CN105160662A - 基于局部高斯和玻尔兹曼的水平集图像分割方法 - Google Patents

基于局部高斯和玻尔兹曼的水平集图像分割方法 Download PDF

Info

Publication number
CN105160662A
CN105160662A CN201510512726.8A CN201510512726A CN105160662A CN 105160662 A CN105160662 A CN 105160662A CN 201510512726 A CN201510512726 A CN 201510512726A CN 105160662 A CN105160662 A CN 105160662A
Authority
CN
China
Prior art keywords
phi
evolution curve
evolution
image
dtri
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
Application number
CN201510512726.8A
Other languages
English (en)
Inventor
丁海刚
王斌
关钦
高新波
牛丽军
牛振兴
宗汝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201510512726.8A priority Critical patent/CN105160662A/zh
Publication of CN105160662A publication Critical patent/CN105160662A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing

Landscapes

  • Image Analysis (AREA)

Abstract

本发明涉及一种基于局部高斯和玻尔兹曼的水平集图像分割方法,主要解决现有技术对图像分割效率低及耗时的问题,其实现步骤是:1.输入待分割图像I到局部高斯模型中,得到图像I的能量函数E(I);2.根据能量函数E(I)得到对应的演化方程Y(φ);3.将演化曲线初始化为初始演化曲线φ(X,n);4.求解初始演化曲线φ(X,n)的演化方程Y(φ),得到新的演化曲线φ(X,n+1);5.计算停止函数S,并将其余设置阈值T比较得出结果演化曲线φr;6.对结果演化曲线φr进行形态学开操作,得到最终分割结果φz。本发明提高了分割效率,加快了分割速度,可用于对自然图像、医学图像的快速分割。

Description

基于局部高斯和玻尔兹曼的水平集图像分割方法
技术领域
本发明属于图像处理技术领域,更进一步涉及一种基于水平集的图像分割方法,可用于自然图像、医学图像中目标的快速分割。
背景技术
在人们的实际生活中,绝大多数的信息都来源于图像。因为图像具有直观易懂,信息量大等特点,所以它是我们认知客观世界最重要的方式之一。
图像技术可分为图像前处理、图像分析、图像理解三部分。图像前处理主要是采集图像信息,并对其进行预处理的过程,这一过程主要包括图像采样、图像滤波、图像增强等内容;图像分析主要是提取感兴趣的目标和图像特征的过程,这一过程主要包括图像分割和特征提取;图像理解主要是对提取到的目标和特征进行研究的过程,这一过程主要包括目标跟踪和语义识别。图像分割在图像技术中占有十分重要的地位,一方面,图像分割是进行图像理解的基础,分割的结果将直接影响后续图像理解的处理效果;另一方面,图像分割出感兴趣的目标之后,把图像变为更为抽象的形式,大大减少了图像理解的复杂度及处理量,这使得进一步的高层分析、图像理解以及人工智能成为可能。图像分割技术已经广泛运用于实际生活的方方面面,如医学影像、人脸识别、交通控制等。
基于水平集的图像分割技术是近年来分割领域中的一个研究热点,它可以分割图像中具有复杂形状的目标对象,并能得到很好的结果。现有水平集分割模型有如下几种方法:
1.基于图像区域的水平集分割方法。这种方法通过图像的区域信息来构造能量函数。例如Chan等人[ChanTF,VeseLA.Activecontourswithoutedges[J],IEEETransactionsonImageProcessing,2001.pp:266-277]提出的无边界活动轮廓法,可用于分割灰度均匀的图像,但由于构造函数时默认图像灰度分布均匀,因此对灰度不均匀的自然图像分割效果不理想。
2.基于图像边界的水平集分割方法。这种方法通过图像的梯度信息来构造能量函数。例如Li等人[LiC,XuC,GuiC,etal.Levelsetevolutionwithoutre-initialization:anewvariationalformulation[C],IEEEConferenceonComputerVisionandPatternRecognition,2005.pp:430-436.]提出的无需重新初始化的变分法,可用于分割边界明显及梯度有意义的图像,但由于定义能量函数时使用的是图像梯度信息,因此对边界模糊及梯度无意义的医学图像图像分割效果不理想。
3.基于图像形状先验的水平集分割方法。这种方法通过图像的形状先验信息来构造能量函数。例如Chan等人[ChanT,ZhuW.Levelsetbasedshapepriorsegmentation[C].IEEEConferenceonComputerVisionandPatternRecognition,2005.pp:1164-1170.]提出的基于形状先验的水平集分割方法,可用于分割规则形状的目标,对形状不规则的目标分割效果不理想,且处理形状先验时计算量很大,使得分割效率不高。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于局部高斯和玻尔兹曼的水平集图像分割方法,以提高分割精度和分割效率。
为实现上述目的,本发明的技术方案包括如下步骤:
(1)输入待分割图像I到局部高斯模型中,得到关于图像I的能量函数E(I);
(2)通过Euler-Lagrange方程得到能量函数E(I)对应的演化方程Y(φ),其中,φ为演化曲线;
(3)将演化曲线初始化为初始演化曲线φ(X,n),其中X为图像上的点,状态n=0;
(4)求解演化曲线为初始演化曲线φ(X,n)的演化方程Y(φ),得到新的演化曲线φ(X,n+1);
(5)设置阈值T,计算停止函数S,比较阈值T和停止函数S的大小:
(5.1)根据新的演化曲线φ(X,n+1)和初始演化曲线φ(X,n)计算停止函数S:
S = m 1 - m 3 σ 1 - σ 3 + m 2 - m 4 σ 2 - σ 4
其中,m1,m212分别为新的演化曲线φ(X,n+1)内外均值和内外方差,m3,m434分别为初始演化曲线φ(X,n)的内外均值和内外方差;
(5.2)设置阈值T,比较阈值T和停止函数S的大小:
当T<S时,n=n+1,继续迭代,返回步骤(4);
当T≥S时,迭代终止,得到演化曲线φr=φ(X,n+1);
(6)对结果演化曲线φr进行形态学开操作,得到最终分割结果φz
本发明与现有技术相比具有以下优点:
1)本发明由于采用了局部高斯模型,提高了灰度不均匀图像及边界模糊图像的分割效果;
2)本发明由于采用了玻尔兹曼技术,加快了分割速度,提高了分割效率。
附图说明
图1为本发明的实现流程图;
图2为用本发明和LGD模型对自然图像进行分割的对比图;
图3为用本发明和LGD模型对医学图像进行分割的对比图;
图4为用本发明和LGD模型对遥感图像进行分割的对比图。
具体实施方式
下面结合附图对本发明的实施率及效果作进一步详细描述。
参照图1,本发明的实施步骤如下:
步骤1:输入待分割图像I到局部高斯模型中,得到关于图像I的能量函数E(I)。
能量函数可以由如下模型得到:CV模型,图像边界模型,形状先验模型,局部高斯模型等。
本实例采用局部高斯模型,局部高斯模型的能量函数为:
E ( I 0 ) = α Σ i = 1 2 ∫ Ω w ( X - Y ) logP i , X ( I 0 ( Y ) ) M i ( φ ( Y ) ) d Y d X + β ∫ Ω | ▿ H ( φ ( X ) ) | d X + γ Q ( φ ( X ) )
其中,Ω为图像域,X为图像上的点,Y∈|X-Y|≤ρ,I0(Y)为点Y的像素值,ρ为局部半径,α为局部高斯权重,β为长度参数,γ为惩罚项参数,w(X-Y)为高斯核函数,Pi,X(I0(Y)),i=1,2为局部高斯函数,φ为演化曲线,M1=H(φ(X)),M2=1-H(φ(X)),H为阶跃函数,为惩罚项,▽为拉普拉斯算子;
(1.1)把待分割图像I带入到高斯模型的能量函数表达式中,得到关于图像I的能量函数E(I):
E ( I ) = α Σ i = 1 2 ∫ Ω w ( X - Y ) logP i , X ( I ( Y ) ) M i ( φ ( Y ) ) d Y d X + β ∫ Ω | ▿ H ( φ ( X ) ) | d X + γ Q ( φ ( X ) )
步骤2:通过Euler-Lagrange方程得到能量函数E(I)对应的演化方程Y(φ)。
Euler-Lagrange方程表达式为:
L为被积函数,g为被导函数,g'为被导函数g的一阶导,q为被导函数g中的变量。
根据Euler-Lagrange方程得到能量函数E(I)对应的演化方程Y(φ)的实施步骤如下:
(2.1)对能量函数E(I)求导,得到被积函数G,其表达式为:
G = α Σ i = 1 2 ∫ Ω w ( X - Y ) logP i , X ( ( Y ) ) M i ( φ ( Y ) ) d Y + β | ▿ H ( φ ( X ) ) | + 1 2 γ ( | ▿ φ ( X ) | - 1 ) 2 ;
(2.2)当能量函数E(I)达到极小时,被积函数G对应的Euler-Lagrange方程为:
∂ G ∂ φ - ( ∂ ∂ x ( ∂ G ∂ φ x ) + ∂ ∂ y ( ∂ G ∂ φ y ) ) = 0 , (x,y)为图像上的点。
(2.3)引入时间变量t,得到能量函数E(I)对应的演化方程Y(φ):
Y ( φ ) = ∂ φ ∂ t = ∂ G ∂ φ - ( ∂ ∂ x ( ∂ G ∂ φ x ) + ∂ ∂ y ( ∂ G ∂ φ y ) ) = α δ ( φ ) ( e 1 - e 2 ) + β δ ( φ ) d i v ( ▿ φ | ▿ φ | ) ) + γ ( ▿ 2 φ - d i v ( ▿ φ | ▿ φ | ) )
其中, e j ( X ) = ∫ Ω w ( X - Y ) [ log ( σ j ( Y ) ) + ( μ j ( X ) - I ( Y ) ) 2 2 σ j 2 ( X ) ] d Y , j = 1 , 2.
μj(X),σj(X)分别为点X的高斯均值和高斯标准差,δ(φ)是冲击函数。
步骤3:将演化曲线初始化为初始演化曲线φ(X,n),其中X为图像上的点,设状态n=0。
步骤4:求解演化曲线为初始演化曲线φ(X,n)的演化方程Y(φ),得到新的演化曲线φ(X,n+1)。
新的演化曲线φ(X,n+1)可以通过数值迭代方程组和玻尔兹曼方程组得到,本实例采用但不限于玻尔兹曼方程求解新的演化曲线φ(X,n+1)。
玻尔兹曼方程组表达式包括如下主、次两个方程:
主方程为: f k ( X , n + 1 ) = f k ( X , n ) + z n [ f k e q - f k ( X , n ) ] + ΔtF n , k = 1 , 2 , 3 , 4 , 5 ,
次方程为: φ ( X , n + 1 ) = Σ k = 0 4 f k ( X , n + 1 ) ,
其中fk(X,n+1)为新的分布函数,fk(X,n)为初始分布函数,为均衡分布函数,zn为玻尔兹曼参数、Fn为外力,Δt为时间步长;
根据玻尔兹曼方程组得到新的演化曲线φ(X,n+1)的实施步骤如下:
(4.1)令|▽φ|=1,将演化方程Y(φ)化简为:
Y ( φ ) = d i v ( 2 5 Δ t ( 1 + 5 Δ t β δ ( φ ) 2 - 1 2 ) · ▿ φ ) + 25 2 · 2 25 ( δ ( φ ) α ( e 1 - e 2 ) + γ ( ▿ 2 φ - d i v ( ▿ φ ) ) ) ;
(4.2)将扩散方程CE与化简后的演化方程Y(φ)相对应,得出玻尔兹曼参数z,外力F。
Chapman-Enskog扩散方程CE为:
C E = ∂ φ ∂ t = d i v ( 2 5 Δ t ( 1 z - 1 2 ) · ▿ φ ) + 25 2 F ,
玻尔兹曼参数z,外力F为:
z = 2 1 + 5 Δ t β δ ( φ ) , F = 2 25 ( δ ( φ ) α ( e 1 - e 2 ) + γ ( ▿ 2 φ - d i v ( ▿ φ ) ) ) ;
(4.3)把初始演化曲线φ(X,n)代入到(4.2)的波尔兹曼参数z和外力F等式中,得到在状态n时的玻尔兹曼参数zn和外力Fn
z n = 2 1 + 5 Δ t β δ ( φ ( X , n ) ) ,
F n = 2 25 ( δ ( φ ( X , n ) ) α ( e 1 - e 2 ) + γ ( ▿ 2 φ - d i v ( ▿ φ ) ) ) ;
(4.4)令初始分布函数 f k ( X , 0 ) = f k e q = 1 5 φ ( X , 0 ) , k = 1 , 2 , ... , 5 , 为均衡分布函数,把玻尔兹曼参数zn、外力Fn、初始分布函数fk(X,n)和均衡分布函数代入玻尔兹曼的主方程中,计算新的分布函数fk(X,n+1):
f k ( X , n + 1 ) = f k ( X , n ) + z n [ f k e q - f k ( X , n ) ] + ΔtF n , k = 1 , 2 , 3 , 4 , 5 ;
(4.5)把新的分布函数fk(X,n+1)代入玻尔兹曼的次方程中,计算新的演化曲线φ(X,n+1):
φ ( X , n + 1 ) = Σ k = 0 4 f k ( X , n + 1 ) .
步骤5:计算停止函数S,设置阈值T,比较阈值T和停止函数S的大小。
(5.1)根据新的演化曲线φ(X,n+1)和初始演化曲线φ(X,n)计算停止函数S:
S = m 1 - m 3 σ 1 - σ 3 + m 2 - m 4 σ 2 - σ 4
其中,m1为新的演化曲线φ(X,n+1)内均值,m2为新的演化曲线φ(X,n+1)外均值,σ1为新的演化曲线φ(X,n+1)内方差,σ2为新的演化曲线φ(X,n+1)外方差,m3为初始演化曲线φ(X,n)的内均值,m4为初始演化曲线φ(X,n)的外均值,σ3为初始演化曲线φ(X,n)的内方差,σ4为初始演化曲线φ(X,n)的外方差;
(5.2)设置阈值T,比较阈值T和停止函数S的大小:
当T<S时,n=n+1,继续迭代,返回步骤(4);
当T≥S时,迭代终止,得到迭代演化曲线φr=φ(X,n+1)。
步骤6:对迭代演化曲线φr进行形态学开操作,得到最终分割结果φz
(6.1)对迭代演化曲线φr进行形态学腐蚀,去除演化曲线φr中的孤立点,缩小其目标区域,得到临时演化曲线φf
(6.2)对临时演化曲线φf进行形态学膨胀,恢复目标区域大小,得到最终分割结果φz
本发明的效果可以通过使用以下仿真实验进一步说明
1、仿真条件
本发明是在中央处理器为Intel(R)Core(TM)i32.93GHZ、内存2G、WINDOWS7操作系统上,运用MATLAB软件进行的仿真。
2、仿真内容
仿真1,用本发明和现有LGD模型对自然图像进行分割,结果如图2所示,其中:
图2(a)为初始自然图像,
图2(b)为使用LGD模型对自然图像的初始化,
图2(c)为使用LGD模型对自然图像进行分割的结果,
图2(d)为使用本发明对自然图像进行分割的结果,
对比图2(c)和图2(d),可以看出本发明对自然图像分割效果好。
仿真2,用本发明和现有LGD模型对医学图像进行分割,结果如图3所示,其中:
图3(a)为初始医学图像,
图3(b)为使用LGD模型对医学图像的初始化,
图3(c)为使用LGD模型对医学图像进行分割的结果,
图3(d)为使用本发明对医学图像进行分割的结果,
对比图3(c)和图3(d),可以看出本发明对医学图像分割效果好。
仿真3,用本发明和现有LGD模型对遥感图像进行分割,结果如图4所示,其中:
图4(a)为初始遥感图像,
图4(b)为使用LGD模型对遥感图像的初始化,
图4(c)为使用LGD模型对遥感图像进行分割的结果,
图4(d)为使用本发明对遥感图像进行分割的结果,
对比图4(c)和图4(d),可以看出本发明对遥感图像分割效果好,可以取得全局最优分割结果。
仿真1、仿真2和仿真3所有的迭代次数和时间如表1所示:
表1
由表1可知,与LGD模型相比,本发明只需要迭代几次便可得到结果,图像分割所有时间远远小于LGD模型,图像分割效率较高。

Claims (4)

1.一种基于局部高斯和玻尔兹曼的水平集图像分割方法,包括如下步骤:
(1)输入待分割图像I到局部高斯模型中,得到关于图像I的能量函数E(I);
(2)通过Euler-Lagrange方程得到能量函数E(I)对应的演化方程Y(φ),其中φ为演化曲线;
(3)将演化曲线初始化为初始演化曲线φ(X,n),其中X为图像上的点,状态n=0;
(4)求解演化曲线为初始演化曲线φ(X,n)的演化方程Y(φ),得到新的演化曲线φ(X,n+1);
(5)计算停止函数S,设置阈值T,比较阈值T和停止函数S的大小:
(5.1)根据新的演化曲线φ(X,n+1)和初始演化曲线φ(X,n)计算停止函数S:
S = m 1 - m 3 σ 1 - σ 3 + m 2 - m 4 σ 2 - σ 4
其中,m1,m212分别为新的演化曲线φ(X,n+1)内外均值和内外方差,m3,m434分别为初始演化曲线φ(X,n)的内外均值和内外方差;
(5.2)设置阈值T,比较阈值T和停止函数S的大小:
当T<S时,n=n+1,继续迭代,返回步骤(4);
当T≥S时,迭代终止,得到演化曲线φr=φ(X,n+1);
(6)对演化曲线φr进行形态学开操作,得到最终分割结果φz
2.根据权利要求1所述的基于局部高斯和玻尔兹曼的水平集图像分割方法,其中所述步骤(2)中通过Euler-Lagrange方程得到能量函数E(I)对应的演化方程Y(φ),按如下步骤进行:
(2.1)对能量函数E(I)求导,得到被积函数G,其表达式为:
G = α Σ i = 1 2 ∫ Ω w ( X - Y ) logP i , X ( I ( Y ) ) M i ( φ ( Y ) ) d Y + β | ▿ H ( φ ( X ) ) | + 1 2 γ ( | ▿ φ ( X ) | - 1 ) 2
其中,Ω为图像域,X为图像上的点,Y∈|X-Y|≤ρ,I(Y)为点Y的像素值,ρ为局部半径,α为局部高斯权重,β为长度参数,γ为惩罚项参数,w(X-Y)为高斯核函数,M1=H(φ(X)),M2=1-H(φ(X)),H(φ)为阶跃函数,▽为拉普拉斯算子;
(2.2)当能量函数E(I)达到极小时,被积函数G对应的Euler-Lagrange方程为:
∂ G ∂ φ - ( ∂ ∂ x ( ∂ G ∂ φ x ) + ∂ ∂ y ( ∂ G ∂ φ y ) ) = 0 , (x,y)为图像上的点。
(2.3)引入时间变量t,得到能量函数E(I)对应的演化方程Y(φ):
Y ( φ ) = ∂ φ ∂ t = ∂ G ∂ φ - ( ∂ ∂ x ( ∂ G ∂ φ x ) + ∂ ∂ y ( ∂ G ∂ φ y ) ) = α δ ( φ ) ( e 1 - e 2 ) + β δ ( φ ) d i v ( ▿ φ | ▿ φ | ) ) + γ ( ▿ 2 φ - d i v ( ▿ φ | ▿ φ | ) )
其中, e j ( X ) = ∫ Ω w ( X - Y ) [ log ( σ j ( Y ) ) + ( μ j ( X ) - I ( Y ) ) 2 2 σ j 2 ( X ) ] d Y , j = 1 , 2.
μj(X),σj(X)分别为点X的高斯均值和高斯标准差,δ(φ)是冲击函数。
3.根据权利要求1所述的基于局部高斯和玻尔兹曼的水平集图像分割方法,其中所述步骤(4)求解演化曲线为初始演化曲线φ(X,n)的演化方程Y(φ),得到新的演化曲线φ(X,n+1),按如下步骤进行:
(4.1)令|▽φ|=1,将演化方程Y(φ)化简为:
Y ( φ ) = d i v ( 2 5 Δ t ( 1 + 5 Δ t β δ ( φ ) 2 - 1 2 ) · ▿ φ ) + 25 2 · 2 25 ( δ ( φ ) α ( e 1 - e 2 ) + γ ( ▿ 2 φ - d i v ( ▿ φ ) ) )
(4.2)将Chapman-Enskog扩散方程CE与化简后的演化方程Y(φ)相对应,得出玻尔兹曼参数z,外力F:
z = 2 1 + 5 Δ t β δ ( φ ) , F = 2 25 ( δ ( φ ) α ( e 1 - e 2 ) + γ ( ▿ 2 φ - d i v ( ▿ φ ) ) )
其中,Δt为时间步长, C E = ∂ φ ∂ t = d i v ( 2 5 Δ t ( 1 z - 1 2 ) · ▿ φ ) + 25 2 F ;
(4.3)把初始演化曲线φ(X,n)代入到(4.2)的波尔兹曼参数z和外力F等式中,得到在状态n时的玻尔兹曼参数zn和外力Fn
z n = 2 1 + 5 Δ t β δ ( φ ( X , n ) ) , F n = 2 25 ( δ ( φ ( X , n ) ) α ( e 1 - e 2 ) + γ ( ▿ 2 φ - d i v ( ▿ φ ) ) )
(4.4)令初始分布函数 f k ( X , 0 ) = f k e q = 1 5 φ ( X , 0 ) , k = 1 , 2 , ... , 5 , 为均衡分布函数,把参数zn、外力Fn、初始分布函数fk(X,n)和均衡分布函数代入玻尔兹曼的主方程中,计算新的分布函数fk(X,n+1):
f k ( X , n + 1 ) = f k ( X , n ) + z n [ f k e q - f k ( X , n ) ] + ΔtF n , k = 1 , 2 , 3 , 4 , 5
(4.5)把新的分布函数fk(X,n+1)代入玻尔兹曼的次方程中,计算新的演化曲线φ(X,n+1):
φ ( X , n + 1 ) = Σ k = 0 4 f k ( x , n + 1 ) .
4.根据权利要求1所述的基于局部高斯和玻尔兹曼的水平集图像分割方法,其中所述步骤(6)中对演化曲线φr进行形态学开操作,按如下步骤进行:
(6.1)对演化曲线φr进行形态学腐蚀,去除演化曲线φr中的孤立点,缩小其目标区域,得到临时演化曲线φf
(6.2)对临时演化曲线φf进行形态学膨胀,恢复目标区域的大小,得到最终分割结果φz
CN201510512726.8A 2015-08-19 2015-08-19 基于局部高斯和玻尔兹曼的水平集图像分割方法 Pending CN105160662A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510512726.8A CN105160662A (zh) 2015-08-19 2015-08-19 基于局部高斯和玻尔兹曼的水平集图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510512726.8A CN105160662A (zh) 2015-08-19 2015-08-19 基于局部高斯和玻尔兹曼的水平集图像分割方法

Publications (1)

Publication Number Publication Date
CN105160662A true CN105160662A (zh) 2015-12-16

Family

ID=54801504

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510512726.8A Pending CN105160662A (zh) 2015-08-19 2015-08-19 基于局部高斯和玻尔兹曼的水平集图像分割方法

Country Status (1)

Country Link
CN (1) CN105160662A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056582A (zh) * 2016-05-23 2016-10-26 温文媖 一种基于反应扩散方程的分割方法
CN106599901A (zh) * 2016-10-09 2017-04-26 福州大学 基于深度玻尔兹曼机的协同目标分割与行为识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737378A (zh) * 2012-05-24 2012-10-17 中国科学院深圳先进技术研究院 测地线活动轮廓分割图像的方法和系统
CN103093437A (zh) * 2013-01-30 2013-05-08 深圳深讯和科技有限公司 生成铅笔画风格图像的方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102737378A (zh) * 2012-05-24 2012-10-17 中国科学院深圳先进技术研究院 测地线活动轮廓分割图像的方法和系统
CN103093437A (zh) * 2013-01-30 2013-05-08 深圳深讯和科技有限公司 生成铅笔画风格图像的方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LI WANG等: "Active contours driven by local Gaussian distribution fitting energy", 《SIGNAL PROCESSING》 *
ZHIQIANG WANG等: "Lattice Boltzmann Method of Active Contour for Image Segmentation", 《2011 SIXTH INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICS》 *
基于局部高斯分布的图像分割算法的改进: "基于局部高斯分布的图像分割算法的改进", 《SCIENCE JOURNAL OF COMPUTER SCIENCE》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056582A (zh) * 2016-05-23 2016-10-26 温文媖 一种基于反应扩散方程的分割方法
CN106056582B (zh) * 2016-05-23 2019-01-25 温文媖 一种基于反应扩散方程的分割方法
CN106599901A (zh) * 2016-10-09 2017-04-26 福州大学 基于深度玻尔兹曼机的协同目标分割与行为识别方法
CN106599901B (zh) * 2016-10-09 2019-06-07 福州大学 基于深度玻尔兹曼机的协同目标分割与行为识别方法

Similar Documents

Publication Publication Date Title
CN109272512B (zh) 一种自动分割左心室内外膜的方法
CN112184752A (zh) 一种基于金字塔卷积的视频目标跟踪方法
Rivest-Hénault et al. A local linear level set method for the binarization of degraded historical document images
CN109034210A (zh) 基于超特征融合与多尺度金字塔网络的目标检测方法
CN106296675A (zh) 一种高噪声灰度不均匀图像的分割方法
CN103942794A (zh) 一种基于置信度的图像协同抠图方法
Li et al. Image segmentation algorithm using watershed transform and level set method
CN104732551A (zh) 基于超像素和图割优化的水平集图像分割方法
CN110706234A (zh) 一种图像的自动精细分割方法
Hua et al. GrabCut color image segmentation based on region of interest
CN105160662A (zh) 基于局部高斯和玻尔兹曼的水平集图像分割方法
CN105654450A (zh) 基于局部和全局区域测地线模型的mr图像分割和偏移场矫正方法
CN105913434B (zh) 一种白细胞定位和迭代分割方法
CN104376559A (zh) 基于改进的距离调整水平集算法的医学图像分割方法
CN110176021B (zh) 结合亮度校正的显著性信息的水平集图像分割方法及系统
CN104463889B (zh) 一种基于cv模型的无人机自主着陆目标提取方法
Chuanyun et al. Cell Segmentation in Cervical Smear Images using Polar Coordinates GVF Snake with Radiating Edge Map.
Cui et al. An improved image segmentation algorithm based on the watershed transform
Dzyubachyk et al. A variational model for level-set based cell tracking in time-lapse fluorescence microscopy images
Long et al. Cervical cell TCT image detection and segmentation based on multi-scale feature fusion
CN104680529A (zh) 基于形状先验和相似性约束的颈动脉内外壁自动分割方法
Chen et al. Centerline constrained minimal path propagation for vessel extraction
Pan et al. Flooding based superpixels generation with color, compactness and smoothness constraints
CN104182990A (zh) 一种实时序列图像运动目标区域获取方法
CN109949315A (zh) 基于混合对数正态模型的sar影像水陆分割方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20151216