CN104616308A - 一种基于核模糊聚类的多尺度水平集图像分割方法 - Google Patents
一种基于核模糊聚类的多尺度水平集图像分割方法 Download PDFInfo
- Publication number
- CN104616308A CN104616308A CN201510075934.6A CN201510075934A CN104616308A CN 104616308 A CN104616308 A CN 104616308A CN 201510075934 A CN201510075934 A CN 201510075934A CN 104616308 A CN104616308 A CN 104616308A
- Authority
- CN
- China
- Prior art keywords
- phi
- image
- dtri
- function
- level set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于核模糊聚类的多尺度水平集图像分割方法,包括:步骤1:采用标记分水岭方法计算每个小区域的灰度均值;步骤2:采用灰度均值初始化隶属度矩阵,进行核模糊聚类,获得感兴趣区域初始轮廓;步骤3:设计多尺度水平集边缘约束停止项;步骤4:进行迭代演化,分割图像。针对边界不清晰、对比度差等图像,该方法避免基于边缘信息的分水岭易造成过分割、基于区域信息的C-V模型水平集方法易产生边缘漏分割的缺点,将边缘信息与区域信息采用核模糊聚类的方法进行有效融合,加入多尺度边缘约束停止项,消除重初始化,提高了分割的准确性,且保证了算法的实时性。
Description
技术领域
本发明属于图像处理领域,特别是基于一种基于核模糊聚类的多尺度水平集图像分割方法。
背景技术
图像处理技术广泛应用于军事、医疗、工业生产等领域,目标物的分割效果对相关任务的完成起到至关重要的作用。因此,实时性好,分割准确率高的方法一直是很多学者的研究热点。传统的图像分割方法或是基于边缘信息或是基于区域信息进行分割,对于边缘模糊、对比度差、灰度不均匀的图像分割效果并不是很理想,虽然学者们也提出了很多结合边缘与区域信息的方法,但是兼顾实时性和准确性依然很难。
近年来,水平集方法已成为图像分割领域的主要发展方向之一,但是也有一些局限性:演化过程需要重新初始化,对灰度不均、边缘对比度差、边缘复杂的图像易出现漏分割或过分割现象。现有的水平集图像分割方法多采用手动或半自动给出分割初始水平集,降低智能化程度;李春明等研究符号距离函数消除了重新初始化,但利用边缘信息进行图像分割,对灰度不均匀图像分割效果不理想;一些将边缘与区域信息融合的水平集方法虽对分割效果起到了一定的作用,但并没有充分利用图像灰度信息及巧妙设计获取初始轮廓,这都影响了水平集分割的实时性、智能性和准确性。
发明内容
【1】要解决的技术问题
本发明针对目前的基于水平集的图像分割方法存在的上述问题,提出了一种基于核模糊聚类的多尺度水平集图像分割方法。
【2】解决问题的技术方案
一种基于核模糊聚类的多尺度水平集图像分割方法,包括以下步骤:
步骤1:采用标记分水岭方法计算每个小区域的灰度均值;
步骤2:采用灰度均值初始化隶属度矩阵,进行核模糊聚类,获得感兴趣区域初始轮廓;
步骤3:设计多尺度水平集边缘约束停止项;
步骤4:进行迭代演化,分割图像。
所述步骤1包括以下步骤:
步骤1A:对图像进行腐蚀操作,进行内、外部标记;
步骤1B:处理图像目标部分的连通区域,根据步骤1A的标号进行保存;
步骤1C:计算每个小区域的灰度均值
所述步骤2包括以下步骤:
步骤2A:选定核模糊聚类的目标函数式(1);
步骤2B:采用高斯核函数式(2)进行演化,得到隶属度以及聚类中心的迭代函数分别为式(3)和式(4);
步骤2C:输入图像灰度均值集{xk,k=1,2,…,N},确定聚类数c、模糊加权指数、迭代停止阈值ε;
步骤2D:初始化聚类中心,令初始迭代此时为0;
步骤2E:计算新的隶属度和聚类中心;
步骤2F:计算停止条件,如果||vi n+1-vi n||<ε,则停止,否则返回步骤2E;
所述式(1)为:
其中,Jm为聚类目标函数,{xk,k=1,2,…,N}为图像像素灰度平均值的集合,c为聚类数目,{vi,i=1,2,…,c}为聚类中心集合,uik为图像第k个像素隶属于第i类的隶属度,uik∈[0,1],参数m为隶属度的加权指数,决定分类结果的模糊程度;
所述式(2)为:K(x,v)=exp(-||x-v||2/σ2);σ为函数的宽度参数;
其中,K(xk,xk)=1,K(vi,vi)=1,{xk,k=1,2,…,N}为图像像素灰度平均值的集合,{vi,i=1,2,…,c}为聚类中心集合,uik为图像第k个像素隶属于第i类的隶属度,uik∈[0,1];
所述式(3)为:
其中,{xk,k=1,2,…,N}为图像像素灰度平均值的集合,{vi,i=1,2,…,c}为聚类中心集合,uik为图像第k个像素隶属于第i类的隶属度,uik∈[0,1],参数m为隶属度的加权指数,决定分类结果的模糊程度;
所述式(4)为:
其中,{xk,k=1,2,…,N}为图像像素灰度平均值的集合,{vi,i=1,2,…,c}为聚类中心集合,uik为图像第k个像素隶属于第i类的隶属度,uik∈[0,1],参数m为隶属度的加权指数,决定分类结果的模糊程度。
所述步骤3包括以下步骤:
步骤3A:将聚类得到的感兴趣区域轮廓Ck带入水平集初始函数式(5),作为水平集演化的初始轮廓;
步骤3B:得到C-V模型式(6),并将其演化成C-V模型水平集演化函数式(9);
步骤3C:引入局部自适应能量函数式(10),用偏微分法得到演化的曲线方程式(11);
步骤3D:对图像进行第i次小波变换后得到对应尺度下的低频子图和3个方向的高频子图,分别为cAi,cHi(水平),cVi(垂直),cDi(对角),将三个方向上的高频信息叠加得到cBi,将基于小波变换的边缘约束停止项引入到C-V水平集函数中,得到最终演化函数式
所述式(5)为:φ0(x,y)=2ε(0.5-Ck);
其中,Ck为感兴趣区域轮廓,ε为迭代停止阈值;φ0(x,y)为水平集初始函数;
所述式(6)为:
E(c1,c2,C)=vL(C)+rA(in(C))+λ1∫in(C)|I-c1|2dxdy+λ2∫ou(C)|I-c2|2dxdy,
其中,E(c1,c2,C)为能量函数,c1、c2分别表示图像目标和背景的平均灰度,v≥0,γ≥0,λ1>0,λ2>0为常量加权系数;A表示区域,in(C)和ou(C)分别表示曲线的内部区域和外部区域;I为需要处理的图像;
由于Chan和Vese引入了Heavisidc函数H(φ)和Dirac函数δ(φ),故将式(6)的能量函数写成式(7),
所述式(7)为:
所述式(9)为:
其中,v≥0,γ≥0,λ1>0,λ2>0,μ≥0为常量加权系数,为梯度算子,c1、c2分别表示图像目标和背景的平均灰度;I为灰度图像;δ(φ)为Dirac函数;所述式(10)为:
其中,εx(φ,f1(x),f2(x)):为局部自适应能量函数,εi为迭代停止阈值,Kσ(x-y)为高斯核函数,M1=H(φ),M2=1-H(φ),f1(x)为接近图像目标区域的图像灰度值,f2(x)表示接近图像背景区域的图像灰度值,I(y)包含了在以图像点x为中心的局部区域的灰度信息;
所述式(11)为: 式中, 其中,v≥0,λ1>0,λ2>0,μ≥0为常量加权系数,为梯度算子,x为图像像素灰度值;Kσ(x-y)为高斯核函数。
在步骤4包括:
步骤4A:设定水平集演化迭代次数n1和n2;
步骤4B:对聚类得到的初始水平集函数进行小波变换,得到变换后的水平集函数;
步骤4C:对低频子图cAi按照所述式(12)和迭代次数n1进行演化,得到对应尺度下的水平集函数φ1,即图像的粗略轮廓;
步骤4D:采用最近邻插值法和迭代次数n2对该尺度下的图像粗略轮廓线φ1作差值操作,获得原图像下的最终轮廓。
【3】有益效果
本发明的基于核模糊聚类的多尺度水平集图像分割方法有效克服了分水岭基于边缘分割、C-V模型水平集方法基于区域信息分割及手动获取初始轮廓的缺点,能够充分利用图像均值灰度信息,通过核模糊聚类获得初始轮廓,分析多尺度下的区域信息进行边缘停止约束。该方法在克服重初始化的基础上,提高了分割实时性和准确性,为智能化图像分割提供了有效技术手段。
附图说明
图1为本发明的基于核模糊聚类的多尺度水平集图像分割方法的流程图;
图2-1、2-2、2-3为实验数据集图片;
图2-1-A为C-V模型水平集算法对图2-1目标物的分割图示例;
图2-2-A为C-V模型水平集算法对图2-2目标物的分割图示例;
图2-3-A为C-V模型水平集算法对图2-3目标物的分割图示例;
图2-1-B为二值水平集算法对图2-1目标物的分割图示例;
图2-2-B为二值水平集算法对图2-2目标物的分割图示例;
图2-3-B为二值水平集算法对图2-3目标物的分割图示例;
图2-1-C为基于核模糊聚类的多尺度水平集方法对图2-1目标物的分割图示例;
图2-2-C为基于核模糊聚类的多尺度水平集方法对图2-2目标物的分割图示例;
图2-3-C为基于核模糊聚类的多尺度水平集方法对图2-3目标物的分割图示例。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。实验在Matlab R2010a环境下运行,计算机为CPU E55002.80GHz,2GB内存。本文中使用的图像是RGB格式,分辨率为320*240(如图2-1、2-2、2-3所示),图像中的目标分别为复杂背景下的骑摩托车人(标准视频集)、非刚性球和刚性边缘复杂花(自建数据集)。从图2-1、2-2、2-3中可见,所选的目标具有背景复杂、灰度不均匀且与背景相似度高、运动尺度大的特点。方法设置相同的参数和初始条件如下:λ1=λ2=1.0,σ=3.0,μ=1,v=0.001×128×128;迭代时间△t=0.1,迭代次数40次。本文对C-V模型、基于形状约束和局部演化的二值水平集法(以下简称二值水平集法)和本文方法的分割时间和结果进行比较。
如图1所示,本发明的基于核模糊聚类的多尺度水平集分割方法包括:
步骤1:采用标记分水岭方法计算每个小区域的灰度均值。
现有的基于核模糊聚类的水平集分割方法所采用的隶属度矩阵为图像像素的灰度值,没有对这些灰度值信息进行处理,忽略了目标像素边缘的突变情况,因此对噪声等非常敏感。针对此问题,本发明考虑分水岭基于边缘信息分割的特点,计算多个小区域内平均灰度,用于初始化模糊聚类隶属度矩阵。具体的步骤1又包括以下步骤:
步骤1A:对图像进行腐蚀操作,进行内、外部标记。
步骤1B:处理图像目标部分的连通区域,根据上一步骤的标号进行保存。
步骤1C:计算每个小区域的灰度均值
步骤2:采用灰度均值初始化隶属度矩阵,进行核模糊聚类,获得感兴趣区域初始轮廓。
为充分考虑图像分割的边缘信息、区域信息及提高水平集分割的智能化水平,不采用手动或半自动获得初始轮廓,本发明采用核模糊聚类的方法得到目标感兴趣区域轮廓,用于水平集分割的初始轮廓,因此,步骤2又包括:
步骤2A:选定核模糊聚类的目标函数为{xk,k=1,2,…,N}为图像像素灰度平均值的集合,c为聚类数目,{vi,i=1,2,…,c}为聚类中心集合,uik为图像第k个像素隶属于第i类的隶属度,uik∈[0,1],参数m为隶属度的加权指数,决定分类结果的模糊程度。
步骤2B:采用高斯核函数K(x,v)=exp(-||x-v||2/σ2),K(xk,xk)=1,K(vi,vi)=1,则隶属度以及聚类中心的迭代函数为
步骤2C:输入图像灰度均值集{xk,k=1,2,…,N},确定聚类数c、模糊加权指数、迭代停止阈值ε。
步骤2D:初始化聚类中心,令初始迭代此时为0。
步骤2E:计算新的隶属度和聚类中心。
步骤2F:计算停止条件,如果||vi n+1-vi n||<ε,则停止,否则返回步骤2E。
边缘所表达的强度突变是图像的重要信息,强度变化以不同的尺度出现,为使分割效果达到最佳,需要根据不同的尺度进行分析。这样,本发明在主动获得初始轮廓及充分利用C-V模型水平集图像区域信息的基础上,融入多尺度梯度信息,使方法不仅克服图像灰度不均匀、手动获得初始轮廓而且克服梯度信息对灰度不均匀、边缘模糊的敏感度。因此,步骤3又包括:
步骤3A:将聚类得到的感兴趣区域轮廓Ck带入水平集初始函数φ0(x,y)=2ε(0.5-Ck),作为水平集演化的初始轮廓;
步骤3B:C-V模型表示为:
E(c1,c2,C)=vL(C)+rA(in(C))+λ1∫in(C)|I-c1|2dxdy+λ2∫ou(C)|I-c2|2dxdy,Chan和Vese引入了Heavisidc函数H(φ)和Dirac函数δ(φ),故将上式中的能量函数写成: ,加入内部约束能量项利用偏微分法,得到C-V模型水平集演化函数为 γ≥0,λ1>0,λ2>0,μ≥0为常量加权系数,为梯度算子,c1、c2分别表示图像目标和背景的平均灰度;
步骤3C:引入局部自适应能量函数
步骤3D:对图像进行第i次小波变换后得到对应尺度下的低频子图和3个方向的高频子图,分别为cAi,cHi(水平),cVi(垂直),cDi(对角),将三个方向上的高频信息叠加得到cBi,将基于小波变换的边缘约束停止项引入到C-V水平集函数中,得到最终演化函数:
该方法进行上述小波变换进行边缘约束停止,因此要将获得初始轮廓也进行小波变换及相应的迭代演化,因此,步骤4又包括:
步骤4A:设定水平集演化迭代次数n1和n2;
步骤4B:对聚类得到的初始水平集函数进行小波变换,得到变换后的水平集函数;
步骤4C:对低频子图cAi按照所述式(12)和迭代次数n1进行演化,得到对应尺度下的水平集函数φ1,即图像的粗略轮廓;
步骤4D:采用最近邻插值法和迭代次数n2对该尺度下的图像粗略轮廓线φ1作差值操作,获得原图像下的最终轮廓。
表1
表1分割时间对比表;
从表1中可以看出C-V模型所用的时间最长,而且约是二值水平集法、本发明方法的9-12倍。二值水平集法虽然通过局部曲线演化的方式降低了运算量,但会引入复杂的计算,而本文方法由于避免手动分割以及消除重新初始化,大大提高了分割效率。
从图2-1-A、2-2-A、2-3-A中可以看出C-V模型对骑车人无法进行完整分割,对于边缘复杂且背景色区分不大的刚性物体出现了严重的过分割,可见对灰度不均匀、背景形似度高的图像适应性不强,难以精确分割目标边缘。如图2-1-B、2-2-B、2-3-B所示,二值水平集法出现了相似形状的误分割,并且对灰度不均匀的刚性物体出现了严重的边缘漏分割,这是因为其过度依赖于形状约束,只保证了形状信息而忽略了边缘与区域信息的融合。由于本发明方法是依据图像均值聚类获得初始轮廓,结合区域与多尺度边缘信息约束得到的分割,所以对灰度不均匀,背景相似度高的目标分割具有较强的适应性,得到的轮廓线更接近真实目标,从图2-1-C、2-2-C、2-3-C中可看出本发明方法对刚体和非刚体等不同类型目标分割都较为稳定。
本发明的基于核模糊聚类的多尺度水平集图像分割方法有效克服了分水岭基于边缘分割、C-V模型水平集方法基于区域信息分割及手动获取初始轮廓的缺点,能够充分利用图像均值灰度信息,通过核模糊聚类获得初始轮廓,分析多尺度下的区域信息进行边缘停止约束。该方法在克服重初始化的基础上,提高了分割实时性和准确性,为智能化图像分割提供了有效技术手段。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种基于核模糊聚类的多尺度水平集图像分割方法,其特征在于,包括以下步骤:
步骤1:采用标记分水岭方法计算每个小区域的灰度均值;
步骤2:采用灰度均值初始化隶属度矩阵,进行核模糊聚类,获得感兴趣区域初始轮廓;
步骤3:设计多尺度水平集边缘约束停止项;
步骤4:进行迭代演化,分割图像。
2.如权利要求1所述的一种基于核模糊聚类的多尺度水平集图像分割方法,其特征在于,所述步骤1包括以下步骤:
步骤1A:对图像进行腐蚀操作,进行内、外部标记;
步骤1B:处理图像目标部分的连通区域,根据步骤1A的标号进行保存;
步骤1C:计算每个小区域的灰度均值
3.如权利要求1所述的一种基于核模糊聚类的多尺度水平集图像分割方法,其特征在于,所述步骤2包括以下步骤:
步骤2A:选定核模糊聚类的目标函数式(1);
步骤2B:采用高斯核函数式(2)进行演化,得到隶属度以及聚类中心的迭代函数分别为式(3)和式(4);
步骤2C:输入图像灰度均值集{xk,k=1,2,…,N},确定聚类数c、模糊加权指数、迭代停止阈值ε;
步骤2D:初始化聚类中心,令初始迭代此时为0;
步骤2E:计算新的隶属度和聚类中心;
步骤2F:计算停止条件,如果||vi n+1-vi n||<ε,则停止,否则返回步骤2E;
所述式(1)为:
其中,Jm为聚类目标函数,{xk,k=1,2,…,N}为图像像素灰度平均值的集合,c为聚类数目,{vi,i=1,2,…,c}为聚类中心集合,uik为图像第k个像素隶属于第i类的隶属度,uik∈[0,1],参数m为隶属度的加权指数,决定分类结果的模糊程度;
所述式(2)为:K(x,v)=exp(-||x-v||2/σ2);σ为函数的宽度参数;
其中,K(xk,xk)=1,K(vi,vi)=1,{xk,k=1,2,…,N}为图像像素灰度平均值的集合,{vi,i=1,2,…,c}为聚类中心集合,uik为图像第k个像素隶属于第i类的隶属度,uik∈[0,1];
所述式(3)为:
其中,{xk,k=1,2,…,N}为图像像素灰度平均值的集合,{vi,i=1,2,…,c}为聚类中心集合,uik为图像第k个像素隶属于第i类的隶属度,uik∈[0,1],参数m为隶属度的加权指数,决定分类结果的模糊程度;
所述式(4)为:
其中,{xk,k=1,2,…,N}为图像像素灰度平均值的集合,{vi,i=1,2,…,c}为聚类中心集合,uik为图像第k个像素隶属于第i类的隶属度,uik∈[0,1],参数m为隶属度的加权指数,决定分类结果的模糊程度。
4.如权利要求1所述的一种基于核模糊聚类的多尺度水平集图像分割方法,其特征在于,所述步骤3包括以下步骤:
步骤3A:将聚类得到的感兴趣区域轮廓Ck带入水平集初始函数式(5),作为水平集演化的初始轮廓;
步骤3B:得到C-V模型式(6),并将其演化成C-V模型水平集演化函数式(9);
步骤3C:引入局部自适应能量函数式(10),用偏微分法得到演化的曲线方程式(11);
步骤3D:对图像进行第i次小波变换后得到对应尺度下的低频子图和3个方向的高频子图,分别为cAi,cHi(水平),cVi(垂直),cDi(对角),将三个方向上的高频信息叠加得到cBi,将基于小波变换的边缘约束停止项引入到C-V水平集函数中,得到最终演化下面函数式;
所述式(5)为:φ0(x,y)=2ε(0.5-Ck);
其中,Ck为感兴趣区域轮廓,ε为迭代停止阈值;φ0(x,y)为水平集初始函数;
所述式(6)为:
E(c1,c2,C)=vL(C)+rA(in(C))+λ1∫in(C)|I-c1|2dxdy+λ2∫ou(C)|I-c2|2dxdy,
其中,E(c1,c2,C)为能量函数,c1、c2分别表示图像目标和背景的平均灰度,v≥0,γ≥0,λ1>0,λ2>0为常量加权系数;A表示区域,in(C)和ou(C)分别表示曲线的内部区域和外部区域;I为需要处理的图像;
由于Chan和Vese引入了Heavisidc函数H(φ)和Dirac函数δ(φ),故将式(6)的能量函数写成式(7),
所述式(7)为:
其中,c1、c2分别表示图像目标和背景的平均灰度,I为灰度图像,为梯度算子,v≥0,γ≥0,λ1>0,λ2>0为常量加权系数;H(φ)和δ(φ)分别为Heavisidc函数和Dirac函数;加入内部约束能量项并利用偏微分法,将式(7)演变成所述式(9);
所述式(9)为:
其中,v≥0,γ≥0,λ1>0,λ2>0,μ≥0为常量加权系数,为梯度算子,c1、c2分别表示图像目标和背景的平均灰度;I为灰度图像;δ(φ)为Dirac函数;所述式(10)为:
其中,εx(φ,f1(x),f2(x)):为局部自适应能量函数,εi为迭代停止阈值,Kσ(x-y)为高斯核函数,M1=H(φ),M2=1-H(φ),f1(x)为接近图像目标区域的图像灰度值,f2(x)表示接近图像背景区域的图像灰度值,I(y)包含了在以图像点x为中心的局部区域的灰度信息;
所述式(11)为: 式中,ei(x)=∫Kσ(x-y)|I(y)-fi(x)|2dy,i=1,2,其中,v≥0,λ1>0,λ2>0,μ≥0为常量加权系数,为梯度算子,x为图像像素灰度值;Kσ(x-y)为高斯核函数。
5.如权利要求1所述的一种基于核模糊聚类的多尺度水平集图像分割方法,其特征在步骤4包括:
步骤4A:设定水平集演化迭代次数n1和n2;
步骤4B:对聚类得到的初始水平集函数进行小波变换,得到变换后的水平集函数;
步骤4C:对低频子图cAi按照所述式(12)和迭代次数n1进行演化,得到对应尺度下的水平集函数φ1,即图像的粗略轮廓;
步骤4D:采用最近邻插值法和迭代次数n2对该尺度下的图像粗略轮廓线φ1作差值操作,获得原图像下的最终轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510075934.6A CN104616308A (zh) | 2015-02-12 | 2015-02-12 | 一种基于核模糊聚类的多尺度水平集图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510075934.6A CN104616308A (zh) | 2015-02-12 | 2015-02-12 | 一种基于核模糊聚类的多尺度水平集图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104616308A true CN104616308A (zh) | 2015-05-13 |
Family
ID=53150741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510075934.6A Pending CN104616308A (zh) | 2015-02-12 | 2015-02-12 | 一种基于核模糊聚类的多尺度水平集图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104616308A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867143A (zh) * | 2015-05-15 | 2015-08-26 | 东华理工大学 | 基于局部引导核拟合能量模型的水平集图像分割方法 |
CN105069788A (zh) * | 2015-08-05 | 2015-11-18 | 中北大学 | 一种古建墙壁题记受污毛笔文字图像聚类分割方法 |
CN106056581A (zh) * | 2016-05-23 | 2016-10-26 | 北京航空航天大学 | 一种利用改进模糊聚类算法提取红外行人目标的方法 |
CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
CN106296675A (zh) * | 2016-08-04 | 2017-01-04 | 山东科技大学 | 一种高噪声灰度不均匀图像的分割方法 |
CN106373097A (zh) * | 2016-08-29 | 2017-02-01 | 合肥康胜达智能科技有限公司 | 一种图像处理方法 |
CN106952279A (zh) * | 2017-03-31 | 2017-07-14 | 福州大学 | 一种超声心动图分割算法 |
CN108648199A (zh) * | 2018-05-21 | 2018-10-12 | 上海工程技术大学 | 基于分水岭和cv模型的超声相控阵ndt图像分割方法 |
CN108932449A (zh) * | 2017-05-27 | 2018-12-04 | 广州智慧城市发展研究院 | 一种基于聚类的条码二值化方法及系统 |
CN109741349A (zh) * | 2019-01-24 | 2019-05-10 | 桂林航天工业学院 | 一种缺血性脑卒中图像分割的方法 |
CN110288582A (zh) * | 2019-06-26 | 2019-09-27 | 电子科技大学 | 一种细胞核的准确分割方法 |
CN111028201A (zh) * | 2019-11-13 | 2020-04-17 | 东北大学 | 一种基于多尺度水平集的眼底血管图像分割系统及方法 |
CN112686916A (zh) * | 2020-12-28 | 2021-04-20 | 淮阴工学院 | 一种基于异质多区域ct扫描数据处理的曲面重建系统 |
CN115601362A (zh) * | 2022-12-14 | 2023-01-13 | 临沂农业科技职业学院(筹)(Cn) | 一种基于图像处理的焊接质量评估方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366379A (zh) * | 2013-07-29 | 2013-10-23 | 江苏中惠医疗科技股份有限公司 | 基于遗传核模糊聚类的水平集医学图像分割方法 |
-
2015
- 2015-02-12 CN CN201510075934.6A patent/CN104616308A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366379A (zh) * | 2013-07-29 | 2013-10-23 | 江苏中惠医疗科技股份有限公司 | 基于遗传核模糊聚类的水平集医学图像分割方法 |
Non-Patent Citations (4)
Title |
---|
TARA. SAIKUMAR等: "MRI Brain Image Segmentation Algorithm Using Watershed Transform and Kernel Fuzzy C-Means Clustering on Level Set Method", 《INTERNATIONAL JOURNAL ON COMPUTER SCIENCE AND ENGINEERING》 * |
刘雅婧等: "基于核模糊聚类的变分水平集医学图像分割方法", 《计算机应用研究》 * |
杨勇 等: "结合图像灰度信息和空间信息的有意义区域分割", 《电子学报》 * |
赵姝颖等: "基于多尺度水平集的MR图像海马区分割方法", 《仪器仪表学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104867143B (zh) * | 2015-05-15 | 2018-09-04 | 东华理工大学 | 基于局部引导核拟合能量模型的水平集图像分割方法 |
CN104867143A (zh) * | 2015-05-15 | 2015-08-26 | 东华理工大学 | 基于局部引导核拟合能量模型的水平集图像分割方法 |
CN105069788A (zh) * | 2015-08-05 | 2015-11-18 | 中北大学 | 一种古建墙壁题记受污毛笔文字图像聚类分割方法 |
CN105069788B (zh) * | 2015-08-05 | 2017-11-21 | 中北大学 | 一种古建墙壁题记受污毛笔文字图像聚类分割方法 |
CN106056581A (zh) * | 2016-05-23 | 2016-10-26 | 北京航空航天大学 | 一种利用改进模糊聚类算法提取红外行人目标的方法 |
CN106056581B (zh) * | 2016-05-23 | 2018-07-27 | 北京航空航天大学 | 一种利用改进模糊聚类算法提取红外行人目标的方法 |
CN106157310A (zh) * | 2016-07-06 | 2016-11-23 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
CN106157310B (zh) * | 2016-07-06 | 2018-09-14 | 南京汇川图像视觉技术有限公司 | 基于混合自适应水平集模型与多通道结合的TFT LCD mura缺陷检测方法 |
CN106296675A (zh) * | 2016-08-04 | 2017-01-04 | 山东科技大学 | 一种高噪声灰度不均匀图像的分割方法 |
CN106373097A (zh) * | 2016-08-29 | 2017-02-01 | 合肥康胜达智能科技有限公司 | 一种图像处理方法 |
CN106952279A (zh) * | 2017-03-31 | 2017-07-14 | 福州大学 | 一种超声心动图分割算法 |
CN108932449A (zh) * | 2017-05-27 | 2018-12-04 | 广州智慧城市发展研究院 | 一种基于聚类的条码二值化方法及系统 |
CN108932449B (zh) * | 2017-05-27 | 2021-04-20 | 广州智慧城市发展研究院 | 一种基于聚类的条码二值化方法及系统 |
CN108648199A (zh) * | 2018-05-21 | 2018-10-12 | 上海工程技术大学 | 基于分水岭和cv模型的超声相控阵ndt图像分割方法 |
CN108648199B (zh) * | 2018-05-21 | 2022-07-19 | 上海工程技术大学 | 基于分水岭和cv模型的超声相控阵ndt图像分割方法 |
CN109741349A (zh) * | 2019-01-24 | 2019-05-10 | 桂林航天工业学院 | 一种缺血性脑卒中图像分割的方法 |
CN110288582A (zh) * | 2019-06-26 | 2019-09-27 | 电子科技大学 | 一种细胞核的准确分割方法 |
CN111028201A (zh) * | 2019-11-13 | 2020-04-17 | 东北大学 | 一种基于多尺度水平集的眼底血管图像分割系统及方法 |
CN111028201B (zh) * | 2019-11-13 | 2023-10-27 | 东北大学 | 一种基于多尺度水平集的眼底血管图像分割系统及方法 |
CN112686916A (zh) * | 2020-12-28 | 2021-04-20 | 淮阴工学院 | 一种基于异质多区域ct扫描数据处理的曲面重建系统 |
CN112686916B (zh) * | 2020-12-28 | 2024-04-05 | 淮阴工学院 | 一种基于异质多区域ct扫描数据处理的曲面重建系统 |
CN115601362A (zh) * | 2022-12-14 | 2023-01-13 | 临沂农业科技职业学院(筹)(Cn) | 一种基于图像处理的焊接质量评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
Dai et al. | A novel approach of lung segmentation on chest CT images using graph cuts | |
Yin et al. | Hot region selection based on selective search and modified fuzzy C-means in remote sensing images | |
Tang | A multi-direction GVF snake for the segmentation of skin cancer images | |
CN101551863B (zh) | 基于非下采样轮廓波变换的遥感图像道路提取方法 | |
Zheng et al. | Unsupervised saliency-guided SAR image change detection | |
CN102169584B (zh) | 基于分水岭和treelet的遥感图像变化检测方法 | |
CN101520894B (zh) | 基于区域显著性的显著对象提取方法 | |
CN103048329B (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN110648342B (zh) | 基于nsst显著性检测及图割的泡沫红外图像分割方法 | |
CN105096315B (zh) | 基于Gamma分布的异质超像素SAR图像分割方法 | |
Shao et al. | A detection approach for solitary pulmonary nodules based on CT images | |
Shakibapour et al. | An unsupervised metaheuristic search approach for segmentation and volume measurement of pulmonary nodules in lung CT scans | |
CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
CN102903102A (zh) | 基于非局部的三马尔可夫随机场sar图像分割方法 | |
CN103700101A (zh) | 一种非刚性脑图像配准方法 | |
CN103927511A (zh) | 基于差异特征描述的图像识别方法 | |
CN102663762B (zh) | 医学图像中对称器官的分割方法 | |
He et al. | Unsupervised boundary delineation of spinal neural foramina using a multi-feature and adaptive spectral segmentation | |
Chen et al. | Vessel attachment nodule segmentation using integrated active contour model based on fuzzy speed function and shape–intensity joint Bhattacharya distance | |
Elkhateeb et al. | A novel coarse-to-Fine Sea-land segmentation technique based on superpixel fuzzy C-means clustering and modified Chan-Vese model | |
CN105512670A (zh) | 基于keca特征降维和聚类的hrct周围神经分割 | |
CN104331864B (zh) | 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 | |
Lyu et al. | HRED-net: high-resolution encoder-decoder network for fine-grained image segmentation | |
Chen et al. | Heterogeneous images change detection based on iterative joint global–local translation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150513 |