结合边界和区域的水平集超声图像分割算法

针对距离正则化的水平集演化（DRLSE）模型难以处理弱边缘图像、初始轮廓敏感以及曲线演化方向单一等问题,提出一种结合边缘和区域信息的变分水平集超声图像分割模型。该模型采用改进的四阶偏微分方程进行滤波,实现在去除噪声的同时保护图像边缘信息;构造了自适应加权系数,实现曲线自适应地向内或者向外演化;引入CV模型的外部能量项,将图像的边缘信息和区域信息相结合,提高了全局分割能力。实验结果表明：该方法在分割超声图像时,具有演化结果稳定,边缘定位准确的特点,可以较好地提取超声图像中的目标。     

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。     

基于水平集的医学图像分割算法

针对具有灰度不均效应的医学图像分割问题,文中提出了一种快速结合全局和局部信息的水平集模型,即HLSGL.基于C-V水平集分割算法的全局信息,通过计算图像各像素点的局部拟合均值,引入局部信息能量项,使全局与局部信息叠加构成驱动力项,保证对图像边缘具有较好的局域化效果.在构造的驱动力项中引入一种新的速度停止函数,使分割过程...     

基于模糊阈值和水平集的红外图像分割方法

针对阈值法分割红外图像易产生误分割和水平集分割方法受初始曲线限制大,提出了一种结合模糊阈值与水平集的自适应红外图像分割方法。该方法首先采用二维Otsu方法计算阈值,利用该阈值获取模糊阈值分割法中的窗口宽度,使模糊阈值分割法具有自适应性;然后采用此自适应模糊阈值分割法预分割红外图像,利用预分割结果自动获取水平集初始曲线;最后将Chan-Vese方法与Shi方法结合提出改进的水平集方法,并用此方法分割红外图像。实验结果表明,本文方法具有较好的分割效果和较强的鲁棒性。     

边界模糊图像的径向基函数神经网络分割方法研究

边界模糊图像不同区域之间没有明确的分界,用传统的图像分割方法难以得到很好的分割结果。本文研究了径向基函数网络的工作实质及其用于图像分割的机理,分析了径向基函数神经网络的特点,针对边界模糊图像,应用不同结构的径向基函数神经网络对其进行图像分割,验证了径向基函数网络用于图像分割的有效性以及算法速度上的优越性。     

改进边界指示函数的水平集活动轮廓模型

由于受成像原理的限制,导致超声图像对比度低、边界模糊,因此基于边界的水平集分割效果很不理想。为了提高超声图像的分割精度和分割效率,提出了一种梯度信息与区域信息相结合的水平集分割算法。首先对基于边界的距离正则化水平集演化(DRLSE)模型进行改进,将区域信息引入到边界指示函数中,并用改进后的边界指示函数代替DRLSE模型中的边界指示函数,最后,得到一个梯度与区域信息相结合的水平集演化模型。结果表明,本文中的模型能准确分割甲状腺肿瘤超声图像,且在分割效率和分割精确度方面均比DRLSE模型有所提高。     

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.     

一种基于二维拉格朗日连续水平集的图像分割方法

在图像分割领域中,基于离散水平集的图像分割方法不但对低信噪比图像难以实现正确地分割,而且分割速度较慢。针对这一问题,该文提出了一个基于连续水平集的图像分割方法。利用2维拉格朗日基函数的线性组合把水平集函数表示成连续函数。最小化实现图像分割的能量函数,建立基函数系数演化的微分方程。因此能量函数的最小值可直接根据拉格朗日的系数值获得。利用简单有限差分法对系数演化微分方程求解,实现了低信噪比图像的快速分割。实验结果表明该方法具有理想的分割结果。     

基于模糊水平集的脑肿瘤MR图像分割方法

针对传统水平集(Level Set)方法对脑肿瘤MR图像进行分割时易在弱边缘处产生泄露的问题,提出一种新的基于模糊水平集的脑肿瘤MR图像分割方法。采用模糊聚类算法对图像进行预分割,得到脑肿瘤MR图像的感兴趣区域;将聚类分割结果作为水平集演化的初始轮廓;利用聚类结果计算水平集演化的初始化条件和控制参数。算法执行效率得到了提高,并且克服了水平集演化依赖于初始化条件和控制参数且需要较多人工干预的缺陷,增加了方法的鲁棒性。实验结果表明,该方法鲁棒性强,能够快速、准确地分割出MR图像中的脑肿瘤,具有重要的临床意义。     

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。     

基于纹理特征的多区域水平集图像分割方法

现有多区域水平集方法大多利用复杂的能量函数来驱动多个水平集函数的演变,这样不仅模型复杂且存在很多限制.为此本文提出一种基于纹理特征的多区域水平集方法,利用任意数量的水平集函数来对相应数量的图像区域进行分割.本文首先对图像的颜色和纹理信息建立联合分布并将其代入能量函数;引入平滑概率标签,根据概率性质建立基于标签驱动的多区域水平集迭代更新方程.之后将每个水平集投影到离散概率空间得到一系列近似标签,并由这些标签得到基于多区域水平集的先验概率,从而将多个轮廓演变信息代入统计框架.而不同区域的统计参数也通过最小化能量函数由概率标签迭代更新.通过与其他分割算法在大量复杂实景图像上的实验对比,验证了本文算法的有效性.     

基于改进水平集方法的粘连细胞分割

传统水平集方法对粘连细胞分割效果差,同时在分割过程中需要不断地重新初始化水平集函数。为了解决传统水平集方法在粘连细胞分割上的不足,提出了一种基于颜色特征的水平集方法。该方法将能够约束水平集函数与符号距离函数之间偏差的变分公式作为内部能量项,从而无需重新初始化水平集函数;把结合图像颜色特征信息的能量函数作为模型的外部能量项,以改进粘连细胞的分割效果。实验结果表明,该方法能有效地分割粘连细胞,算法实现比较简单。     

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。     

一种基于变分水平集的红外图像分割算法

红外图像大都存在边缘模糊或离散状边缘的特点,并且图像的先验知识较少,因此红外图像的分割是比较困难的。针对这种情况,该文提出了一种基于图像全局信息并且不需要重新初始化的变分水平集红外图像分割方法,不考虑图像边缘梯度的影响,将图像全局信息作为外部能量项,在很大程度上克服了边缘模糊时过分割的情况。同时通过引入内部变形能量约束水平集函数逼近符号距离函数,省去了重新初始化水平集函数的过程,简化了计算,减小了因重新初始化水平集函数带来的误差。将算法应用在红外图像的分割中,验证了算法的有效性。     

基于C-V模型的医学图像分割方法

重点阐述了两种几何活动轮廓模型,基于梯度信息的李纯明模型和基于区域信息的C-V模型,在分析了两种模型的优缺点后,将李纯明模型中的罚函数项引入到C-V模型中,提出了无需初始化的C-V模型。实际结果表明,改进后模型具有李纯明模型的分割速度和C-V模型的效果。     

基于最小错误率和快速水平集的图像分割

提出一种基于最小错误率和快速水平集的图像分割方法,通过对速度项和停止条件的重新设计,实现了快速而有效的图像分割。算法采用模式分类思想,以统计直方图来近似目标和背景区域的概率密度,对基于最小错误率的判别函数进行平滑滤波以获得外部速度,从而实现曲线的进化;同时,分割过程在分类错误率达到最小时停止。实验结果表明,本文算法对弱边缘、低对比度灰度图像具有较好的分割效果,且具有较强的抗噪性能;在分割速度上,本文算法也明显优于几种已有算法。     

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。     

基于LBM对流扩散方程的水平集图像分割方法

为使图像处理更快速稳定,文中通过研究偏微分方程的元胞自动机模型,提出了一种基于格子波尔兹曼模型（LBM）对流扩散方程的图像分割算法：用对流扩散方程替换水平集方程,利用LBM求解对流扩散方程,实现基于LBM的水平集图像分割。实验分析表明,该方法能精确求解对流扩散方程,算法模型能够取得闭合的分割曲线,同样能够很好的处理图像拓扑结构的变化。并且通过与水平集方法和窄带水平集方法进行计算速度实验对比,可证明该算法大大减少了分割的计算量。     

一种基于区域竞争法的红外图像分割水平集模型

为有效分割红外图像中边界模糊、对比度低的感兴趣目标,提出了一种基于变分的红外图像分割模型。针对测地线活动轮廓模型(Geodesic Active Contour, GAC)对噪声敏感的问题,假设图像中的目标和背景服从Gaussian分布,再根据像素属于红外目标的概率构造区域能量项,以提高模型的鲁棒性。在模型中引入有符号距离约束,以避免曲线在演化过程中重新初始化,提高模型执行的效率。实验结果表明,本文方法能够有效地分割红外图像中的感兴趣目标。