一种适用于血管图像分割的活动轮廓模型
第27卷 第5期2010年 10月
生物医学工程学杂志
Journal of Biomedical E ngineering
V ol.27 N o.5
October 2010
一种适用于血管图像分割的活动轮廓模型3
田 飞 杨 丰Δ 刘国庆
(南方医科大学生物医学工程学院,广州510515)
摘 要:本文提出了一种适用于血管图像分割的活动轮廓模型。根据局部轮廓曲线与血管边界的吻合状况,该模型能够自适应地调节能量方程中全局强度信息和局部强度信息的比重。实验结果表明,此模型能够有效地应用于非均匀、含噪声血管造影图像的分割。与其它方法相比,该方法对轮廓曲线的初始位置不敏感,且无需对引入参数进行人工调节。
关键词:Chan2Vese模型;图像分割;灰度非均匀;LBF模型
中图分类号 TP391.41 文献标识码 A 文章编号 100125515(2010)0520968206
An Active Contour Model Applied to V ascular Image Segmentation
Tian Fei Yang Feng Liu G uoqing
(Depart ment of B iomedical Engineeri ng,S out hern Medical Universit y,Guangz hou510515,China)
Abstract:In this paper is presented an active contour model applied to vascular image segmentation.This model can adaptively adjust the proportion of global and local intensity information in accord with the anastomosis status be2 tween local contour and boundaries.Our method is able to work effectively on segmentation of angiographic image with intensity inhomogeneity and https://www.wendangku.net/doc/3410693397.html,pared with other methods,our method is not sensitive to initialization and it eliminates the need for manual adjustment of new parameter.
K ey w ords:Chan2Vese model;Image segmentation;Intensity inhomogeneity;LBF model
引言
血管图像分割是循环系统血管分析的一个重要组成部分,也是血管三维重建、定量分析的基础。由于血管中造影剂的分布不均往往造成血管在血管造影图像中亮度非均匀,加上图像噪声的影响,使得血管很难从造影图像中分割出来。在众多的图像分割方法/算法中,基于曲线演化的活动轮廓模型因其演化过程与处理结果是一条清晰、完整的目标轮廓曲线,而成为当前研究热点对象,大量的活动轮廓模型被提出并应用于图像分割和计算机视觉处理。目前存在的活动轮廓模型主要被分成两类:基于边界的活动轮廓模型[123]和基于区域的活动轮廓模型[429]。基于边界的活动轮廓模型依靠目标边界的图像梯度终止轮廓曲线的演化。因此基于边界的活动轮廓模型容易跨过弱边界发生“泄漏”现象。与基于边界的活动轮廓模型相比,基于区域的活动轮廓模型不依
3国家自然科学基金资助项目(60672115)
Δ通讯作者。E2mail:yangf@https://www.wendangku.net/doc/3410693397.html, 赖目标边界的梯度信息,因此对弱目标边界的图像具有较好的分割效果。在众多基于区域的活动轮廓模型中,C2V模型[5]得到较为广泛的应用。C2V模型又被称为分段常量(PC)模型,该模型基于假设图像由一系列的灰度均匀区域构成。但是,对于一些含有非均匀特性的血管造影图像,C2V模型往往很难把非均匀血管准确地从背景中分割出来。
为克服灰度非均匀给医学图像分割带来的困难,Li等[8]提出了一种局部二元拟合(local binary fitting,LBF)能量模型。LB F模型使用了局部图像灰度信息,能够解决灰度非均匀性给图像分割带来的问题。但是,LB F模型的局部特性使得该模型对初始轮廓曲线的位置较为敏感。为了克服这种现象,Wang等[9]提出了一种利用全局和局部强度拟合信息的活动轮廓模型。在该模型中,能量泛函是由一个局部强度拟合能量项和一个辅助的全局强度拟合能量项组成。由于含有全局强度拟合能量,该模型能够在一定程度上降低活动轮廓曲线对初始位置的敏感性,同时增大了活动轮廓曲线收敛到非均
第5期 田 飞等:一种适用于血管图像分割的活动轮廓模型
匀目标边界的难度,增加了迭代次数。并且该模型
对全局强度拟合能量项参数选择较为敏感,需要人
工调节。
针对上述活动轮廓模型中存在的问题,本文提
出一种自适应强度拟合的活动轮廓模型。该模型根
据局部活动轮廓曲线与血管边界的吻合状况,用一
个包含全局和局部图像信息的自适应强度值来拟合
局部图像强度。当局部活动轮廓曲线与血管边界吻
合较差时,全局强度信息起主导作用,用来克服活动
轮廓曲线对初始位置的敏感性;当局部活动轮廓曲
线靠近血管边界时,局部强度信息起主导作用,很好
地适用于灰度非均匀血管区域的分割。
1 全局和局部强度拟合能量方程
给定的图像区域Ω,Φ为水平集函数,I(x)为点
x∈Ω的图像灰度值。文献[9]中,Wang构造了一
个既包含C2V模型的全局强度拟合能量项,又包含
LB F模型局部强度拟合能量项的能量函数。
局部强度拟合能量项被定义为[8]
εL I F(Φ,f1,f2)=∫ΩE x L I F d x,(1)
其中E x L I F为中心点x∈Ω邻域的局部二元拟合能量
方程,E x L I F表达式为
E x L I F=∫ΩKσ(y-x)|I(y)-f1(x)|2H(Φ(y))d y+
∫ΩKσ(y-x)|I(y)-f2(x)|2(1-H(Φ(y)))d y,
(2)
式中I(y)为点y∈Ω的图像强度,f1(x)、f2(x)分别
为中心点x的邻域内分别属于活动轮廓内侧和外侧
的图像强度加权均值。Kσ(y-x)为具有局部特性
的权重函数,用它来控制中心点x邻域大小。当点
y靠近中心点x时,Kσ(y-x)获得一个较大值,当
点y远离中心点时,Kσ(y-x)获得一个较小值,随
着距离的增大,Kσ(y-x)逐渐减小到0。在实际的
计算中,通常用一个截短高斯平滑核来近似权重函
数Kσ(y-x)[8]。H为一个近似Heaviside函数的
平滑函数,其表达式为:
Hε(x)=1
2
[1+
2
πarctan(
2
ε)](3)
全局强度拟合能量项被定义为[5]
εGI F(Φ,c1,c2)=∫Ω|I(x)-c1|2H(Φ(x))d x+
∫Ω|I(x)-c2|2(1-H(Φ(x)))d x,
(4)
其中c1、c2分别为活动轮廓曲线内部和外部区域的图像强度均值。
Wang在式(1)、(4)的基础上构造了包含全局强度拟合能量和局部强度拟合能量的方程[9],即
εL GI F(Φ,c1,c2,f1,f2)=(1-ω)εL I F(Φ,f1,f2)+
ωεGI F(Φ,c1,c2),(5)
其中ω为非负加权参数(0≤ω≤1)。当ω=0时,式(5)退化为LBF模型;当ω=1时,式(5)退化为C2V 模型。
从方程式(5)可以看出,参数ω决定了能量方程中全局拟合能量和局部拟合能量的比重并存在于整个分割过程中。参数值ω的大小会影响活动轮廓曲线对初始位置的敏感性和收敛速度。正如图2所示,过小的参数ω往往使活动轮廓曲线对初始位置较为敏感,过大的参数ω往往造成活动轮廓曲线难以收敛到目标边界。因此,该模型需对参数ω的值进行人工选择。
2 自适应强度拟合的活动轮廓模型
为了克服参数ω选择的影响,本文提出了一种自适应强度拟合的活动轮廓模型。如图1所示,Ω为给定图像区域,C代表零水平集(Φ=0)曲线,它把图像区域Ω分为C in和C out两个区域,c1、c2分别为这两个区域的图像强度均值,称为全局拟合值。对于任一点x∈Ω,曲线C把以x点为中心的邻域分为N in和N out两个区域,f1、f2分别为这两个区域图像强度加权均值,称为局部拟合值。本文模型用包含上述全局和局部拟合值的自适应强度值分别拟合区域N in和N out内的图像灰度。以任意一个点x∈Ω为中心的局部拟合能量方程修改为
E x A I F=∫ΩKσ(y-x)|I(y)-f1A I F|2H(Φ)d y+
∫ΩKσ(y-x)|I(y)-f2A I F|2(1-H(Φ))d y,
(6)
其中I(y)为点y∈Ω的图像强度,Kσ(y-x)为具有局部特性的权重函数[8]。强度拟合值f1A I F、f2A I F的定义式为
f1A I F=H(ω(x))f1(x)+[1-H(ω(x))]c1,
f2A I F=H(ω(x))f2(x)+[1-H(ω(x))]c2,
f1A I F、f2A I F为局部拟合值f1(x)、f2(x)和全局拟合
969
生物医学工程学杂志 第27卷
值c1、c2加权和的形式。因此,在式(6)中,中心点x
邻域的拟合能量方程同时具有全局和局部特性。ω
(x)为反映x邻域内的活动轮廓曲线与目标边界吻
合状况的自适应参数,表达式为:
ω(x)=(f1(x)-f2(x))2
当x邻域内的活动轮廓曲线与目标边界吻合较差
时,f1、f2差别较小,ω(x)取得较小值;当x邻域内
的活动轮廓曲线与目标边界吻合较好时,f1、f2差
别较大,ω(x)取得较大值。
在本模型中,式(6)分别用自适应强度拟合值
f1A I F、f2A I F拟合局部区域N in和N out内图像强度。
图像分割(曲线演化)过程可以看作一条轮廓曲线从
初始位置(轮廓曲线与目标边界吻合较差)向目标边
界演化(轮廓曲线与目标边界吻合较好)的过程。当
x邻域内的活动轮廓曲线与目标边界吻合较差时,ω
(x)取得较小值,H(ω(x))接近015,拟合值f1A I F、
f2A I F中全局拟合值得到一个较大的权重,全局拟合
信息起主要作用,可以克服活动轮廓曲线对初始位
置的敏感性;当x邻域内的活动轮廓曲线靠近目标
边界时,ω(x)取得一个较大值,H(ω))接近1,拟合
值f1A I F、f2A I F中包含了尽量少的全局拟合信息和尽
量多的局部拟合信息,可以完成对亮度非均匀区域
的分割。当x邻域的活动轮廓曲线位于目标边界,
式(6)能量方程取得极小值。
上述式(6)仅仅定义了中心点x邻域的局部能
量方程。为了获取整个图像区域中的目标边界,我
们将最小化图像区域Ω中的所有中心点x邻域的
局部拟合能量方程E x A I F。整个图像区域的能量方
程:
εA I F(Φ,f1A I F,f2A I F)=∫ΩE x A I F d x(7)
为了确保水平集函数Φ演化的稳定性,以及保
持零水平集的平滑,距离惩罚项D(Φ)[10]及长度约
束项L(Φ)[5]被引入到能量方程(7)。最终的能量方
程表达式为:
F(Φ,f1A I F,f2A I F)=εA I F(Φ,f1A I F,f2A I F)+
βD(Φ)+vL(Φ)(8)
根据梯度下降法最小化式(8)的能量泛函,可以
得到梯度流方程,即
5Φ
5t=-δε(Φ)(e1-e2)+β( 2Φ-di v(
Φ
| Φ|
))+
vδε(Φ)di v(
Φ
| Φ|
),(9)
其中δε为Dirac函数,e1、e2函数表达式为
e1(x)=∫ΩKσ(y-x)|I(x)-f1A I F(y)|2d y,
e2(x)=∫ΩKσ(y-x)|I(x)-f2A I F(y)|2d y ,
图1 图例说明
Fig.1 Schem atic diagram
3 实验结果
本文以人工合成图像和真实血管造影图像为实
验数据进行分割算法的测试,并与同类模型进行比
较。本文算法用Matlab710编写,运行的硬件环境
为:Intel(R)Core(TM)2CPU4300、1180GHz
1180GHz、1100G内存。在本实验中参数设置为:
时间步长Δt=011、β=110、ε=110、尺度参数σ=
310。根据图像中的噪声情况不同,在各组实验中,
长度约束项系数v分别设置为:v=01001×2552(见
图2、4),v=01002×2552(见图3),v=010013×
2552(见图5),v=01004×2552(见图6)。在运用文
献[9]模型对真实血管图像进行分割时,参数ω的选
择变得非常困难,参照文献[9]及血管图像特征,参
数ω分别设置为:ω=0102(见图3),ω=0103(见图
5),ω=0107(见图6)。
3.1 本文模型与文献[9]模型比较
图2为文献[9]模型和本文模型在相同的初始
位置下对合成灰度非均匀图像的分割。(a)为初始
轮廓曲线;(b)～(e)为文献[9]模型在参数分别取
0101、0103、0105、0107时,迭代400次的分割结果;
(f)为本文模型迭代220次后的分割结果。从中看
出,在相同初始位置下,当选择较小的参数值时,文
献[9]模型虽然可以勾画出血管边界,但是却不能把
079
第5期 田 飞等:一种适用于血管图像分割的活动轮廓模型
血管分割到轮廓曲线一侧;当选择较大参数ω值,文
献[9]模型将不能把血管中灰度较低的区域分割出来。而本文模型能够随着迭代的进行自适应地调节参数,因此能够快速准确地收敛到目标边界。
图3为文献[9]模型和本文模型在相同初始位置下对同一血管造影图像的分割过程。(a )为初始轮廓曲线;第1行(b )～(f )为文献[9]模型分别迭代5、10、20、60、200次的结果,第2行(b )～(f )为本文模型迭代3、5、10、30、50次的结果。很显然,文献
[9]模型发生了错分割,未能把血管分割到轮廓曲线
一侧。由于更加有效地使用了图像的全局信息,本文模型对初始轮廓曲线位置具有更好的鲁棒性,得
到了较好的分割结果。图4为本文模型在不同的初始位置下对人工合成和真实灰度非均匀图像的分割结果。其中白线表示初始轮廓,红线表示分割结果。很显然,在不同的初始位置下,本文模型都能得到很好的分割效果
。
179
生物医学工程学杂志 第27卷
3.2 本文模型与其它分割模型分割结果比较
通过分割两组真实血管图像,验证本文方法对真实血管图像分割的适用性,并与相关模型进行分割结果的比较。
图5为两幅MRA 图像,图像的特点是图像部分背景灰度值很大,部分血管的灰度值低于背景灰度值。(a )为初始轮廓曲线;(b )为C 2V 模型迭代50次后的分割结果,由于C 2V 模型仅仅使用了图像的全局强度信息,因此容易把图像中灰度较高的背景区域勾画出来,而部分亮度较小的血管区域未被分割出来;(c )为LB F 模型迭代200次后的分割结果,由于LBF 模型活动轮廓曲线的演化方向仅仅由轮廓周围局部的图像强度信息决定,使得活动轮廓曲线不能把血管分割到轮廓曲线一侧;(d )为文献[9]
模型迭代200次后的分割结果,该模型虽然包含了全局信息,但是该模型对初始位置依然较为敏感;(e )为本文模型迭代80次后的分割结果。由于本文方法更加有效地利用了图像的全局强度信息,从而准确地分割出血管的边界。
图6为C 2V 模型、LBF 模型、文献[9]模型及本文模型对含有高噪声的DSA 图像的分割结果。图像的特点:背景复杂,图像灰度非均匀,噪声很大。(a )列为初始轮廓曲线;(b )列为C 2V 模型迭代50次的分割结果,部分轮廓曲线把背景勾画出来;(c )列为LBF 模型迭代400次后的分割结果,该模型未能把血管区域分割到轮廓曲线一侧;(d )列为文献[9]模型迭代400次的分割结果,由于该模型的全局
强度信息作用于整个分割过程,
使得该模型很难把
279
第5期 田 飞等:一种适用于血管图像分割的活动轮廓模型
部分灰度较低的血管区域从背景中分割出来;(e)列为本文模型迭代400次的分割结果,对于高噪声、亮度非均匀的血管图像本方法依然可以得到很好的分割效果。
4 结论
本文提出了一种适用于血管图像分割的自适应强度拟合活动轮廓线模型。根据局部轮廓曲线与血管边界的吻合状况,该方法能够随着迭代的进行自适应地调节能量方程中图像全局和局部强度信息的比重,因此本文模型对初始活动轮廓曲线的位置不敏感,且无需人工调节参数ω。对于亮度非均匀、含噪声的血管造影图像,该方法能达到稳定的分割效果。
参考文献
[1]KASS M,WIT KIN A,TERZOPOULO D.Snakes:Active
contour models[J].International Journal of Computer Vi2
sion,1988,1(4):3212331.
[2]CASELL ES V,CA T TE F,COLL T,et al.A geometric
model for active contours in image processing[J].Numer2
ische Mat hematik,1993,66(1):1231.
[3]XU C,PRINCE J.Snakes,shapes,and gradient vector flow
[J].IEEE Trans Image Process,1998,7(3):3592369.[4]RON FARD R.Region2based strategies for active contour
models[J].International Journal of Computer Vision,1994,
13(2):2292251.
[5]CHAN T,V ESE L.Active contours wit hout edges[J].IEEE
Trans Image Process,2001,10(2):2662277.
[6]TSAI A,YEZZI A,WILL SKY A S.Curve evolution imple2
mentation of t he Mumford2Shah functional for image segmen2
tation,denoising,interpolation,and magnification[J].IEEE
Trans Image Process,2001,10(8):116921186.
[7]V ESE L,CHAN T.A multiphase level set framework for
image segmentation using t he Mumford and Shah model[J].
International Journal of Computer Vision,2002,50(3):2712
293.
[8]L I C M,KAO C,GORE J,et al.Implicit active contours
driven by local binary fitting energy[C].Minneapolis,Min2
nesota,USA:IEEE Conference on Computer Vision and Pat2
tern Recognition(CVPR),2007:127.
[9]WAN G L,L I C M,Sun Q,et al.Brain MR image segmenta2
tion using local and global intensity fitting active contours/
surfaces[C].New Y ork City,USA:Medical Image Compu2
ting and Computer2Assisted Intervention,2008:3842392. [10]L I C M,XU C,GU I C,et al.Level set evolution wit hout re2
initialization:A new variational formulation[C].San Diego,
CA,USA:IEEE Conference on Computer Vision and Pattern
Recognition,2005:4302436.
(收稿:2009205222 修回:2009211222)
379
一种适用于血管图像分割的活动轮廓模型
第27卷 第5期2010年 10月 生物医学工程学杂志 Journal of Biomedical E ngineering V ol.27 N o.5 October 2010 一种适用于血管图像分割的活动轮廓模型3 田 飞 杨 丰Δ 刘国庆 (南方医科大学生物医学工程学院,广州510515) 摘 要:本文提出了一种适用于血管图像分割的活动轮廓模型。根据局部轮廓曲线与血管边界的吻合状况,该模型能够自适应地调节能量方程中全局强度信息和局部强度信息的比重。实验结果表明,此模型能够有效地应用于非均匀、含噪声血管造影图像的分割。与其它方法相比,该方法对轮廓曲线的初始位置不敏感,且无需对引入参数进行人工调节。 关键词:Chan2Vese模型;图像分割;灰度非均匀;LBF模型 中图分类号 TP391.41 文献标识码 A 文章编号 100125515(2010)0520968206 An Active Contour Model Applied to V ascular Image Segmentation Tian Fei Yang Feng Liu G uoqing (Depart ment of B iomedical Engineeri ng,S out hern Medical Universit y,Guangz hou510515,China) Abstract:In this paper is presented an active contour model applied to vascular image segmentation.This model can adaptively adjust the proportion of global and local intensity information in accord with the anastomosis status be2 tween local contour and boundaries.Our method is able to work effectively on segmentation of angiographic image with intensity inhomogeneity and https://www.wendangku.net/doc/3410693397.html,pared with other methods,our method is not sensitive to initialization and it eliminates the need for manual adjustment of new parameter. K ey w ords:Chan2Vese model;Image segmentation;Intensity inhomogeneity;LBF model 引言 血管图像分割是循环系统血管分析的一个重要组成部分,也是血管三维重建、定量分析的基础。由于血管中造影剂的分布不均往往造成血管在血管造影图像中亮度非均匀,加上图像噪声的影响,使得血管很难从造影图像中分割出来。在众多的图像分割方法/算法中,基于曲线演化的活动轮廓模型因其演化过程与处理结果是一条清晰、完整的目标轮廓曲线,而成为当前研究热点对象,大量的活动轮廓模型被提出并应用于图像分割和计算机视觉处理。目前存在的活动轮廓模型主要被分成两类:基于边界的活动轮廓模型[123]和基于区域的活动轮廓模型[429]。基于边界的活动轮廓模型依靠目标边界的图像梯度终止轮廓曲线的演化。因此基于边界的活动轮廓模型容易跨过弱边界发生“泄漏”现象。与基于边界的活动轮廓模型相比,基于区域的活动轮廓模型不依 3国家自然科学基金资助项目(60672115) Δ通讯作者。E2mail:yangf@https://www.wendangku.net/doc/3410693397.html, 赖目标边界的梯度信息,因此对弱目标边界的图像具有较好的分割效果。在众多基于区域的活动轮廓模型中,C2V模型[5]得到较为广泛的应用。C2V模型又被称为分段常量(PC)模型,该模型基于假设图像由一系列的灰度均匀区域构成。但是,对于一些含有非均匀特性的血管造影图像,C2V模型往往很难把非均匀血管准确地从背景中分割出来。 为克服灰度非均匀给医学图像分割带来的困难,Li等[8]提出了一种局部二元拟合(local binary fitting,LBF)能量模型。LB F模型使用了局部图像灰度信息,能够解决灰度非均匀性给图像分割带来的问题。但是,LB F模型的局部特性使得该模型对初始轮廓曲线的位置较为敏感。为了克服这种现象,Wang等[9]提出了一种利用全局和局部强度拟合信息的活动轮廓模型。在该模型中,能量泛函是由一个局部强度拟合能量项和一个辅助的全局强度拟合能量项组成。由于含有全局强度拟合能量,该模型能够在一定程度上降低活动轮廓曲线对初始位置的敏感性,同时增大了活动轮廓曲线收敛到非均
图像分割技术与MATLAB仿真
中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日
中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日
目录 摘要 (1) Abstract (1) 引言 (3) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (5) 2.3 区域分割法 (7) 2.4 基于水平集的分割方法 (8) 2.5 分割算法对比表格 (8) 3基于水平集的图像分割 (9) 3.1 水平集方法简介 (9) 3.2 水平集方法在图像分割上的应用 (9) 3.3 仿真算法介绍 (10) 3.4 实验仿真及其结果 (11) 结论 (18) 致谢 (19) 参考文献 (19)
图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾 名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MA TLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the background. Because these segmented image regions are very similar in some properties, image segmentation is often used for pattern recognition and image understanding and image compression and coding of two major categories. Because the generated in the segmented region is a kind of image content representation, it is the image of visual analysis and pattern recognition based and segmentation results of quality of image analysis, recognition and interpretation of quality has a direct impact. Image segmentation it is according to certain features of the image (such as gray level, spectrum, texture, etc.) to a complete picture of the image is segmented into several meaningful area. These features made in a certain region of consistent or similar, and between different regions showed significantly different. Image segmentation technology in various fields have most of the field and its important significance in digital image processing, image segmentation has a wide range of applications, such as industrial automation, process control, online product inspection, image coding, document image processing, remote sensing and medical image analysis, security surveillance, as well as military, sports and other aspects. In medical image processing and analysis, image segmentation for body occurrence of three-dimensional display of the diseased organ or lesion location determination and analysis plays an effective role in counseling; in the analysis and application of road traffic conditions,
图像分割技术的GUI设计
图像分割技术的GUI设计 一、概述（意义及背景） 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。它是由图像处理到图像分析的关键步骤。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、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。图像分割后提取出的目标可以用于图像语义识别，图像搜索等等领域。 二、设计方案 利用MATLAB中的GUI（图形用户界面），实现图像的读取，边缘检测，四叉树分解，直方图阈值分割，二值化差值的实现，并设计了退出按钮。 三、实现步骤 1、打开MATLAB; 2、打开Command Window 窗口中输入guide或点击快捷键 ; 3、在GUIDE Quick Start 窗口中选择Blank GUI(Default)中选择Blank GUI(Default),再单击OK; 4、在新出现的窗口中选择需要的GUI控件； 5、在控件上右击选择View Callbacks—callback; 6、输入各控件对应的回调函数； 四、系统调试及验证 完成后系统是这样的
1、单击系统前置图的运行按钮进入系统调试 2、点击第一个模块相应按钮完成相应实验 点击读取图片按钮的效果点击图像边缘检测按钮的效果 点击四叉树分解按钮的效果点击直方图阈值分割按钮的效果3、点击第二个模块相应按钮完成相应的实验
点击读取原图按钮的效果点击读取背景图按钮的效果 点击二值化差值图按钮的效果 4、点击退出按钮结束实验 点击退出按钮结束实验 五、参考文献 [1] 杨帆.数字信号处理与分析[M]. 北京:北京航空航天大学出版社，2010. [2] 徐飞，施晓红.MATLAB应用图像处理[M].西安.西安电子科技大学出版社，
【CN110084238A】基于LadderNet网络的指静脉图像分割方法、装置和存储介质【专利】
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910278800.2 (22)申请日 2019.04.09 (71)申请人 五邑大学 地址 529000 广东省江门市蓬江区东成村 22号 (72)发明人 曾军英 王璠 秦传波 朱伯远 甘俊英 翟懿奎 (74)专利代理机构 广州嘉权专利商标事务所有 限公司 44205 代理人 谭晓欣 (51)Int.Cl. G06K 9/34(2006.01) G06K 9/62(2006.01) G06K 9/00(2006.01) (54)发明名称 基于LadderNet网络的指静脉图像分割方 法、装置和存储介质 (57)摘要 本发明公开了一种基于LadderNet网络的指 静脉图分割方法、装置和存储介质。对指静脉图 像进行预处理得出预处理图像，从预处理图像中 随机选取一个点作为子块中心点并生成子块图 像，从所述子块图像中获取静脉纹路作为网络训 练的金标准，将子块图像和静脉纹路同时输入至 LadderNet网络中完成特征提取。本发明通过子 块图像获取静脉纹路，以静脉纹路作为网络训练 的金标准，在不需要静脉数据集的情况下实现特 征提取，大大减少了网络的计算量，提高特征提 取的准确率和效率。权利要求书1页 说明书7页 附图5页CN 110084238 A 2019.08.02 C N 110084238 A
权 利 要 求 书1/1页CN 110084238 A 1.一种基于LadderNet网络的指静脉图像分割方法，其特征在于，包括以下步骤： 获取指静脉图像，对所述指静脉图像进行预处理，得出预处理图像； 从所述预处理图像中随机选取一个点作为子块中心点，以所述子块中心点为中心生成子块图像； 从所述子块图像中获取静脉纹路，并将所述静脉纹路设置为用于网络训练的金标准； 将所述子块图像和金标准输入至LadderNet网络中完成特征提取。 2.根据权利要求1所述的一种基于LadderNet网络的指静脉图像分割方法，其特征在于，所述预处理包括：ROI提取、归一化、对比度受限的自适应直方图均衡和伽马调整。 3.根据权利要求1所述的一种基于LadderNet网络的指静脉图像分割方法，其特征在于：所述静脉纹路通过检测指静脉图像的指静脉横截面局部最大曲率的方法获取。 4.根据权利要求3所述的一种基于LadderNet网络的指静脉图像分割方法，其特征在于，所述指静脉横截面局部最大曲率的方法具体包括以下步骤： 从所述子块图像中随机获取静脉横截面的轮廓，获取横截面曲率； 获取横截面曲率为正的区域，从所述横截面曲率为正的区域中获取曲率的局部最大值的点，设置为中心位置； 对所述中心位置进行滤波操作和二值化操作，若二值化操作后的像素的值大于或等于预先设定的阈值，则将该像素标记为静脉像素，将所获取的所有静脉像素组合成静脉纹路。 5.根据权利要求1所述的一种基于LadderNet网络的指静脉图像分割方法，其特征在于：所述LadderNet网络包括两个U-net网络，所述两个U-net网络之间通过跳过连接相整合。 6.一种用于执行基于LadderNet网络的指静脉图像分割方法的装置，其特征在于，包括CPU单元，所述CPU单元用于执行以下步骤： 获取指静脉图像，对所述指静脉图像进行预处理，得出预处理图像； 从所述预处理图像中随机选取一个点作为子块中心点，以所述子块中心点为中心生成子块图像； 从所述子块图像中获取静脉纹路，并将所述静脉纹路设置为用于网络训练的金标准； 将所述子块图像和金标准输入至LadderNet网络中完成特征提取。 7.根据权利要求6所述的一种用于执行基于LadderNet网络的指静脉图像分割方法的装置，其特征在于，所述CPU单元还用于执行以下步骤： 从所述子块图像中随机获取静脉横截面的轮廓，获取横截面曲率； 获取横截面曲率为正的区域，从所述横截面曲率为正的区域中获取曲率的局部最大值的点，设置为中心位置； 对所述中心位置进行滤波操作和二值化操作，若二值化操作后的像素的值大于或等于预先设定的阈值，则将该像素标记为静脉像素，将所获取的所有静脉像素组合成静脉纹路。 8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-5任一项所述的一种基于LadderNet网络的指静脉图像分割方法。 2
基于方向气球力活动轮廓模型的图像分割
邮局订阅号：８２－９４６３６０元／年 技 术创新 图像处 理 《ＰＬＣ技术应用２００例》 您的论文得到两院院士关注 基于方向气球力活动轮廓模型的图像分割 ＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎＵｓｉｎｇＤｉｒｅｃｔｉｏｎａｌＢａｌｌｏｏｎＦｏｒｃｅＡｃｔｉｖｅＣｏｎｔｏｕｒＭｏｄｅｌ （江苏科技大学）祖克举 周昌雄 Ｚｕ，ＫｅｊｕＺｈｏｕ，Ｃｈａｎｇｘｉｏｎｇ 摘要：针对传统参数活动轮廓模型存在对轮廓线初始位置敏感的缺点，提出了方向气球力活动轮廓模型并应用于ＭＲＩ图像 分割。该模型利用底层图像分割的结果确定外力的方向，使气球力方向始终指向目标边界，引导轮廓线变形。 当轮廓线运动到目标边界附近时，在高斯势力作用下继续变形，完成图像高层分割。 实验结果表明，该模型与轮廓线初始位置无关，能实现ＭＲＩ图像的自动分割。 关键词：图像分割；方向气球力；活动轮廓模型；高斯势力 中图分类号：ＴＰ３９１ 文献标识码：ＡＡｂｓｔｒａｃｔ：Ｔｒａｄｉｔｉｏｎａｌｐａｒａｍｅｔｒｉｃａｃｔｉｖｅｃｏｎｔｏｕｒｍｏｄｅｌｉｓｓｅｎｓｉｔｉｖｅｔｏｔｈｅｉｎｉｔｉａｌｐｏｓｉｔｉｏｎ．Ａｎｉｍｐｒｏｖｅｄｅｘｔｅｒｎａｌｆｏｒｃｅｆｏｒｔｈｅａｃｔｉｖｅｃｏｎ－ ｔｏｕｒ，ｃａｌｌｅｄｄｉｒｅｃｔｉｏｎａｌｂａｌｌｏｏｎｆｏｒｃｅｉｓｐｒｏｐｏｓｅｄｔｏａｄｄｒｅｓｓｐｒｏｂｌｅｍａｓｓｏｃｉａｔｅｄｗｉｔｈｉｎｉｔｉａｌｉｚａｔｉｏｎａｎｄｉｓｕｓｅｄｔｏｓｅｇｍｅｎｔＭＲＩｉｍａｇｅｓ．Ｉｎｔｈｉｓｍｏｄｅｌｔｈｅｄｉｒｅｃｔｉｏｎｏｆｔｈｅｆｏｒｃｅｉｓｄｅｃｉｄｅｄｂｙｔｈｅｒｅｓｕｌｔｓｏｆｌｏｗ－ｌｅｖｅｌｓｅｇｍｅｎｔａｔｉｏｎａｎｄａｌｗａｙｓｐｏｉｎｔｓｔｏｏｂｊｅｃｔｂｏｕｎｄａｒｙｔｏｍａｋｅｔｈｅｃｏｎｔｏｕｒｄｅｆｏｒｍ．Ｉｎｔｈｅｖｉｃｉｎｉｔｙｏｆｏｂｊｅｃｔｂｏｕｎｄａｒｙ，Ｇａｕｓｓｉａｎｐｏｔｅｎｔｉａｌｆｏｒｃｅｄｒｉｖｅｓｔｈｅｃｏｎｔｏｕｒｔｏｗａｒｄｓｂｏｕｎｄａｒｙａｎｄｈｉｇｈ－ｌｅｖｅｌｓｅｇｍｅｎｔａｔｉｏｎｉｓｉｍｐｌｅｍｅｎｔｅｄ．ＴｈｅｅｘｐｅｒｉｍｅｎｔｓｏｆｓｅｇｍｅｎｔｉｎｇｌｅｆｔｖｅｎｔｒｉｃｌｅＭＲＩｉｍａｇｅｓｓｈｏｗｔｈａｔｔｈｉｓｍｏｄｅｌｂｅｉｎｄｅｐｅｎｄｅｎｔｏｆｔｈｅｉｎｉｔｉａｌｐｏｓｉｔｉｏｎａｎｄｃａｎｓｅｇｍｅｎｔｉｍａｇｅａｕｔｏｍａｔｉｃａｌｌｙ． Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ；ｄｉｒｅｃｔｉｏｎａｌｂａｌｌｏｏｎｆｏｒｃｅ；ａｃｔｉｖｅｃｏｎｔｏｕｒｍｏｄｅｌ；Ｇａｕｓｓｉａｎｐｏｔｅｎｔｉａｌｆｏｒｃｅ 文章编号：１００８－０５７０（２００６）１０－３－０３０１－０３ 引言 Ｋｉｓｓ等提出的经典参数活动轮廓模型在图像感兴趣区域定义一条带有能量的样条曲线，曲线在自身内力和图像信息产生的外力共同作用下使曲线沿能量降低的方向形变，最终收敛到目标的边界。 在活动轮廓模型中外力一般取高斯势力，它是图像灰度梯度的负值，在图像灰度变化均匀区域，高斯势力为零，不提供任何引导轮廓线变形的信息，轮廓线在内力的作用下最终收缩为一个点。高斯势力只包括图像局部信息，所以只有当初始轮廓线在目标边界附近时，才能收敛到实际目标边界，在远离目标区域时迅速下降为零。针对这一缺点，Ｃｏｈｅｎ提出附加另外一种外力———气球力的活动轮廓模型。气球力垂直于 轮廓线指向外法线方向，使轮廓线向外扩张，当初始轮廓线全部位于目标区域内部时，能正确收敛到实际的目标边界。当初始轮廓线全部位于背景区域或跨越目标和背景两个区域时，气球力模型无法使轮廓线收敛到实际的目标边界。文献通过结合小波系数，在气球力模型基础上，提出了有向图像力（ＤＩＦ）的概念，图像经过离散小波变换后，通过判断小波系数，取得过零点的方向和模值，再通过与Ｓｎａｋｅ轮廓线的法向方向点乘得到ＤＩＦ，该模型在判定图像力方向时只利用了局部信息，虽然能解决尖角和凹陷问题，但算法有时不稳定，且由于采用小波变换，计算时间明显提高。Ｘｕ提出的梯度向量流（ＧｒａｄｉｅｎｔｖｅｃｔｏｒＦｌｏｗＧＶＦ）是通过扩散方程把梯度信息扩展到更远的均匀区域，能使远离目标边界的初始轮廓线收敛到凹形目标边界，由于需要解扩散方程，ＧＶＦ计算量很大。为此在气球力Ｓｎａｋｅ模型中融入图像全局信息，使得气球力可以根据底层图像的分割结果选择形变方向，指导高层图像分割。模型既能保持气球力模型稳定、抗干扰能力强的特点，同时与轮廓的初始位置无关，能够实现图像的自动分割。 １气球力Ｓｎａｋｅ模型 参数活动轮廓模型在数学上可定义为Ｘ（ｓ）＝（ｘ（ｓ），ｙ（ｓ））的集合，其中Ｘ（ｓ）是轮廓线上的二维坐标点，ｓ是归一化的弧长，取值为０≤ｓ≤１，轮廓线的能量函数为 （１） 其中Ｅｉｎｔ为内部能量，Ｅｅｘｔ为外部能量，通过最小化（１）式，轮廓线沿能量降低方向变形，其中 （２） （２）式中的右边第一项为弹性能量，第二项为刚性能量。ａ（ｓ），β（ｓ）分别为弹性系数和刚性系数，一般取常数。内部能量控制着轮廓线的平滑性和连续性。 （３） 其中，为Ｉ（ｘ，ｙ）图像的灰度值，Ｇσ（ｘ，ｙ）表示标准偏差为σ的二维高斯滤波算子，＊是卷积算子，为梯度算子，Ｇσ＊Ｉ为平滑滤波 2 (())[()()]P X s G x y I x y σ=??? ?祖克举：硕士研究生讲师 江苏省教育厅自然科学基金资助项目（２００２３１６） ３０１－－
图像分割算法的比较与分析
中北大学 课程设计说明书 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学院：信息与通信工程学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法的比较与分析 指导教师：陈平职称: 副教授 2014 年12 月29 日
中北大学 课程设计任务书 14/15 学年第一学期 学院：信息与通信工程学院专业：电子信息工程 学生姓名：学号： 课程设计题目：信息处理综合实践: 图像分割算法的比较与分析起迄日期：2015年1月5日～2015年1月16日课程设计地点：电子信息工程专业实验室 指导教师：陈平 系主任：王浩全 下达任务书日期: 2014 年12月29 日课程设计任务书
课程设计任务书
目录 第一章绪论 (1) 研究目的和意义 (1) 图像分割的研究进展 (1) 第二章区域生长法分割图像 (4) 区域生长法介绍 (4) 区域生长法的原理 (4) 区域生长法的实现过程 (5) 第三章程序及结果 (6) 区域生长算法及程序 (6) 图像分割结果 (7) 第四章方法比较 (8) 阈值法 (8) 区域法 (8) 分水岭法 (8) 形态学方法 (9) 第五章总结 (10) 参考文献 (11)
第一章绪论 研究目的和意义 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割;但某些分割方法只是适合于某些特殊类型的图像分割，所以分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有重要位置。一方面，它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象、更紧凑的表达形式，使得更高层的图像分析和理解成为可能。因此在实际应用中，图像分割不仅仅要把一幅图像分成满足上面五个条件的各具特性的区域，而且要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务，为下一步的图像分析做好准备，使更高层的图像分析和理解成为可能。 图像分割在很多方面，如医学图像分析，交通监控等，都有着非常广泛的应用，具有重要的意义。(1)分割的结果常用于图像分析，如不同形式图像的配准与融合，结构的测量，图像重建以及运动跟踪等。(2)在系统仿真，效果评估，图像的3D重建以及三维定位等可视化系统中，图像分割都是预处理的重要步骤。 (3)图像分割可在不丢失有用信息的前提下进行数据压缩，这就降低了传输的带宽，对提高图像在因特网上的传输速度至关重要。(4)分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。 图像分割的研究进展 图像分割是图像处理中的一项关键技术，至今已提出上千种分割算法。但因
图像分割方法综述
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering
analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方
基于主动轮廓模型的图像分割算法
2007年第4期 漳州师范学院学报(自然科学版) No. 4. 2007年 （总第58期） Journal of Zhangzhou Normal University （Nat. Sci.） General No. 58 文章编号:1008-7826(2007)04-0041-06 基于主动轮廓模型的图像分割算法 高 梅1 , 余 轮2 (1. 福建行政学院, 福建 福州 350002; 2. 福州大学 物理与信息工程学院, 福建 福州 350002) 摘 要: 主动轮廓模型算法是目前流行的图像分割算法, 其主要优点是无论图像的质量如何, 总可以抽取得 到光滑、封闭的边界. 本文综述了主动轮廓模型算法的发展概况, 并分类介绍了各算法的特点. 此外, 本文还给出 了算法发展的方向, 以及今后研究所面临的关键问题. 关键词: 图像分割 ; 主动轮廓模型 ; 水平集方法 ; 纹理分割 中图分类号： TP391.41 文献标识码： A 1 引言 图像分割的任务是把图像分成互不交叠的有意义的区域，每个区域内部的像素都具相似性，而在边界处具有非连续性. 它是图像分析和理解的首要一步，分割结果的好坏直接影响对图像的理解. 由于尚无通用的分割模型，现有的分割算法都是针对具体问题的，因此，图像分割的研究多年来仍然受到人们的高度重视[1]. 基于变分的方法是近年来研究颇为活跃的一个分支，它将图像分割问题表达为能量函数的最小化，并由变分原理将其转化为偏微分方程的求解[2]. 相比于传统的区域分割方法，变分方法可以通过定义能量函数，综合考虑几何约束、与图像内容有关的约束条件，获得更加自然的分割效果. 主动轮廓模型是目前流行的基于变分的图像分割算法[3]. 其主要优点是无论图像的质量如何，总可以抽取得到光滑、封闭的边界. 它的基本思想是在图像上定义一个初始轮廓线，通过最小化能量函数，驱使轮廓线形变运动至目标边界. 早期的主动轮廓模型存在一定的限制，它对初始值比较敏感，尤其是不具备自动拓扑变化能力；水平集方法则通过将轮廓线看作演化曲线，能够对其拓扑变化进行很自然地处理，同时也降低对初值的敏感性[4]. 结合水平集方法的主动轮廓模型因而被广泛地应用于图像处理与计算机视觉领域. 2 主动轮廓模型方法概述 上世纪八十年代后期，Kass 等人突破了传统的分层视觉模型，提出称为Snake 的主动轮廓模型，开创了基于形变模型的图像处理的先河[5]. 近二十年来，相关改进和扩展研究已经不仅仅局限于最初的图像分割领域，而被越来越多的研究者成功地运用于计算机视觉的其它领域，如图像复原、运动跟踪、3D 重建等等[6]. Snake 是一条闭合的参数曲线))(),(()(s y s x s =C ，参数]1,0[∈s ，它能主动地调整其形状和位置，使能量函数达到最小[3]： ()∫++=1 0 ))(( ))(( ))(( )(ds s E γs E βs E C E con img int C C C α 其中，Snake 的移动由三项共同控制：内部能量int E 确保曲线的光滑度和规则性；图像能量img E 吸引Snake 移至期望的图像特征，比如边缘；约束能量con E 指定一些求解约束. 式中的内部能量常用曲线弧长和曲率 收稿日期: 2007-06-22 作者简介: 高 梅(1964-), 女, 河北省南和县人, 讲师.
图像分割程序设计汇总
******************* 实践教学 ******************* 兰州理工大学 计算机与通信学院 2012年秋季学期 图像处理综合训练 题目：图像分割程序设计 专业班级： 姓名： 学号： 指导教师： 成绩：
目录 摘要 (1) 一、前言 (2) 二、算法分析与描述 (3) 三、详细设计过程 (5) 四、调试过程中出现的问题及相应解决办法 (8) 五、程序运行截图及其说明 (8) 六、简单操作手册 (12) 设计总结 (15) 参考资料 (16) 致谢 (17) 附录 (18)
摘要 图像分割就是从图像中将某个特定区域与其他部分进行分离并提取出来的处理 通常又称之为图像的二值化处理。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。它是由图像处理到图像分析的关键步骤。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、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。 关键词：图像分割；阈值；二值化；
一、前言 图形图像处理的应用领域涉及人类生活和工作的各个方面，它是从60年代以来随计算机的技术和VLSI的发展而产生、发展和不断成熟起来的一个新技术领域理论上和实际应用上都并取得了巨大的成就。数字图像处理与模拟图像处理的根本不同在于，它不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化，所以图形图像的处理在我们的生活中又很重要的作用。在对图像的研究和应用中，人们往往只对图像中的某些部分感兴趣。这些部分通常称为目标或前景，它们一般对应图像中特定的、具体独特性质的区域。为了辨识和分析目标，需要将它们分别提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成各具特性的区域并提取出感兴趣的目标的技术和过程。在图象分析中,通常需将所关心的目标从图象中提取出来,即图象的分割。图象分割在图象分析,图象识别,图象检测等方面占有非常重要的位置。
沈阳理工大学迭代阈值法图像分割程序设计
成绩评定表 学生姓名高冰钰班级学号1303030402 专业 电子信息工程课程设计题目 基于最大类间方差法图 像分割程序设计 —迭代阈值法 评 语 组长签字： 成绩 日期2016年7月18日
课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名高冰钰班级学号1303030402 课程设计题目基于最大类间方差法图像分割程序设计—迭代阈值法实践教学要求与任务： 本设计要求利用Matlab进行编程及仿真，仿真内容为基于最大类间方差法图像分割程序设计——迭代阈值法。利用所学数字图象处理技术知识，在Matlab软件系统上来实现图像分割，并且对程序进行测试。要求如下： （1）掌握课程设计的相关知识、概念、思路及目的。 （2）程序设计合理、能够正确运行且操作简单，可实施性强。 （3）掌握图像分割的方法。 （4）能够利用迭代阈值法进行图像分割。 工作计划与进度安排： 第一阶段（1-2）天：熟悉matlab编程环境，查阅相关资料； 第二阶段（2-3）天：算法设计； 第三阶段（2-3）天：编码与调试； 第四阶段（1-2）天：实验与分析； 第五阶段（1-2）天：编写文档。 指导教师： 2016年7月3日专业负责人： 2016年7月4日 学院教学副院长： 2016年7月4日
摘要 数字图像处理的目的之一是图像识别，而图像分割是图像识别工作的基础。图像分割是从图像预处理到图像识别和分析、理解的关键步骤，在数字图像处理中占据重要的位置。图像分割的目的是将图像分成一些有意义的区域并对这些区域进行描述。 图像分割的方法主要有点相关分割、区域相关分割、阈值法、界限检测法、匹配法、跟踪法等。本设计主要采用阈值分割法中的迭代阈值法，利用MATLAB 软件中的图像处理函数将图像导入，然后对图像进行灰度变换，通过迭代法求图像最佳分割阈值，根据该阈值对图像进行分割，从而产生二值化后的图像。仿真结果表明，通过迭代法选取的阈值是比较准确的，可以采用此阈值对图像进行分割。 关键词：图像分割；迭代阈值法；MATLAB
图像分割技术
图像分割技术 图像分割就是将一副数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度、颜色、纹理等，而任何相邻区域之间器性质具有明显的区别。 主要包括：边缘分割技术、阈值分割技术和区域分割技术。 1.边缘分割技术 边缘检测是检测图像特性发生变化的位置，是利用物体和背景在某种图像特性上的差异来实现的。不同的图像灰度不同，边界处会有明显的边缘，利用此特征可以分割图像。边缘检测分割法是通过检测出不同区域边界来进行分割的。 常见的边缘检测方法：微分算子、Canny算子和LOG算子等，常用的微分算子有Sobel算子、Roberts算子和Prewit算子等。 （1）图像中的线段 对于图像的间断点，常用检测模板： -1 -1 -1 -1 8 -1 -1 -1 -1?????????? 对于图像中的线段，常用的检测模板： 检测图像中的线段： close all;clear all;clc; I=imread('gantrycrane.png'); I=rgb2gray(I); h1=[-1,-1,-1;2 2 2;-1 -1 -1];%模板 h2=[-1 -1 2;-1 2 -1;2 -1 -1]; h3=[-1 2 -1;-1 2 -1;-1 2 -1]; h4=[2 -1 -1;-1 2 -1;-1 -1 2]; J1=imfilter(I,h1);%线段检测 J2=imfilter(I,h2); J3=imfilter(I,h3); J4=imfilter(I,h4); J=J1+J2+J3+J4;%4种线段相加 figure, subplot(121),imshow(I); subplot(122),imshow(J); （2）微分算子 ○1Roberts算子的计算公式： 采用edge()函数进行图像的边缘检测。 Roberts算子进行图像的边缘检测： close all; clear all;clc; I=imread('rice.png'); I=im2double(I); %Roberts算法进行边缘检测
一种区域自适应主动轮廓模型的图像分割方法
Computer Engineering and Applications 计算机工程与应用 2015，51（9）1引言自从Kass 等人提出主动轮廓模型以来[1]，就广泛应用于图像分割领域。其主要原因是因为主动轮廓模型和其他经典分割方法（如边缘检测法、阈值法[2]等）相比，能够得到光滑闭合曲线。目前，它仍然是计算机视觉的研究热点问题之一[3-4]。主动轮廓模型根据驱动力的不同可分为基于边界信息[5]和基于区域信息[6]的两类主动轮廓模型。一般来 说，基于边界信息的主动轮廓模型是以图像的梯度作为轮廓演化的驱动力[7-8]，对强边界图像具有很好的分割效果，但对弱边界图像，如核磁共振图像，分割效果却较差，而且由于要对图像求梯度，因此对噪声非常敏感。基于区域信息的主动轮廓模型以图像区域内的统计信 息（如均值、方差等）作为轮廓演化的驱动力[8-10]。由于一种区域自适应主动轮廓模型的图像分割方法 邢辉1，彭亚丽1，刘侍刚1，范虹1，孙建成2 XING Hui 1,PENG Yali 1,LIU Shigang 1,FAN Hong 1,SUN Jiancheng 2 1.陕西师范大学计算机科学学院，西安710062 2.西安电子科技大学计算机学院，西安710071 1.School of Computer Science,Shaanxi Normal University,Xi ’an 710062,China 2.School of Computer Science and Technology,Xidian University,Xi ’an 710071,China XING Hui,PENG Yali,LIU Shigang,et al.Regional adaptive active contour model for image https://www.wendangku.net/doc/3410693397.html,-puter Engineering and Applications,2015,51（9）：176-179. Abstract ：In order to effectively segment intensity inhomogeneous image,this paper presents a regional adaptive active contour model for image segmentation.In the model,an energy function including a local energy term and a global energy term is defined.At the beginning of evolution,the force from the global energy term which is larger than the one from the local energy term is overwhelming,which has the advantages of fast convergence speed.On the contrary,in the late of evolution,the force from the local energy is overwhelming,which has the advantages of positioning precision.Experimental results show that the model can fast and effectively segment the intensity inhomogeneous images. Key words ：active contour model;level set;image segmentation 摘要：为了有效地分割灰度不均匀图像，提出了一种区域自适应主动轮廓模型，在该模型中，定义了一个包含全局能量项和局部能量项的能量泛函。在算法的初期，全局能量项占主导地位，它具有收敛速度快、对初始轮廓不敏感的优点。在算法的后期，局部能量项占主导地位，它具有定位精度高的优点。理论分析和实验结果表明，该模型具有收敛速度快、分割精度高、对初始轮廓不敏感等优点。 关键词：主动轮廓模型；水平集；图像分割 文献标志码：A 中图分类号：TP391doi ：10.3778/j.issn.1002-8331.1306-0204 基金项目：国家自然科学基金（No.61402274）；中国博士后科学基金特别资助（No.200902594）；陕西师范大学中央高校基本科研 业务费项目（No.GK201302029，No.GK201402040）；陕西省自然科学基础研究计划项目（No.2011JM8014）；陕西省科学技术研究发展计划项目（No.21012K06-36）；教育部高等学校博士学科点专项科研基金课题（No.20110202120002）；陕西师范大学实验技术研究项目（No.SYJS201329）；陕西师范大学2012年度校级重点教学改革研究项目（No.884407）；陕西师范大学大学生创新创业训练计划项目（No.CX12034）。 作者简介：邢辉（1985—），男，硕士研究生，研究领域为计算机视觉；彭亚丽（1979—），女，博士，讲师，研究领域为模式识别和图像 处理；刘侍刚（1973—），男，博士，副教授，研究领域为模式识别和图像处理；范虹（1969—），女，博士，副教授，研究领域为模式识别和智能处理；孙建成（1973—），男，博士，教授，研究领域为宽带通信和信号处理。E-mail ：dddxyh@https://www.wendangku.net/doc/3410693397.html, 收稿日期：2013-06-19修回日期：2014-03-28文章编号：1002-8331（2015）09-0176-04 CNKI 网络优先出版：2014-04-21,https://www.wendangku.net/doc/3410693397.html,/kcms/doi/10.3778/j.issn.1002-8331.1306-0204.html 176