C-V模型在乳腺X影像分割中的研究和应用

本文以数字乳房X片图像为对象,研究了医学图像分割的理论和算法。首先,文章对水平集方法以及主动轮廓模型的基本理论及其在图像分割领域的应用做了简单的概述。然后重点研究了C-V多相水平集方法,该方法具有理想的区域划分方案,可以分割分段常值和分段光滑图像,可以自然地避免多个水平集函数的重叠和"真空"问题。文章还指出初始位置对曲线演化的速度的影响,并且针对该问题提出了利用阈值分割技术对水平集函数进行初始化,通过优化水平集函数的初始位置来加快C-V模型的演化速度。基于C-V的图像分割算法作为医学诊断的辅助手段有极其重要的意义。     

一种自动初始化水平集的高频能量最小化三维分割模型

序列图像分割是医学图像三维重建的重要研究内容,但受成像技术限制,医学图像中往往包含大量低频信息,如偏移场、灰度不均等,影响分割准确性。从频域进行图像分割能有效避免低频信息干扰。在高频能量最小化分割模型基础上进行优化,设计了一种自动初始化水平集的分割模型并成功应用于三维分割领域。首先,使用形态学腐蚀方法进行粗分割,将提取出的三维曲面作为初始水平集,实现初始水平集轮廓面自动化;然后使用衍化后的水平集三维分割模型对其进行细分割。实验结果表明,采用该模型能够实现多目标分割,与原模型、Chan Vese模型相比,分割结果更加准确。     

结合扩展LoB滤波的距离保持水平集方法

二项分布拉普拉斯边缘检测算子LoB主要利用图像的二阶微分。作者在此基础上结合图像的张量信息提出了改进的LoB滤波算子,作用于距离保持水平集方法的面积项,从而构造出新的模型。与原模型相比,该模型提高了图像的演化速度,能够分割多目标物体且对具有丰富尖角细节、深度凹陷和狭窄缝隙的图像拥有较好的分割效果。     

基于局部区域与水平集正则化的图像分割方法

图像分割作为图像处理的基本问题之一，在计算机视觉领域正在接受着越来越大的挑战.该文引入了分片常数水平集函数思想，将图像的不同区域用不同常数近似，避免了分割过程中不断初始化水平集函数及水平集初始化位置微小变化造成分割效果不同的问题.局部区域能量函数的使用更适用于灰度不均匀图像的分割.此外，所提方法能量泛函是局部凸且可微的，分割法对噪声含量较大图像具有明显的优势.充分的实验结果验证了所提方法更高效.     

基于Ostu优化的PCNN电力故障区域提取

为更好实现红外图像中电力设备故障区域的提取,提出改进PCNN(脉冲耦合神经网络) 的故障区域提取方法。基于Otsu 算法(大津法,又称最大类间差法) 计算红外图像的最优分割阈值,作为PCNN 迭代的初始阈值。以最大类间方差作为PCNN 模型的收敛判据,实现红外图像自动分割以提取电力故障区域。实验表明,该算法与Otsu、K-means、传统PCNN 方法相比,能够更全面、精确地提取电力故障区域,为后续故障类型识别奠定基础。     

融合局部和全局信息的两相脑图分割模型

为了解决脑核磁共振图像中的灰度不均匀现象,提出了一个基于两相的脑图像分割模型．该模型在图像局部熵基础上融合局部高斯信息和全局信息的两相水平集来拟合图像信息,同时采用一种新的简单有效的初始化方法,进行脑灰质、脑白质、脑髓液分割．实验结果表明,该模型能有效地对脑灰质、脑白质、脑髓液进行分割,同时提供准确光滑的目标边界,解决了CV模型等对灰度不均匀图像分割失败的问题．     

一种加快的CV模型分割方法研究

CV模型是一种有效的活动轮廓分割模型,其缺点是分割速度慢.用OTSU法预处理后的区域边界作为CV模型的初始轮廓线,大大提高了分割速度,且该方法能克服传统CV法难以分割壁较厚的内部空洞的不足.在CV模型的能量函数中引入惩罚项,使得CV模型在演化过程中无需重新初始化,进一步提高了分割速度.实验表明改进后的CV模型与传统CV模型相比分割速度有了较大提高,且分割效果更好.     

基于模糊C均值的水平集活动轮廓模型

针对SPF模型的水平集函数初始化方式不灵活、容易发生边界泄漏的问题,提出一个新的基于模糊C均值的水平集活动轮廓模型.首先,用图像灰度值与两个模糊聚类中心的平均灰度值的差构造一个模糊符号压力函数,并证明它能够调节目标区域内外的压力符号,用模糊符号压力函数取代SPF模型中的SPF函数;其次,使用正则化的Dirac函数?(?)取代|??|;最后,使用高斯滤波平滑水平集函数.实验表明,提出的方法精确有效.     

基于高斯分布估计的快速水平集分割方法研究

传统的CV模型只能用于分割灰度分布比较均匀、目标与背景灰度均值差异较大的图像,且因需要求解偏微分方程导致分割速度很慢.文章在传统快速水平集分割模型的基础上,将高斯分布估计引入速度项,使得快速水平集可以分割复杂的目标,并将HIS空间中的色调分量与强度分量进行融合,得到了一种彩色高斯快速模型.新算法具有分割速度快、可分割复杂目标的优点.     

改进黑猩猩优化算法在阈值图像分割中的应用研究

黑猩猩优化算法(Chimp Optimization Algorithm, ChOA)是根据猩猩群体狩猎行为构建的一种群智优化算法.针对该算法在寻优能力和收敛效率等方面的困扰，提出一种改进的黑猩猩优化算法(Modified ChOA, MChOA).在MChOA算法中，利用特殊混沌模型对种群进行初始化，在提高种群针对性的同时，提高算法的收敛效率，并在位置更新过程中引入单纯形法策略来对种群中较差个体进行优化，进一步提高了算法的全面搜索能力，避免过早陷入局部最优.为了验证算法改进后的效果，将模糊Kapur熵作为目标函数，将MChOA算法应用于阈值图像分割中，与改进的模糊灰狼优化算法(MDGWO)的图像分割效果对比，MChOA算法的图像分割效果更佳.