模型相对于经典主动轮廓模型具有更强的抗噪性与分割效率.该模型的提出为进一步在主动轮廓模型中引入更高层次视觉显著性特征、得到更优越的分割模型打下了基础.     

基于水平集方法的显微细胞图像分割

利用变分法推导了图像边缘检测Snake模型对应的Euler方程, 证明了水平集方法3种离散格式(向前差分、 向后差分、 中心差分)的不稳定性, 采用迎风差分格式构造水平集算法, 对显微细胞图像进行边缘检测, 实验结果表明, 该算法是稳定的和收敛的.     

基于变分水平集图像分割的视频烟雾检测方法

为及时判断火灾发生情况,利于灭火工作,研究了火灾早期产生烟雾的情况下,通过固定监视探头捕捉 到的影像视频,针对视频中的火情烟雾进行检测,结合计算机视频检测技术的光流法和帧差法获得视频中烟雾 运动的区域,基于某一时刻摄像机不动的情况下得到两帧连续的图像并检测视频中的运动区域,提出了一种不 需初始化的变分水平集算法。利用该算法对烟雾的视频进行分割,将运动区域从背景中分割出来,对烟雾进行 检测分析。从而使通过烟雾判断火情更精确,检测结果更实时,提高了视频指挥灭火工作的效率。     

一种基于边缘和区域信息的变分水平集图像分割方法

分析了两种已有变分水平集图像分割模型,并由它们提出了一种新的基于图像边缘梯度信息和区域全局信息的变分水平集方法.该方法既克服了所述两种模型的缺点,又继承了各自的优点.同时,采用隐式迭代数值解法,在保证模型稳定性的基础上,加快了收敛速度.实验表明所提方法对于不同类型的图像均能够达到快速、稳定、准确、鲁棒的分割效果.     

基于ITK的水平集医学图像分割算法

根据基于水平集图像分割的原理,采用ITK中提供的医学图像分割算法,实现了对医学图像的有效分割。     

基于改进水平集的水稻虫害分割算法

目前水稻虫害分割大部分采用传统的低级特征提取,存在易丢失细节信息、形状描述不充分等不足.基于改进水平集方法的分割算法,首先将图像由RGB(red,green,blue)颜色空间转为HSV(hue,saturation,value)颜色空间,选取色调H(hue)矩阵进行处理;在高斯滤波后进行基于开闭运算的形态学重建,在保留重要区域轮廓的同时去除较暗斑点及枝干标记;然后将其膨胀后阈值分割作为改进水平集方法的初始水平集函数;最后采用有惩罚项的改进水平集方法进行分割.改进算法有效减少了迭代次数,节省了运行时间,且分割效果好.结果表明,该算法不但提高了水平集方法的效率,而且在水稻虫害的分割上有良好的分割效果.     

基于水平集的彩色图像分割方法

实现了一种新的彩色图像融合分割方法。首先,通过对彩色图像进行YCbCr变换,提取其颜色特征。进一步,对亮度图像进行Gabor变换,提取其纹理特征。同时,为了消除特征向量的冗余,引入PCA变换对高维特征向量进行压缩。然后,采取向量C-V模型对提取的特征向量进行分割。最后,对分割图像进一步后处理,消除小的区域。真实彩色图像实验结果证明了方法的有效性。     

变分水平集方法在Stokes问题形状识别中的应用

对二维定常Stokes方程的形状识别问题进行了研究.直接从变分原理出发,将经典的形状灵敏度分析方法与水平集方法相结合,提出了一种可以适用于流体形状识别的新算法.该算法是在固定的Euler网格上进行计算且在优化过程中不需要对水平集函数进行重新初始化,从而节省了计算时间.所提供的数值算例验证了所提算法是稳定、高效的.     

一种基于水平集的肺部血管快速分割方法

肺部血管结构微小,CT片有噪音、血管边界模糊等原因的影响,使分割肺部血管成为肺部分割的难点.针对此问题,提出了应用基于阈值的水平集三维分割肺部血管的方法.水平集分割方法是基于几何形变模型而不是参数形变模型,因此方法可根据肺部解剖结构确定肺部血管不同部位的阈值范围和肺部血管的分布范围,从而解决由于边界模糊产生肺部血管分割不准确的问题,并在此基础上,提出并描述基于水平集肺部血管树枝杈点的判定方案.     

无需重新初始化水平集的多相水平集图像分割方法

笔者提出了一种无需重新初始化水平集函数的多相变分水平集图像分割方法.根据Vese -Chan提出的多相模型的区域竞争思想,结合图像区域全局信息的能量函数作为模型的外部能量项,引入内部变形能量约束水平集函数来逼近符号距离函数,避免了重新初始化水平集函数的过程,提高了计算速度和分割效果.实验结果表明,笔者提出的模型有效地克服了传统模型需重新初始化和构造符号距离函数计算量大的缺点,而且具有全局最优分割能力和较强的抗噪性能.     

基于水平集方法的多运动目标分割

给出了一种对光照变化等实际环境中干扰不敏感的基于水平集和背景减的运动目标检测与分割方法。首先建立了当前帧图像与背景参考帧图像间的纹理差，并将其与灰度差相结合构成差图像；然后，分析了纹理特征，并采用适当措施减小由场景中杂乱运动产生的不利影响，从而实现运动目标的鲁棒检测；最后采用了基于区域的水平集方法，将多个信息有机地结合在一起，实现对多个刚体或非刚体运动目标的分割。实际采集序列图的仿真实验验证了该方法的有效性。     

基于水平集的Chan-Vese模型的图像分割

本文针对基于水平集的图像分割技术,研究了Chan-Vese模型,实现了该模型的灰度图像分割算法,提出了彩色图像分割算法,通过具体的实验结果,总结了该算法的优势。     

基于区域生长和水平集的肝脏提取分割算法

为了克服传统的以单幅图像作为信息来源的水平集模型分割复杂背景图像的局限性,结合区域生长法和水平集方法各自的特点,提出了一种新的由多幅图像信息构建的水平集分割算法模型。在运用水平集方法分割人体腹腔图像前,首先运用本文提出的一种有效的区域生长法在腹腔图像中得到肝脏的粗略分割结果作为先验形状图像。通过先验形状图像在Chan-Vese模型下控制水平集的演化,使活动轮廓的先验形状信息融合到水平集分割算法模型中,同时,利用Li模型在人体腹腔图像中进一步获取肝脏的边缘信息。这种融合多幅图像信息的复合水平集分割算法模型能够充分利用图像信息,有效地描述水平集方法中活动轮廓与目标区域肝脏的关系。通过实验验证,提出的算法模型能够很好地从人体腹腔图像中提取出肝脏区域。     

基于Mumford-Shah模型的局部水平集分割窄带算法

提出了一种基于Mumford-Shah推广模型的水平集能量函数,引入了梯度特征,并在此基础上提出了一种新的局部水平集分割方法,提高了算法收敛速度,避免了图像中的无关边缘对分割结果的干扰.设计了窄带算法,克服了水平集方法初始化复杂的缺点.与窄带算法相结合,所提出的分割方法可以在杂波背景中得到分割的局部最优解.通过采用Otsu算子确定感兴趣目标初始位置,所提出的方法可用于具有不同灰度特征的多目标分割.实验证明了所提出的方法用于复杂背景下的目标分割以及多目标分割时的有效性和计算效率.     

基于深度学习和水平集的彩色图像分割方法

图像分割作为图像的分析与理解的基础环节,受到了诸多学者的广泛关注。本文结合了基于全卷积神经网络的语义分割技术与基于水平集方法的图像分割技术,使用DeepLab V2与 Distance Regularized Level Set Evolution(DRLSE)模型对一般的彩色图像进行分割。此外,本文还在 DRLSE 模型中加入了一个新的形状能量项,提高了零水平集的演化速度。数值实验结果验证了本文方法的有效性。     

基于伪中值双边滤波和水平集函数的细胞分割方法

为使细胞分割的结果更加精确,提出一种基于伪中值双边滤波和水平集函数的细胞图像分割方法．首先使用 伪中值双边滤波对图像进行预处理,然后利用水平集方法对改进的 ＣＶ 模型进行两次曲线演化,分别得到细胞质与背景 分界线,细胞核与细胞质分界线．结果表明:伪中值双边滤波在减弱高斯噪声的同时,同时去 除 了 椒 盐 噪 声,但没有弱化 边界,ＬＣＶ 模型在 ＣＶ 模型的基础上添加了局部项,使得对于灰度不均匀的图像分割效果较好．结论:在使用水平集方法 进行图像分割之前先进行伪中值双边滤波,同时为 ＣＶ 模型添加局部项,能够增强细胞分割结果的准确性．      

基于水平集分割方法的医学图像三维重建

为了提高医学图像处理对疾病辅助诊断和治疗的效果,提出一种新的基于先验形状的水平集方法,对多张脊柱CT切片进行分割,并将其分割结果进行三维重建。首先使用核主成分分析算法对训练样本进行降维,并用水平集来表达主成分作为先验形状;然后对水平集形状样本均值进行形态学处理,从而获得分割的初始轮廓;最后将初始轮廓引入RSF模型来构造新的总能量泛函,并依此对形态学预处理之后的每一张CT图像进行分割,进而根据分割结果进行三维重建。实验结果表明,新方法对多张CT切片的分割比传统分割方法具有更优的分割效果和更高的分割效率,能够精准地进行椎骨重建,指导脊椎的矫正手术。     

一种改进的变分水平集车辆检测技术

针对传统运动目标检测算法存在适应性差、对噪声较敏感等缺点,提出一种基于变分水平集快速提取边缘模糊运动目标的方法。该算法利用主动轮廓模型进行边缘检测约束,并结合变分水平集方法进行二次演化获得准确的图像分割。实验证明,该方法能够快速准确的分割运动目标,对于复杂环境有较好的适应性和鲁棒性。     

一种基于犹豫中智集和水平集的图像分割方法

皮肤镜图像分析技术的第一步为图像分割,分割的结果会直接影响到后续的处理过程,针对具有背景噪声、模糊边缘和灰度不均的皮肤镜图像,提出了一种新的结合水平集的犹豫中智集图像分割方法;首先利用犹豫中智集理论将图像转换为犹豫中智集图像,其中犹豫中智图像由三类子集组成(T、I、F),利用犹豫中智集图像突出表达图像的目标信息和边缘信息;然后针对传统 DRLSE 水平集的不足进行改进,构造新的边缘停止函数,并增加灰度驱动能量项,最后通过改进的DRLSE 水平集对 ISIC(2018)皮肤镜图像进行分割测试;实验结果的交并比(Jaccard Index)值均大于 95%,且均方误差(MSE)、峰值信噪比(PSNR)和结构性相似指数(SSIM)均表现良好,表明方法能够准确、有效的分割具有模糊边缘和灰度不均的皮肤镜图像,对后续的皮肤镜图像的处理与诊断奠定了基础。