Snake模型是一种可变形模型,可变形模型提供了一种高效的图像分析方法。结合了几何学,物理学,以及近似理论。它通过从样本图像中获得图像的先验知识,比如,大小,形状 等,对待处理图像进行目标的分割与检测。 可变模型分为参数可变形模型和几何可变形模型,参数可变模型以显式的参数描述物体轮廓曲线或曲面,此类可变形模型允许模型进行随时的人机交互,并且表述紧凑,利于算法的实时性的实现。而几何可变形模型则是基于曲线演化理论以及水平集方法实现的,曲线的参数仅在在模型变形之后用于显示。Snake就是一种参数可变形模型,也称为参数活动轮 廓模型(Active Contour Models). Snake模型在ROI(感兴趣区域)中定义了带有能量参量的样条曲线或曲面,在外部能量参量和内部能量参量的共同作用下,初始曲线或曲面会发生形变,逐渐逼近目标轮廓,在能 量最小的时候得到目标轮廓曲线或曲面。 二维情况下,带有能量参量的样条曲线可表示为:C(r)= (x(r),y(r)) r ∈[0,1]; 曲线的能量定义如下: 其中,曲线C的一阶导数项控制着曲线的伸缩,称为弹性能量项;曲线C的二阶导 数项控制着曲线的弯曲,称为刚性能量项。 而一阶导数项和二阶导数项共同组成了曲线的内部能量,α(r)和β(r)决定弹性能量和刚 性能量的大小。曲线的外部能量则是由 图像能量和约束能量构成。一般图像能量是从图像数据中获得的,比如灰度,灰度梯度等。 如图像I(x,y)的图像能量可有如下描述公式: 其中G(σ)是标准差为σ的的二维高斯函数,k(r)是权重系数。σ决定了图像的平滑效果,σ越大,目标的轮廓线会越模糊,轮廓的范围越大,这样会更方便的检测到轮廓。而约束能量则是在和用户交互的时候确定的,使模型根据特征能更有效的检测到目标的轮廓。 由变分原理及欧拉公式可得,使能量E(snake)最小化的曲线应满足下面的式子:
一图象分割定义 图象分割:将图象表示为物理上有意义的连通区域的集合,也就是根据目标与背景的先验知识,对图象中的目标,背景进行标记、定位,然后将目标从背景或其他伪目标中分离出来。 二图象分割的研究现状 图象分割是图象处理中的一项关键技术,也是一经典难题,自20世纪70年代起一直受到人们的高度重视,至今已提出了上千种分割算法。但发展至今仍没有找出一个通用的分割理论,现提出的分割算法大都是针对具体问题的,并没有一种适合所有图象的通用分割算法。另外,也还没有制定出判断分割算法好坏和选择适用分割算法的标准,这给图象分割技术的应用带来许多实际问题。 三对图象分割现状的思考 基于图象分割的研究现状,我们在图象分割技术的应用上存在着许多实际问题。首先,在需要解决一个具体的图象分割问题的时候,往往发现难于找到一个非常适用的现成方法。其次,图象分割问题可以说既是一个数学问题,也是一个心理学问题。如果不利用关于图象或所研究目标的先验知识,任何基于某种数学工具的解析方法都很难取得很好的效果。因此,在更多的时候,人们倾向于重新设计一个针对具体问题的新算法来解决所面临的图象分割问题。这在只有个别图象样本的时候,利用各种先验知识,设计具有针对性的算法来实现较好的分割相对容易。但是,当需要构建一些使用的机器视觉系统时,(比如虚拟眼),所面对的将是具有一定差异性,数量庞大的图象库,此时如何很好地利用先验知识,设计一个对所有待处理图象都实用的分割算法是一件非常困难的任务。最后,由于缺乏一个统一的理论作为基础,同时也缺乏对人类视觉系统(humen vision system,HVS)机理的深刻认识(人们对视觉机理的研究还没成熟),构造一种能
生物医学图像分割方法研究 1、图像分割概述 图像是用各种观测系统以不同形式和手段观测客观世界所获得的,可以直接或间接作用于人眼并产生视觉感知的实体。在现实生活之中,大约有75%左右的信息来源于人眼(图像),也就是说人类大部分的信息是视觉信息,从图像中得到。所以,对图像的认识和理解一直是人类视觉研究中非常重要的问题。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割是计算机视觉领域中最古老也是研究最广泛的问题之一。任何图像处理系统,医学图像或是工业图像,图像分割都是一个关乎系统成败的关键问题。 现有的图像分割方法主要分以下几类:基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。 1、基于阈值的分割方法。 阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值,并将图像中每个像素的灰度值与阈值相比较,最后将像素根据比较结果分到合适的类别中。因此,该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。阈值分割当面比较有名的方法有最大类间方差法(OTSU)、基于直方图的阈值方法和熵方法等。 2、基于边缘的分割方法 所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合,是图像局部特征不连续性的反映,体现了灰度、颜色、纹理等图像特性的突变。通常情况下,基于边缘的分割方法指的是基于灰度值的边缘检测,它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。 阶跃型边缘两边像素点的灰度值存在着明显的差异,而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性,可以使用微分算子进行边缘检测,即使用一阶导数的极值与二阶导数的过零点来确定边缘,具体实现时可以使用图像与模板进行卷积来完成。常用的边缘检测算子有sobel,canny和laplace等等。
三维网格分割的经典方法 摘要:本文针对三维网格分割问题,提出一个经典的方法。该方法基于微分几何和测地距离。在算法中,将面片类型相同的顶点分割在一起。测地距离利用顶点之间的最短路径表示,这里可以利用一些经典的算法求最短路径,如Dijkstra 算法。但是当网格的数量很多时,Dijkstra 算法的效率很低。因此,此算法避免了在整个网格上应用最短路径算法,在局部网格中求最短路径,从而减少了计算量。 本文在人造物体的三维网格模型以及分子结构中验证了该方法的有效性。 关键字:几何算法 面片分割 测地距离 简介 3D 物体的三维网格表示法具有很多的应用。例如,在图像分析中,表示利用深度图像重建的物体表面。此外,在复杂物体和场景的建模和可视化中也有广泛的应用。在网格面片的分析中,网格分割已经成为一个关注的问题。网格分割也就是将网格上相互接近并且具有相似曲率的顶点分成一组。网格分割在很多方面具有重要的应用。特征提取,模型匹配等。 Mangan 和Whitaker 提出三维网格分割的分水岭算法。Razdan 和Bae 扩展了此算法,将基于点元(voxel-based )和分水岭算法相结合,来分割三角网格。这两种方法在分割中都需要计算整个曲率,然后在局部曲率最小处建立初始分割。然而,在某些物体中,局部曲率的最小值是很难确定的。因此,在这里提出一个初始分割的新方法。 在该算法中,应用基于面片的类型信息的网格区域增长方法,对顶点进行初始分割。利用高斯曲率和平均曲率对顶点所在的面片进行分类。这里利用离散微分几何计算高斯曲率和平均曲率。通过本文提出的新方法来求得测地距离。 文章结构:第二部分,介绍网格面片的曲率分析和面片分类。第三部分,详述本文的分割算法。第四部分,实验以及其分割结果。第五部分,结论。 2 面片分析 在面片分析中,首先计算高斯曲率和平均曲率,然后利用它们进行面片分类。顶点P 0的高斯曲率K 的计算公式如下: , A K θ ρ?= ,∑-=?i i 2θπθ ∑=i i A A , A 为相邻三角形T i ( i =1,2,3,…)的面积总和。ρ为常量3。如图1所示。
Snake模型简介及其编程实现 Snake模型也称为主动轮廓线模型,最初由Kass等人在1987年第一届计算机国际视觉会议上提出,一经提出就成为计算机视觉领域研究的热点。Snake的基本思想是通过人的识别能力,在图像中目标边界附近确定初始轮廓线,然后对曲线进行能量最小化变形,使其锁定在待分割目标的边界上。Snake模型之所以能得到如此重视,是因为它将图像目标的先验知识(如大小、位置、形状等)与图像特征(灰度、梯度、纹理等)结合起来,克服了传统图像分割方法将二者分离的缺陷。近年来,许多文章从传统Snake模型的能量函数构造和求解算法方面进行改进,在其基础上衍生出了许多新的Snake模型。 1、Snake模型的基本原理 其基本思想是依据图像信息进行曲线(曲面)演化,使其最终找到目标物体的边界。这种方法将分割问题转化为最优化问题,利用闭合曲线(或曲面)形变的特定规律,定义度量闭合曲线(曲面)形变的能量函数,通过最小化能量函数使曲线(曲面)逐渐逼近图像中目标物体的边缘。先提供待分割图像的一个初始轮廓的位置,并对其定义个能量函数,是轮廓沿能量降低的方向靠近。当能量函数达到最小的时候,提供的初始轮廓收敛到图形中目标的真实轮廓。 Snake能量函数是有内部能量函数和外部能量函数组成,内部能量控制轮廓的平滑性和连续性,外部能量由图像能量和约束能量组成,控制轮廓向着实际轮廓收敛,其中约束能量可根据具体的对象形态定义,使得snake具有很大的灵活性。 Snake模型发展10多年来,许多学者对于经典的snake模型做了改进,提出各种改进的snake模型,其中梯度矢量流(Gradient Vector Flow, GVF)模型扩大了经典snake的外力作用范围,加强了对目标凹轮廓边缘的吸引力,提高了传统的snake模型。 2. 基本的Snake模型 数学上,将活动轮廓表示成一条参数曲线V(s,t)=(x(s,t),y(s,t)),其中,V是曲线点的二维坐标,t是时间参数,s是弧长参数。轮廓的总弧长归一化到1。改曲线的能量可以用能量泛函表示为E(V)=E int(V)+E ext(V),E int(V)是内部能量泛函,E ext(V)是外部能量泛函。曲线V在图像的空间域运行使得E(V)最小。 其中内部能量泛函定义为:
实验报告 课程名称医学图像处理 实验名称图像分割 专业班级 姓名 学号 实验日期 实验地点 2015—2016学年度第 2 学期
050100150200250 图1 原图 3 阈值分割后的二值图像分析:手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值,若有多个双峰谷底,则取第一个作为阈值。本题的阈值取
%例2 迭代阈值分割 f=imread('cameraman.tif'); %读入图像 subplot(1,2,1);imshow(f); %创建一个一行二列的窗口,在第一个窗口显示图像title('原始图像'); %标注标题 f=double(f); %转换位双精度 T=(min(f(:))+max(f(:)))/2; %设定初始阈值 done=false; %定义开关变量,用于控制循环次数 i=0; %迭代,初始值i=0 while~done %while ~done 是循环条件,~ 是“非”的意思,此 处done = 0; 说明是无限循环,循环体里面应该还 有循环退出条件,否则就循环到死了; r1=find(f<=T); %按前次结果对t进行二次分 r2=find(f>T); %按前次结果重新对t进行二次分 Tnew=(mean(f(r1))+mean(f(r2)))/2; %新阈值两个范围内像素平均值和的一半done=abs(Tnew-T)<1; %设定两次阈值的比较,当满足小于1时,停止循环, 1是自己指定的参数 T=Tnew; %把Tnw的值赋给T i=i+1; %执行循坏,每次都加1 end f(r1)=0; %把小于初始阈值的变成黑的 f(r2)=1; %把大于初始阈值的变成白的 subplot(1,2,2); %创建一个一行二列的窗口,在第二个窗口显示图像imshow(f); %显示图像 title('迭代阈值二值化图像'); %标注标题 图4原始图像图5迭代阈值二值化图像 分析:本题是迭代阈值二值化分割,步骤是:1.选定初始阈值,即原图大小取平均;2.用初阈值进行二值分割;3.目标灰度值平均背景都取平均;4.迭代生成阈值,直到两次阈值的灰 度变化不超过1,则稳定;5.输出迭代结果。
展望 三维模型分割(下) 关键词:三维模型分割 三维网格模型分割应用 三维检索中的网格模型分割算法 随着万维网的发展,在三维VRML1数据库中寻找一个与给定物体形状相似的模型的应用需求正变得越来越广泛,比如:计算生物学、CAD、电子商务等等。形状描述子和基于特征的表示是实体造型领域中基本的研究问题,它们使对物体的识别和处理变得容易。因为形状相似的模型有着相似的分割,所以基于分割的形状描述子可以用于形状匹配。 2002年毕斯乔夫[37]提出从三维模型分割得到的椭球集合中得到的某种统计信息(比如椭球半径的平均方差或者标准方差,以及它们的比率)。由于这些信息在不同的形状修改中都保持不变,因此可以作为一种检索特征。但是这个想法没有得到严格的理论或者实验证明。 2002年,扎克伯吉[65]在一个拥有388个VRML三维网格模型的数据库上进行检索。首先他们将三维网格模型分割为数目不多的有意义的分割片。然后评价每一个分割片形状,确定它们之间的关系。为每个分割片建立属性图,看作是与原模型关联的索引。当在数据库中检索与给定网格模型相似的物体时,只是去比较属性图相似的程度。 该方法检索结果的精确性较差;分割片属性图比较采用图同构的匹配,计算量较大,且是一个很困难的问题;从实验结果看,分割效果显然还不够有意义,出现飞机、灯座等模型被检索为与猫相似的结果;区分坐、立等姿态不同的人体模型效果显然也很差(如图19)。 2003年戴伊[9]基于网格模型的拓扑信息,给出名为“动力学系统”的形状特征描述方法,并模拟连续形状给出了离散网格模型形状特征的定义。实验表明,该算法十分有效地分割二维及三维形状特征。 目前,基于几何以及拓扑信息的中轴线或骨架等形状描述子也得到了广泛的研究,如基于水平集[55]、拓扑持续性[69]、Shock图[15]、Reeb 图[54]和中轴线[56]等方法。这些形状描述可以从 孙晓鹏 中国科学院计算技术研究所 认知心理学、心理物理学认为:人类对形状的识别过程部分地基于分割,复杂形状往往被看作是若干简单元素的组合。同时,在视觉识别过程中,显著形状特征以很高的 优势屏蔽了其它不显著特征。为了获取形状的显著特征,首先必须进行分割。 1 Virtual Reality Modeling Language,虚拟现实建模语言,一种在WWW中描述虚拟现实(VR)的工 具,用来描述三维物体及其行为。其基本目标是建立互联网上的交互式三维多媒体,具有三维性、交互性、动态性、实时性等特征,能够在互联网或局域网上快速传递。该语言于1998年1月被正式批准为国际标准(ISO/IEC14772-1:1997),是第一个用HTML发布的国际标准。 (接上期)
本科毕业论文(设计) 题目:基于MATLAB的数字图像分割的研究与实现 学院:计算机与信息工程学院学生: 学号: 专业: 年级: 完成日期:2012 年04 月 指导教师:
基于MATLAB的数字图像分割的研究与实现 摘要:视觉和听觉是我们认识和感知外部世界的主要途径,而视觉又是其中最重要的,因此要想更细致、全面地把握这些图像信息就需要对其进行必要的处理。在数字图像处理的研究和应用中很多时候我们只对图像的某些部分和特征感兴趣,此时就需要利用图像分割技术将所需的目标与图片的其他部分区分开,以供我们对图像进一步研究和分析。图像分割即通过一些必要的算法把图像中有意义的部分或特征提取出来,将图像分为若干有意义的区域,使得这些区域对应图像中的不同目标,进而能够对所感兴趣的区域进行研究。基于图像分割技术在图像处理之中的重要性,本研究在此对图像分割的一些经典算法进行了学习和对比,并通过MATLAB对其进行了实验,通过不同的算法对不同的图片进行处理,分析其优缺点,以便在进行图像分割时可以根据图片的特征选择合适的算法。 关键字:数字图像;分割;MATLAB
The Research and Implementation of Digital Image Segmentation Based on the MATLAB Abstract : Vision and auditory are the main ways which we use to understand and perceive the world outside, while vision is the most important. Therefore, it's require to process the image data to grasp them more painstaking and completely. In digital image processing of research and application we are only interested to some parts of the image and characteristic in many times, then you need to use the image segmentation technology to separate the goal and the picture for other parts for our further research and analysis of the image.Image segmentation is dividing the image into some significant areas through some necessary algorithms, then make these areas corresponding to different goals and we can do some research about the areas we are interested to. Based on the importance of image segmentation technology in image processing, I compared several classical algorithms of image segmentation. In the meanwhile, I used the MATLABto do some research and to process the various images with different algorithms so that it's convinent to find the advantages of these algorithms. Then, I can base on the characteristics of the images to choose the suitable algorithms when to make some digital image segmentation. Key words : D igital Image; Segmentation; MATLAB
摘要 图像分割是数字图像处理领域中的重要内容,遥感图像分割是图像分割的一个重要应用方向。论文简要地概述了三种多尺度遥感图像分割算法,分别是基于HIS空间和颜色纯度的多尺度遥感图像分割算法、基于区域生长的多尺度遥感图像分割算法、基于分水岭算法的多尺度遥感图像分割算法。 关键字:图像分割,遥感,多尺度,算法 Abstract Image segmentation is a digital image processing in the field of important content, remote sensing image segmentation image segmentation is an important application direction. This paper gives a brief overview of the three remote sensing image segmentation algorithm, which is based on the HIS color space and multiscale image segmentation based on watershed algorithm, multi scale image segmentation of remote sensing image. Keyword:image segmentation,remote sensing, multiscale,algorithm 介绍: 遥感图像分割[1],就是对遥感图像进行处理,并从中提取目标的过程。它是对遥感图像进行进一步处理和应用的基础。遥感图像通常表现为对比度低,区域特征因不同的拍摄条件而产生较大变化,不同区域之间的边界模糊,以及形状结构和细微结构分布复杂多样,图像信息容量大等等。由于遥感图像的这些特点,使得遥感图像分割没有可靠的模型进行指导,因而在一定程度上阻碍了图像分割技术在遥感领域的应用。虽然目前已经有大量的图像分割算法,一些研究者利用各种方法对遥感图像的自动化分割进行了积极的尝试,但是目前还没有算法能够对不同条件下获取的同一地区的遥感图像都产生满意的分割结果,更没有通用的算法能够对所有的遥感图像都产生满意的分割结果。 图像分割是计算机视觉研究中的一个极为重要的基本问题,是由图像处理到图像分析的关键步骤。分割结果的优劣直接影响到随后的图像分析、理解和景物恢复问题求解的正确与否。对图像的理解有很好的作用,其定义为按照选定的一致性准则将图像划分为互相不交叠的、连通的像元集的处理过程[2]。 1.基于区域生长: 仅仅利用光谱信息的传统分割方法已不能有效地对高分辨遥感图像进行分割。鉴于高分辨率遥感图像提供了地物光谱、形状和纹理等大量信息,提出了一种基于区域生长结合多种特征的多尺度分割算法。首先利用图像梯度信息选取种子点;其次综合高分辨率遥感图像地物的局部光谱信息和全局形状信息作为区域生长的准则进行区域生长。迭代这两个过
偏微分方程与图像处理(GAC的水平集方法)
实验二 GAC 的水平集方法 一 实验目的 采用GAC 模型的水平集方法检测图像中对象的轮廓,以便有效地进行分割。 二 原理分析 推广GAC 模型的水平集方法对应的PDE 为: u gc u g u gk u t ?=?+???+?? (3.31) 按照上式,曲线运动将受两种“力”的支配,第一种力来自于曲率几何形变—曲率运动(gc u gk u ?+?),不过它的强弱还要受到因子()g I ?的影响。 I ?为图象I(x,y)的梯度模值,函数g (r) 是可以是任何具有单调减性的函数。 因为图象梯度模值I ?在图象的边缘附近有较大值,从而使g(I ?)取极小的值,故在图象边缘附近,该作用力将会变的很小,因此有时将边缘函数()g I ?称之为边缘停止函数。常数c 的作用是加速曲线向内部收缩。 第二种力来自于g 的梯度(1,2)g αα?= ,它是一种不论当前C 的局部是在对象内部或外部,都能将曲线引向边界的“吸引力”。从而g u ??? 总是使曲线向着更接近于边界线的方向运 动,最终达到贴近对象边界的稳定状态。 由于这两种作用使曲线演化可最终达到紧靠轮廓这一稳定状态而不再继续演化。 采用单边迎风方案,根据(1.76)式的数值方案实现上式: 考虑到 0g >,0c > 可得: (1) () () {n n ij ij ij u u t g c +-=+?? () () () () max(1,0)min(1,0)max(2,0)min(2,0)x ij x ij y ij y ij D u D u D u D u αααα-+-+++++ (0) 2 (0) 212 [()()]}n ij ij x ij y ij g k D u D u ++ (2.1) 其中 () 2222 [(max(,0))(min(,0))(max(,0))(min(,0))] x ij x ij y ij y ij D u D u D u D u -+-+-? =+++ (2.3) ,1,1 (0) 2 i j i j x ij u u D u +--= 中心差分 (2.2)
Computer Engineering and Applications 计算机工程与应用 2015,51(9)1引言随着计算机图形学技术以及虚拟仿真技术的不断发展,虚拟手术技术特别是虚拟肝技术已经有了很大的发展[1]。三维肝脏模型跟肝脏的二维数字断层图像相比,更直观,更能展现人体器官的三维结构和形态,因此肝脏三维重建技术已广泛运用于虚拟手术中。由于每个病人的肝脏器官外形都不一样,病灶也不一样,如何构造出个性化的肝脏模型是肝脏虚拟手术中重要的研究方向之一,而肝脏模型的个性化又是以肝脏CT 图像 的三维分割为前提的,因此,肝脏CT 图像的三维分割算法的研究具有很重要的意义[2]。但是由于肝脏及其周围组织结构的复杂性,肝脏CT 图像的三维分割一直都是一项挑战性的任务,很多科研工作者已经在这方面进行了研究[3]。 传统的图像分割方法一般可以分为三类:基于阈值的分割、基于边缘检测的分割和基于区域的分割[4]。改进的B-Snake 模型肝脏CT 图像分割算法 王杰雄,陈国栋,陈怡 WANG Jiexiong,CHEN Guodong,CHEN Yi 福州大学物理与信息工程学院,福州350002 College of Physics and Information Engineering,Fuzhou University,Fuzhou 350002,China WANG Jiexiong,CHEN Guodong,CHEN Yi.Improved B-Snake segmentation method for liver CT https://www.wendangku.net/doc/2a2541191.html,puter Engineering and Applications,2015,51(9):152-157. Abstract :The personalization of liver models,which is premised on the 3d segmentation of liver CT images,is a key technology in the virtual surgery of liver.Considering the features of B-Snake model,this paper presents an improved B-Snake segmentation algorithm combined with Region Filling.The contour of the adjacent and processed section is mapped on the current section.Based on the contour,it gets a connected region according to Region Filling algorithm and compares the region with the liver region of the adjacent and processed section according to certain algorithm in order to obtain a more accurate contour.The resulting contour is close to the liver boundary,and large amount of the control points are on the right boundary.Then,the contour is served as the initial contour of the improved B-Snake algorithm for further processing,resulting in the final segmentation result after the evolution of part of the initial contour.The algorithm will not end untill all sections are processed.Experimental results show that the algorithm can obtain segmentaion result of liver CT images efficiently and accurately. Key words :liver;image segmentation;region filling;active contour model 摘要:肝脏模型的个性化是肝脏虚拟手术系统中的一个关键技术,而肝脏模型的个性化又是以肝脏CT 图像的三维分割为前提的。针对B-Snake 模型的特点,提出一种结合区域填充的改进B-Snake 模型图像分割算法。将相邻的上一张切片的分割结果映射到当前切片上,根据一定的规则进行区域填充,并将填充后的结果与前一张切片的分割结果按一定的算法进行比较,进一步优化。得到的初始轮廓很接近肝脏的真实边界,而且大部分曲线已在边界上,将其作为改进的B-Snake 模型算法的初始轮廓,只需对其进行部分控制点的优化调整,就可得到准确的分割结果。以此类推,直到处理完所有切片图。实验表明,该算法能有效提高分割的准确度,获得较满意的分割结果。关键词:肝脏;图像分割;区域填充;活动轮廓模型 文献标志码:A 中图分类号:TP317.4doi :10.3778/j.issn.1002-8331.1306-0111 基金项目:福建省科技计划重点项目(No.2011H0027)。 作者简介:王杰雄(1989—),男,硕士研究生,研究领域为图像处理与通信;陈国栋(1979—),男,博士研究生,助理研究员,研究领域 为计算机图形学;陈怡(1990—),男,硕士研究生,研究领域为图像处理与通信。E-mail :wangjiexiong_1989@https://www.wendangku.net/doc/2a2541191.html, 收稿日期:2013-06-13修回日期:2013-09-04文章编号:1002-8331(2015)09-0152-06 CNKI 网络优先出版:2013-11-12,https://www.wendangku.net/doc/2a2541191.html,/kcms/detail/11.2127.TP.20131112.1119.011.html 152
计算机视觉实验二 ——图像分割:snake轮廓模型 简介 Snake是Active Contour Model的一种,它以构成一定形状的一些控制点为模版(轮廓线),通过模版自身的弹性形变,与图像局部特征相匹配达到调和,即某种能量函数极小化,完成对图像的分割。每一个Snake都是能量最小曲线,受外部限制力引导及图像力的影响使它向着线和边缘等特征移动。Snakes是活动轮廓模型:他们自动跟踪附近边缘,准确地使曲线集中。尺度空间(scale-space)的连续性用来去扩大对特征周围区域的捕获。Snakes提供一种许多视觉问题的统一的解决方法,包括检测边,线及主观轮廓;移动跟踪;及立体匹配。我们成功使用Snakes用于交互解释(interactive interpretation),即用户提出一种限制力引导Snake靠近感兴趣的特征。 基本snake性能 我们的基本snake模型是一条被控制的连续曲线,其曲线受图像力和外部限制力的影响。内部样条(splint)力用来加以分段平滑限制。图像力把snake推向显著图像特征,如线,边,主观轮廓等等。外部限制力负责推动snakes靠近理想的局部最小值。例如这些力,可以来自使用者接口,自动注意机制(automatic attentional mechanisms),或者高层解释(high-level interpretations)。 实验关键步骤代码 1.获取手动取点坐标,该部分代码如下 14 % ========================================================================= 15 %获取手动取点坐标 16 % ========================================================================= 17 %读取显示图像 18 %I = imread('Coronary_MPR.jpg'); 19 I = imread('plane.png'); 20 %转化为双精度型 21 %I = im2double(I); 22 %若为彩色,转化为灰度 23 i f(size(I,3)==3), I=rgb2gray(I); end 24 f igure(1),imshow(I); 25 %---------------------------
科技情报开发与经济SCI-TECH INFORMATION DEVELOPMENT&ECONOMY2009年第19卷第26期 图像分割是图像处理领域中的一个基本问题,也是从处理 到分析的关键。提取医学图像的目标轮廓,获得特定的边缘信息 可以使医生对病情的了解更加直观,特别是在为满足人类视觉 所进行的三维重建方面的研究具有重要的意义;对所提取的对 象还可以进行几何、物理及统计参数的测量,获得比较精确的位 置和形状信息,为制订合适的治疗计划、手术计划等提供必要的 信息。然而,由于人体解剖结构的复杂性、组织器官的不规则性 以及个体之间的差异性,加之成像质量受到多种因素的制约,使 得目标轮廓的提取成为一个难点[1]。传统的分割算法大多出现 边界不光滑、不连续以及与背景连成一片等问题,而Snake模型 能够利用图像局部与整体信息,实现边界的准确定位,并能得到 封闭的轮廓,是一种能量最小的曲线演化模型。 Snake模型又称活动轮廓模型,自从1987年Kass提出 后[2],它就成为近些年用于目标轮廓提取的主流模型。然而,传 统的Snake模型也存在一些缺陷:一是它要求初始轮廓必须靠近 实际轮廓边缘,否则将收敛到局部极值甚至发散;二是对于深度 凹陷的区域,轮廓线很难收敛到边界;三是在迭代求极值的过程 中,运算量较大,收敛速度慢。针对以上缺陷,国内外许多专家学 者对传统Snake模型进行了改进。Cohen[3]提出了应用压力和高 斯势能力一起增大吸引范围的方法,该压力可使模型扩大或缩小, 因而不再要求将模型初始化在目标对象边界附近。Xu和 Prince[4-5]应用矢量扩散方程扩散与边界区域的边缘映射的梯 度,产生一个称之为梯度矢量流(GVF)的力场,用此力场代替传 统外力场,让曲线随着图像凹陷的部分而发生变形,圈出凹陷区 域的边缘。陈允杰,张建伟提出了基于遗传算法的Snake模型[6], 提高了传统Snake模型的分割精度。本文将重点讨论GVF的原 理及实现方法,并将其应用在超声图像中肿瘤轮廓的提取,最后 给出了与传统分割算法相比较的结果。 1传统Snake模型 Snake模型是在目标轮廓区域附近定义一条能量曲线,该曲 线在内部能量和外部能量的作用下发生形变,在能量最小的时 候达到目标轮廓的边界。其表达式为: E snake= 1 乙E int[v(s)]+E ext[v(s)]d s(1) 式中:v(s)=(x(s),y(s))表示轮廓,s∈[0,1];E snake为曲线的 总能量;E int为曲线的内部能量;E ext为外部能量。 内部能量E int定义了一个可伸长和可弯曲的轮廓v(s)的变形能量,它包括连续能量E cont和曲率能量E curv,其作用是保持曲线的连续性和平滑性。其表达式为: E int(v)=1 乙12(αv′(s)2+βv″(s)2)d s(2)式中:α,β为控制曲线弹性和弯曲性的权重参数;v′(s),v″(s)为曲线关于s的一阶导数和二阶导数,它们的取值与图像本身无关。 外部能量E ext推动曲线向轮廓移动,包括图像本身的能量E image和外部约束作用力产生的能量E cons。传统Snake模型的外部能量直接取图像I(x,y)的梯度,定义为: E ext(x,y)=-塄I(x,y)2(3) 或E ext(x,y)=-塄[Gσ(x,y)]*I(x,y)(4)式中:Gσ是标准差为σ的二维高斯函数;塄为梯度算子;*为卷积。 Snake曲线的每一次迭代变形就是使式(5)达到最小: E s nake= 1 乙12(αv′(s)2+βv″(s)2)+E ext(v(s))d s(5)2梯度矢量流GVF模型 2.1GVF外力场 GVF场根据图像I(x,y)定义了边缘映射f(x,y)。在图像的边缘区域f(x,y)较大,在灰度或背景均匀的区域较小。其表达式为: f(x,y)=-E ext(x,y)(6)矢量场能量函数为: ε=蓦μ(u x2+u y2+v x2+v y2)+塄f2V(x,y)-塄f2d x d y(7)式中:V(x,y)=[u(x,y),v(x,y)]为指向轮廓边缘的矢量,f为边缘映射。式中第一项起平滑作用,u x,u y,v x,v y分别为u,v对x,y 的偏导数,参数μ根据图像噪声的强弱调整(噪声越大μ越大)。从该表达式可以看出,当塄f较小时,能量由向量场的偏微分平方和控制,产生一个缓慢变化的场;当塄f较大时,被积函数由第二项控制,通过设置V=塄f使能量最小。 通过解下面的Euler方程得到满足式(7)的矢量场: μ塄2u-(u-f x)(f x2+f y2)=0(8a) 文章编号:1005-6033(2009)26-0143-03收稿日期:2009-07-15一种改进的Snake模型及其 在医学图像分割中的应用 刘钊1,王惠南2 (1.南京航空航天大学自动化学院,江苏南京210016;2.南京航空航天大学航天学院,江苏南京,210016) 摘要:以超声肿瘤图像为例,将改进的Snake模型应用到超声图像的目标轮廓提取 中,并取得了较好的效果。首先采用数学形态学方法对图像进行增强预处理,从而提高 图像的对比度,将肿瘤区域凸显出来;然后利用改进的Snake模型提取肿瘤的边缘。该 方法与传统的轮廓提取方法相比,具有捕获范围广、抗噪性强等特点。实验结果表明, 采用该方法可以准确地提取肿瘤区域的轮廓,在临床上具有广泛的应用前景。 关键词:Snake模型;轮廓提取;数学形态学;图像分割 中图分类号:TP391.41文献标识码:A 143
图像分割技术的研究背景及意义 1概述 2图像分割技术的研究背景及意义 2.1阈值分割方法 2.2基于边缘的分割方法 2.3基于区域的分割方法 2.4 结合特定理论工具的分割方法 1概述 图像的研究和应用中,人们往往对图像中的某些部分感兴趣,这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域(可以对应单一区域,也可以对应多个区域),称之为目标或前景;而其他部分称为图像的背景。为了辨识和分析目标,需要把目标从一幅图像中孤立出来,这就是图像分割要研究的问题。 2图像分割技术的研究背景及意义 图像分割是图像处理中的一项关键技术,也是一经典难题,发展至今仍没有找到一个通用的方法,也没有制定出判断分割算法好坏的标准,对近几年来出现的图像分割方法作了较为全面的综述,探讨了图像分割技术的发展方向,对从事图像处理研究的科研人员具有一定的启发作用。 图像分割是图像分析的第一步,图像分割接下来的任务,如特征提取、目标识别等的好坏,都取决于图像分割的质量如何。由于该课题的难度和深度,进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视,虽然研究人员针对各种问题提出了许多方法,但迄今为止仍然不存在一个普遍适用的理论和方法。另外,还没有制定出选择适用分割算法的标准,这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法,对一些经典方法和新出现的方法作了概述,并将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。
2.1阈值分割方法 阈值分割方法的历史可追溯到近40前,现已提出了大量算法。阈值分割法就是简单的用一个或几个阈值将图像的直方图分成几类,图象中灰度值在同一个灰度类内的像素属于同一个类。它是一种PR法。其过程是决定一个灰度值,用以区分不同的类,这个灰度值就叫阈值。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅图像的信息来得到分割用的阈值,并根据该阈值对整幅图像进行分割;而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值,利用这些阈值对各个区域进行分割,即一个阈值对应一个相应的子区域,这种方法也叫称为适应阈值分割。可以看出,确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据分割算法所有的特征或准则,还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法,如严学强等人提出了基于量化直方图的最大熵阈值处理算法,将直方图量化后采用最大熵阈值处理算法,使计算量大大减小。薛景浩、章毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法,从目标和背景的类间差异性出发,利用贝叶斯公式估计象素属于目标和背景两类区域的后验概率,再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能,取得很好的通用性和有效性,该算法也容易实现二维推广,即采用二维统计量(如散射图或共生矩阵)取代直方图,以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法,运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法,使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法,该方法对Ostu准则的内在缺陷进行了改进,并运用对直方图的预处理及轮廓追踪,找出了最佳分割阈值。此方法对红外图像有很强的针对性,付忠良提出的基于图像差距度量的阈值选取方法,多次导出Ostu方法,得到了几种与Ostu类似的简单计算公式,使该方法特别适合需自动产生阈值的实时图像分析系统。陈向东、常文森等人提出了基于小波变换的图像分数维计算方法,利用小波变换计算图像的分数维准确性高的特性。结果表明计算出的图像分数维准确,而且通过应用快速小波变换可以满足实时计算的要求,为实时场景分析提供有效的方法。建立在积分几何和随机集论基础之上的数学形态学以其一整套变换、概念和算法为数学工具,提供了并行的、具有鲁棒性的图像分割技述。它不仅能得到图像中各种几何参数的间接测量,反映图像的体视特性,而