图像分割是图像处理的一项基本任务和重要部分,也是计算机视觉领域的一个基本预备性步骤。现存的分割方法有很多,例如边缘检测方法、阈值分割方法和区域增长方法等,而目前最为普遍且成功的分割方法是活动轮廓模型。虽然传统的活动轮廓模型已经取得了不错的结果,但是它们都存在一些问题:如无法处理强度非均匀的图像,对初始轮廓线敏感,对噪声不具有鲁棒性和收敛速度慢导致分割时间过长等。而且这些模型都是非凸的,极小化的过程中会导致局部极小解。为了解决非凸性的问题,我们将全局凸分割方法的思想引入到新的分割模型中。这些经典的活动轮廓模型极小化能量泛函时都采用梯度下降法,而梯度下降法收敛速度缓慢。因此我们应用分裂Bregman方法极小化能量泛函,从而得到快速分割模型。对于人脑磁共振(magnetic resonance,简称MR)图像,采用自动结合局部和全局信息的活动轮廓模型对其分割,得到人脑轮廓的同时,并对该图像进行特征提取。对于真实、合成和医学图像,除了考虑全局和局部信息,全局凸分割方法和分裂Bregman方法等,还考虑全局信息的邻域信息。对于医学MR图像,考虑偏磁场信息,得到分割结果的同时对图像进行校正。本文介绍了如下几个分割模型。自动结合局部和全局信息的活动轮廓模型(An Improved Active Contour Model Combining Local and Global Information Dynamically,简称GCLGIF模型),已经成功地分割了一些图像强度不均匀的真实和合成图像,而且与传统的活动轮廓模型相比,在准确性,鲁棒性和快速性上都有所提高。于是我们对该模型进一步整理和分析,为了对人脑轮廓和病变同时进行分割,我们用该模型的多区形式分割人脑MR图像。多区形式分割人脑MR图像不仅能得到人脑轮廓,还能得到病变的轮廓。基于全局信息和局部信息,引入了全局信息的邻域信息和边缘检测函数,并考虑了全局凸分割方法和分裂Bregman方法,我们提出了一个新的基于局部和全局及其邻域信息的分割模型(Inhomogeneous Image Segmentation Model Incorporating Neighbor-Based Intensity Fitting Information,简称NLGIF模型)。考虑了以上的众多因素,定义一个能量泛函,应用分裂Bregman方法极小化该能量泛函。NLGIF模型能够分割更加普遍的强度不均匀的图像,不仅能提高分割模型的准确性和对初始轮廓线的选取和噪声的鲁棒性,还能快速分割图像。因此,NLGIF模型是一个高效而鲁棒的分割模型。基于偏磁场信息和分裂Bregman方法,提出了新的偏磁场校正分割模型(An Improved Active Contour Model Incorporating Bias Field Correction,简称BFC模型)用于分割医学MR图像。BFC模型不仅可以得到了分割结果,同时还得到了偏磁场校正图像。定义能量泛函时,包含偏磁场信息,应用分裂Bregman方法极小化能量泛函。进行数值实验并将BFC模型与其他模型对比。实验结果也表明,新模型对初始轮廓线和噪声都具有鲁棒性,而且分割更准确,也更快速。三个快速图像分割模型中,GCLGIF模型主要被应用于一些人脑MR图像,得到了分割结果,并对图像进行了特征提取;我们提出的NLGIF模型用来分割一些合成、真实和医学图像,不仅得到了准确的结果,而且在鲁棒性上有所提高。我们提出的BFC模型用来分割合成和医学MR图像,得到分割结果的同时还得到了偏磁场校正图像。以上模型均取得了很好的分割结果,证明了这些模型的有效性。此外我们将实验结果与其他模型进行比较,证明这些新模型优越性,主要包括图像分割的结果更加准确,对噪声和初始轮廓线选取的更不敏感,分裂Bregman方法的应用保证了算法的快速收敛从而节约了分割时间。
研究表明,肺癌是人类目前死亡率最高的疾病之一,且肺癌的发病率和死亡率呈现不断增长的趋势,如何预防及治疗肺癌已经成为人们必须解决的课题。通过研究肺癌病例发现,及早发现肺癌病状可以延长患者的生存时间,相反,晚期肺癌患者死亡率非常高。肺结节作为肺癌早期主要表现形式,因此,肺结节分割成为发现肺癌的重要手段。近年来,活动轮廓模型(Active Contour Model,ACM)凭借其灵活的结构、优越的性能以及多样的形式,在医学图像分割领域受到了越来越广泛的研究和应用。本文对目前已有的基于活动轮廓模型算法在医学图像分割中的应用进行了深入的学习和研究。提出改进的活动轮廓模型算法,并将改进算法在分割磨玻璃型(Ground Glass Opacity,GGO)肺结节和血管粘连型(Juxta-vascular,JV)肺结节中进行应用。首先,针对局部区域活动轮廓模型(Local Region-based Active Contour Model,LRACM)模型分割GGO肺结节存在的缺陷:对初始轮廓敏感、分割精度低和依赖梯度信息等。本文在LRACM模型基础上提出了改进的基于局部和全局隶属的活动轮廓模型(Local and global membership based on the active contour model,LGMACM)分割方法:1)采用全局隶属度构造边界停止函数。通过全局隶属度来构造边界停止函数,解决了边界泄露的问题;2)采用局部隶属度构造轮廓模型的数据项,加强了GGO肺结节与背景的对比度;3)采用全局隶属度来获取初始轮廓曲线,提高了模型的效率和收敛速度。其次,针对基于边界的轮廓模型(Edge-based Active Contour Model,EACM)和基于区域活动轮廓模型(Region-based Active Contour Model,RACM)分割 JV 型肺结节存在的问题:边界泄露、对噪声敏感、收敛速度慢和没充分考虑图像先验知识等。本文在EACM和RACM模型基础上提出了改进的基于模糊速度的活动轮廓模型(Fuzzy velocity function based on active contour model,FVFACM)的分割方法:1)构造亮度和形状特征的二维向量并结合模糊聚类算法计算模糊隶属度,并根据隶属度构造速度函数。2)将模糊速度函数引入到活动轮廓模型中,将模糊速度作为内部能量和外部能量的权重系数。基于以上两点的改变,该模型有效的处理了边界泄露、对噪声敏感和收敛速度慢的问题,同时也提高了模型的分割精度。实验结果表明,本文提出的两种改进模型,通过实验仿真结果对比和数据统计对比,能够达到预期的效果。
基于区域的几何活动轮廓(Chan-Vese,CV)模型是乳腺超声图像中常用的一种分割算法。但传统的CV模型不能满足乳腺超声图像分割精度高、速度快的要求。因此,文章提出了一种基于指数加权平均比率(Ratio of Exponential Weighted Averages,RO...
详细信息
基于区域的几何活动轮廓(Chan-Vese,CV)模型是乳腺超声图像中常用的一种分割算法。但传统的CV模型不能满足乳腺超声图像分割精度高、速度快的要求。因此,文章提出了一种基于指数加权平均比率(Ratio of Exponential Weighted Averages,ROEWA)算子改进的CV模型,用于乳腺超声图像中病灶区域的分割。首先,计算乳腺超声图像的ROEWA算子。其次,基于图像的ROEWA算子构建边缘指示函数,用于代替CV模型中的Dirac项。最后,去除平滑项,从而提高曲线演化的速度。实验结果表明,文章提出的算法不仅能提高分割的精度,而且能显著提高分割的速度。
暂无评论