CN105184766A - 一种频域边界能量模型的水平集图像分割方法 - Google Patents
一种频域边界能量模型的水平集图像分割方法 Download PDFInfo
- Publication number
- CN105184766A CN105184766A CN201510418218.3A CN201510418218A CN105184766A CN 105184766 A CN105184766 A CN 105184766A CN 201510418218 A CN201510418218 A CN 201510418218A CN 105184766 A CN105184766 A CN 105184766A
- Authority
- CN
- China
- Prior art keywords
- function
- phi
- level set
- energy
- set function
- 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.)
- Granted
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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种频域边界能量模型的水平集图像分割方法,包括:在初始化轮廓下,对输入图像的轮廓内外区域分别进行傅里叶变换;设计频域滤波器对轮廓内外区域进行滤波从而提取边界能量项;将水平集函数正则项、长度约束项和边界能量项作为整体能量项;结合阶跃函数与冲击函数,运用水平集方法对能量项进行最小化,从而得到理想的分割结果。本发明所述的频域边界能量模型的水平集分割算法,选择带通滤波器作为最优滤波器提取目标边界信息,而排除其他干扰信息,如强噪声、偏移场、规则纹理等,能够对分割结果边界的平滑度进行控制,对同时存在强噪声和偏移场的医学图像有高精度的分割结果。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种能够有效分割图像的频域边界能量模型的水平集图像分割方法。
背景技术
图像分割一直是图像处理领域的研究热点和难点,其目的是将图像分割为具有相同特性的若干子区域,如亮度、纹理、密度等。图像分割是进行高级图像如图像分析、目标识别、图像理解和计算机视觉的关键步骤。图像分割在医学领域、安防系统、军事领域等诸多方面都有广泛应用。虽然经过多年研究,许多学者已经提出大量有效的图像分割算法,但图像分割没有一种通用的有效算法,针对不同的应用场景,往往需要进行研究改进现有算法从而达到最好效果。在众多图像分割算法中,基于活动轮廓模型的方法能够获取亚像素精度结果以及平滑的轮廓而被广泛应用于医学图像分割。然而,在医学图像中,由于成像技术水平的限制,获取的图像常常包含了强噪声或偏移场。而且,两种干扰信息常常同时出现,例如超声波图像,光学相干层析图像(OpticalCoherenceTomography,OCT)图像等。这些干扰信息严重影响了医学图像的精细分割,因此实现一种能够消除强噪声和偏移场干扰的分割方法是十分必要的。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种频域边界能量模型的水平集图像分割方法。
为了解决上述技术问题,本发明公开了一种频域边界能量模型的水平集图像分割方法,在频域内,将图像分割问题归结为如何设计滤波器有效地提取边界能量信息,包括以下步骤:
步骤1,在图像区域Ω范围内,对初始化轮廓外区域和内区域进行傅里叶变换。
步骤2,利用设计的滤波器,如带通滤波器,提取图像的边界能量项。
步骤3,融合水平集函数正则化项,轮廓约束项及边界能量项,获得整体的能量项。
步骤4,实例化阶跃函数H(·)函数和冲击函数δ(·),计算使得能量函数变小的水平集函数的变化值。对水平集函数进行更新。若能量函数不收敛,则返回步骤3;否则输出分割结果。
其中,步骤1包括以下步骤:
步骤1-1,对于定义在Ω上的输入图像u0,输入图像u0上的每个像素对应一个Ω上的坐标向量x。在Ω上设置初始化轮廓C0,例如可以采用通过交互式方法。设t时刻,在Ω上的初始化轮廓演化为Ct,将Ct用水平集函数Φ表示,即Ct={x|Φ(x)=0}。Ct将Ω划分为两个子区域,即Ct外区域Ω1及内区域Ω2。利用阶跃函数H(·)及水平集函数Φ(·),Ω1及Ω2可以分别表示为u1和u2,如下式所示:
u1(x)=u0(x)H(φ(x)),u2(x)=u0(x)(1-H(φ(x)))。
步骤1-2,在Ω范围内分别对u1及u2进行傅里叶变换,得到变换结果:
其中,s为频域坐标向量,在Ω上对ui进行傅里叶变换,Fi(s)为变换结果。
步骤2包括以下步骤:
步骤2-1,设置带通滤波器作为最优的边界滤波器。使用DoG算子作为带通滤波器,公式如下:
Hbp(s)=DoG(s)=G(s,σs1)-G(s,σs2),
G(s,σsi)为变量为s标准差为σsi的高斯滤波器。σs1和σs2分别为两个高斯滤波器的标准差,满足:σs1>0,σs2>0;
步骤2-2,使用频域滤波器Hbp(s)对Fi(s)进行滤波,并进行傅里叶逆变换得到目标的边界信息。
其中,fb1(x)为图像区域上Ct外部的边界信息,fb2(x)为图像区域上Ct内部的边界信息;为傅里叶逆变换。
步骤2-3将Ct表示为水平集函数,计算边界能量项EFBE(φ,fbi(x)):
其中,Φ为Ct对应的水平集函数。;H(·)为阶跃函数。
步骤3包括以下步骤:
步骤3-1,引入水平集函数正则化项,水平集函数的正则化项如下式所示:
其中▽为梯度运算,div为散度运算。
步骤3-2,引入轮廓的长度约束项,长度约束项如下式所示:
其中,δ(φ)为冲击函数;
步骤3-3,融合水平集函数正则项、轮廓长度约束项以及定义的频域边界能量项,则整体的能量函数为:
E(φ,fb1(x))=λEFBE(φ,fb1(x))+μELSR(φ)+νELen(φ),
其中,λ,μ,ν分别为三个能量项的权值,满足:0<λ,0<μ,0<ν。
步骤4包括以下步骤:
步骤4-1:将阶跃函数和冲击函数分别实例化为,当ε趋于无限大时,两个函数都趋于理想的阶跃函数和冲击函数。
其中,z与ε是表示上述函数的辅助变量。当ε趋于无限大时,两个函数都趋于理想的阶跃函数H(z)和冲击函数δ(z);步骤4-2,计算频域边界能量项下,水平集函数的更新方程,对水平集函数引入辅助变量α及η,则:固定fb1(x)、fb2(x),对Φ求偏导,使α趋近于0:
根据欧拉-拉格朗日公式,得到:
[fb1 2(x)H(φ)-fb2 2(x)(1-H(φ))]δ(φ)=0,
运用梯度下降法则得到:
步骤4-3,结合水平集函数正则项和长度约束项的水平集函数更新方式以及实际使用的阶跃函数和冲击函数,得到了水平集函数的最终更新值:
上式为边界能量项; 为水平函数正则化项;为轮廓长度约束项;
步骤4-4,利用上述最终更新值,对水平集函数进行更新,并判断水平集函数的变化是否小于特定值,若小于,则收敛,输出分割结果,该特定值取值范围为自然数;否则返回步骤4-3重新计算水平集函数的更新值,利用更新后水平集函数重新计算新的能量函数。
本发明根据图像边界的高频能量,定义高频能量项;运用水平集函数,结合FBE-DoG模型,(FBE,FrequencyBoundaryEnergy,频域边界能量)计算理想分割边界。本发明提供了一种新的图像分割思路,选择带通滤波器作为最优滤波器提取目标边界信息,而排除其他干扰信息,如强噪声,偏移场,纹理等,能够对分割结果边界的平滑度进行控制。高频能量项的提出,结合水平集对图像分割,对同时存在强噪声和偏移场的医学图像有高精度的分割结果。仿真实验结果表明,该方法不仅能有效地对图像进行分割,较传统的图像分割方法,该方法也有较好的效果。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为输入的待分割图像。
图2为初始化轮廓示意;其中红白虚线为初始化轮廓。
图3a为迭代过程中的Ct;
图3b为Ct对应的水平集函数。
图4a为Ct取图3a所示时的u1;
图4b为Ct取图3a所示时的u2;
图5为带通滤波器特性。
图6为迭代过程中,能量值的变化。
图7为图1的最终分割结果。
图8为不同分割算法对比图。
图9为本发明流程图。
具体实施方式
实施例
由于本发明的特殊性,本实施例中图1~图8不可避免的使用到灰度图。但是本领域技术人员根据本发明文字的描述不依赖实施例的附图内容就可以理解本发明内容。
如图9所示,本发明公开了一种频域边界能量模型的水平集图像分割方法,包括以下步骤:步骤1,在图像区域Ω范围内,对初始化轮廓内外区域进行傅里叶变换。详细步骤如下:
步骤1-1,对于定义在Ω上的输入图像u0(如图1所示),图像u0上的每个像素对应一个Ω上的坐标向量x。通过交互式方法在Ω上设置初始化轮廓C0,如图2所示。设t时刻,在Ω上的初始化轮廓演化为Ct,如图3a所示。将Ct用水平集函数Φ表示,即Ct={x|Φ(x)=0},如图3b所示。Ct将Ω划分为两个子区域,即Ct外区域Ω1及内区域Ω2。利用阶跃函数H(·)及水平集函数Φ(·),Ω1及Ω2可以分别表示为u1和u2,分别如图4a,图4b所示,公式如下所示:
u1(x)=u0(x)H(φ(x)),u2(x)=u0(x)(1-H(φ(x)))。
步骤1-2,在Ω范围内分别对u1及u2进行傅里叶变换,得到变换结果:
其中,s为频域坐标向量,在Ω上对ui进行傅里叶变换,Fi(s)为变换结果。
步骤2,利用设计的滤波器,如带通滤波器,提取图像的边界能量项。详细步骤如下:
步骤2-1,设置带通滤波器作为最优的边界滤波器。使用DoG算子作为带通滤波器,如图5所示,公式如下:
Hbp(s)=DoG(s)=G(s,σs1)-G(s,σs2),
G(s,σsi)为变量为s标准差为σsi的高斯滤波器。σs1和σs2分别为两个高斯滤波器的标准差,满足:σs1>0,σs2>0
步骤2-2,使用频域滤波器Hbp(s)对Fi(s)进行滤波,并进行傅里叶逆变换得到目标的边界信息。
其中,fb1(x)为图像区域上Ct外部的边界信息,fb2(x)为图像区域上Ct内部的边界信息;为傅里叶逆变换。
步骤2-3将Ct表示为水平集函数,计算边界能量项EFBE(φ,fbi(x)):
其中,Φ为Ct对应的水平集函数;H(·)为阶跃函数。
步骤3,融合水平集函数正则化项,轮廓约束项及边界能量项,获得整体的能量项。详细步骤如下:
步骤3-1,引入水平集函数正则化项,水平集函数的正则化项如下式所示:
其中▽为梯度运算,div为散度运算。
步骤3-2,引入轮廓的长度约束项,长度约束项如下式所示:
其中,δ(φ)为冲击函数;
步骤3-3,融合水平集函数正则项、轮廓长度约束项以及定义的频域边界能量项,则整体的能量函数为:
E(φ,fb1(x))=λEFBE(φ,fb1(x))+μELSR(φ)+νELen(φ),
其中,λ,μ,ν分别为三个能量项的权值,满足:0<λ,0<μ,0<ν。
步骤4,实例化阶跃函数H(·)函数和冲击函数δ(·),计算使得能量函数变小的水平集函数的变化值。对水平集函数进行更新。若能量函数不收敛,则返回步骤3;否则输出分割结果,迭代过程中能量的变化,如图6所示。详细步骤如下:
步骤4-1:将阶跃函数和冲击函数分别实例化为,当ε趋于无限大时,两个函数都趋于理想的阶跃函数和冲击函数。
其中,z与ε是表示上述函数的辅助变量。当ε趋于无限大时,两个函数都趋于理想的阶跃函数H(z)和冲击函数δ(z);
步骤4-2,计算频域边界能量项下,水平集函数的更新方程,对水平集函数引入辅助变量α及η,则:固定fb1(x)、fb2(x),对Φ求偏导,使α趋近于0:
根据欧拉-拉格朗日公式,得到:
[fb1 2(x)H(φ)-fb2 2(x)(1-H(φ))]δ(φ)=0,
运用梯度下降法则得到:
步骤4-3,结合水平集函数正则项和长度约束项的水平集函数更新方式以及实际使用的阶跃函数和冲击函数,得到了水平集函数的最终更新值:
上式为边界能量项;为水平函数正则化项;为轮廓长度约束项;
步骤4-4,利用上述最终更新值,对水平集函数进行更新,并判断水平集函数的变化是否趋于稳定。这里将连续5次迭代变化的方差大小作为是否稳定的标准。若变化的方差小于特定值(比如0.01倍方差),则收敛,输出分割结果,如图7所示;否则返回步骤4-3重新计算水平集函数的更新值,利用更新后水平集函数重新计算新的能量函数。与其他6种方法的对比结果如图8所示。图8为不同分割算法对比图,包括BSLS(B-SplineLevel-set,B样条水平集)、SBGFR(SelectiveBinaryandGaussianFilteringRegularizedLevelSet,选择性二元高斯滤波正规化水平集、LRCAM(Localizingregion-basedactivecontoursmodel,局部活动轮廓模型)、LGDF(localgaussiandistributionfittingengery,局部高斯分布拟合能量)、LBFM(localbinaryfittingmodel,局部二元拟合模型)、L2S(LegendreLevelSet,Legendre水平集)六种算法的对比效果。
本发明提供了一种频域边界能量模型的水平集图像分割方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (5)
1.一种频域边界能量模型的水平集图像分割方法,其特征在于,包括以下步骤:
步骤1,在图像区域Ω范围内,对初始化轮廓的内区域和外区域进行傅里叶变换;
步骤2,利用滤波器提取图像的边界能量项;
步骤3,融合水平集函数正则化项、轮廓约束项及边界能量项,获得整体的能量项;
步骤4,实例化阶跃函数H(·)函数和冲击函数δ(·),计算使得能量函数变小的水平集函数的变化值;对水平集函数进行更新,若能量函数不收敛,则返回步骤3;否则输出分割结果。
2.如权利要求1所述的一种频域边界能量模型的水平集图像分割方法,其特征在于,步骤1包括以下步骤:
步骤1-1,对于图像区域Ω上的输入图像u0,输入图像u0上每个像素对应一个Ω上的坐标向量x,在图像区域Ω上设置初始化轮廓C0,设t时刻,在Ω上的轮廓为Ct,将Ct用水平集函数Φ表示,即Ct={x|Φ(x)=0},Ct将Ω划分为两个子区域,即Ct外区域Ω1及内区域Ω2,利用阶跃函数H(·)及水平集函数Φ(·),将Ω1及Ω2分别表示为u1和u2,如下式所示:
u1(x)=u0(x)H(φ(x)),u2(x)=u0(x)(1-H(φ(x)));
步骤1-2,在图像区域Ω范围内分别对u1及u2进行傅里叶变换:
其中,s为频域坐标向量,在Ω上对ui进行傅里叶变换,Fi(s)为变换结果。
3.如权利要求2所述的一种频域边界能量模型的水平集图像分割方法,其特征在于,步骤2包括以下步骤:
步骤2-1,设置带通滤波器作为最优的边界滤波器,使用DoG算子作为带通滤波器,频域滤波器Hbp(s)的计算公式如下:
Hbp(s)=DoG(s)=G(s,σs1)-G(s,σs2),
G(s,σsi)为变量为s标准差为σsi的高斯滤波器,σs1和σs2分别为两个高斯滤波器的标准差,满足:σs1>0,σs2>0;
步骤2-2,使用频域滤波器Hbp(s)对Fi(s)进行滤波,并进行傅里叶逆变换得到目标的边界信息:
其中,fb1(x)为图像区域上Ct外部的边界信息,fb2(x)为图像区域上Ct内部的边界信息;为傅里叶逆变换;
步骤2-3,将Ct表示为水平集函数φ,计算边界能量项EFBE(φ,fbi(x)):
其中,φ为Ct对应的水平集函数;H(·)为阶跃函数。
4.如权利要求3所述的一种频域边界能量模型的水平集图像分割方法,其特征在于,步骤3包括以下步骤:
步骤3-1,采用以下公式计算水平集函数正则化项ELSR:
其中▽为梯度运算,div为散度运算;
步骤3-2,采用以下公式计算轮廓长度约束项ELen:
其中,δ(φ)为冲击函数;
步骤3-3,融合水平集函数正则项ELSR、轮廓长度约束项ELen以及频域边界能量项,采用如下公式计算整体的能量函数E(φ,fb1(x)):
E(φ,fb1(x))=λEFBE(φ,fb1(x))+μELSR(φ)+νELen(φ),
其中,λ,μ,ν分别为三个能量项的权值,满足:0<λ,0<μ,0<ν。
5.如权利要求4所述的一种频域边界能量模型的水平集图像分割方法,其特征在于,步骤4包括以下步骤:
步骤4-1:将阶跃函数和冲击函数分别实例化为Hε(z)和δε(z),
其中,z与ε是表示上述函数的辅助变量;当ε趋于无限大时,Hε(z)和δε(z)两个函数都趋于理想的阶跃函数H(z)和冲击函数δ(z);
步骤4-2,计算频域边界能量项下,水平集函数的更新方程,对水平集函数引入辅助变量α及辅助变量η,则:固定fb1(x)、fb2(x),对Φ求偏导,使α趋近于0:
根据欧拉-拉格朗日公式,得到:
[fb1 2(x)H(φ)-fb2 2(x)(1-H(φ))]δ(φ)=0,
运用梯度下降法则得到:
步骤4-3,结合水平集函数正则项和长度约束项的水平集函数更新方式以及实际使用的阶跃函数和冲击函数,得到了水平集函数的最终更新值:
上式中为边界能量项; 为水平函数正则化项;为轮廓长度约束项;
步骤4-4,利用上述最终更新值,对水平集函数进行更新,并判断水平集函数的变化是否小于特定值,若小于,则收敛,输出分割结果,该特定值取值范围为自然数;否则返回步骤4-3重新计算水平集函数的更新值,利用更新后水平集函数重新计算新的能量函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510418218.3A CN105184766B (zh) | 2015-07-16 | 2015-07-16 | 一种频域边界能量模型的水平集图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510418218.3A CN105184766B (zh) | 2015-07-16 | 2015-07-16 | 一种频域边界能量模型的水平集图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184766A true CN105184766A (zh) | 2015-12-23 |
CN105184766B CN105184766B (zh) | 2018-01-19 |
Family
ID=54906819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510418218.3A Active CN105184766B (zh) | 2015-07-16 | 2015-07-16 | 一种频域边界能量模型的水平集图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184766B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204592A (zh) * | 2016-07-12 | 2016-12-07 | 东北大学 | 一种基于局部灰度聚类特征的图像水平集分割方法 |
CN106296649A (zh) * | 2016-07-21 | 2017-01-04 | 北京理工大学 | 一种基于水平集模型的纹理图像分割方法 |
CN106846349A (zh) * | 2017-02-26 | 2017-06-13 | 哈尔滨理工大学 | 一种基于水平集的前列腺磁共振图像分割方法 |
CN107833325A (zh) * | 2017-11-14 | 2018-03-23 | 南通尚力机电工程设备有限公司 | 智能门禁系统的自动感测方法 |
CN110136139A (zh) * | 2019-04-12 | 2019-08-16 | 浙江工业大学 | 基于形状特征的面部ct图像中的牙神经分割方法 |
CN110335287A (zh) * | 2019-07-15 | 2019-10-15 | 北华航天工业学院 | 建筑图像数据的提取方法及装置 |
CN115035004A (zh) * | 2022-04-15 | 2022-09-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、可读存储介质及程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090052756A1 (en) * | 2007-08-21 | 2009-02-26 | Siemens Corporate Research, Inc. | System and method for global-to-local shape matching for automatic liver segmentation in medical imaging |
CN101976445A (zh) * | 2010-11-12 | 2011-02-16 | 西安电子科技大学 | 边缘和区域概率密度差相结合的水平集sar图像分割方法 |
CN102426699A (zh) * | 2011-11-04 | 2012-04-25 | 西安电子科技大学 | 基于边缘和区域信息的水平集sar图像分割方法 |
CN102831608A (zh) * | 2012-08-06 | 2012-12-19 | 哈尔滨工业大学 | 基于非稳态测量算法的改进规则距离水平集的图像分割方法 |
-
2015
- 2015-07-16 CN CN201510418218.3A patent/CN105184766B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090052756A1 (en) * | 2007-08-21 | 2009-02-26 | Siemens Corporate Research, Inc. | System and method for global-to-local shape matching for automatic liver segmentation in medical imaging |
CN101976445A (zh) * | 2010-11-12 | 2011-02-16 | 西安电子科技大学 | 边缘和区域概率密度差相结合的水平集sar图像分割方法 |
CN102426699A (zh) * | 2011-11-04 | 2012-04-25 | 西安电子科技大学 | 基于边缘和区域信息的水平集sar图像分割方法 |
CN102831608A (zh) * | 2012-08-06 | 2012-12-19 | 哈尔滨工业大学 | 基于非稳态测量算法的改进规则距离水平集的图像分割方法 |
Non-Patent Citations (4)
Title |
---|
LIWEN WANG 等: "Improved Rotation Kernel Transformation Directional Feature for Recognition of Wheat Stripe Rust and Powdery Mildew", 《THE 2014 7TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING》 * |
QING GUO 等: "OPTICAL COHERENCE TOMOGRAPHY HEART TUBE IMAGE DENOISING BASED ON CONTOURLET TRANSFORM", 《PROCEEDINGS OF THE 2012 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
孙水发 等: "基于迭代阈值的子块部分重叠双直方图均衡算法", 《广西师范大学学报:自然科学版》 * |
白雪飞 等: "自适应初始轮廓的Chan-Vese模型图像分割方法", 《计算机科学与探索》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204592A (zh) * | 2016-07-12 | 2016-12-07 | 东北大学 | 一种基于局部灰度聚类特征的图像水平集分割方法 |
CN106204592B (zh) * | 2016-07-12 | 2019-02-05 | 东北大学 | 一种基于局部灰度聚类特征的图像水平集分割方法 |
CN106296649A (zh) * | 2016-07-21 | 2017-01-04 | 北京理工大学 | 一种基于水平集模型的纹理图像分割方法 |
CN106296649B (zh) * | 2016-07-21 | 2018-11-20 | 北京理工大学 | 一种基于水平集模型的纹理图像分割方法 |
CN106846349A (zh) * | 2017-02-26 | 2017-06-13 | 哈尔滨理工大学 | 一种基于水平集的前列腺磁共振图像分割方法 |
CN106846349B (zh) * | 2017-02-26 | 2019-05-24 | 哈尔滨理工大学 | 一种基于水平集的前列腺磁共振图像分割方法 |
CN107833325A (zh) * | 2017-11-14 | 2018-03-23 | 南通尚力机电工程设备有限公司 | 智能门禁系统的自动感测方法 |
CN110136139A (zh) * | 2019-04-12 | 2019-08-16 | 浙江工业大学 | 基于形状特征的面部ct图像中的牙神经分割方法 |
CN110335287A (zh) * | 2019-07-15 | 2019-10-15 | 北华航天工业学院 | 建筑图像数据的提取方法及装置 |
CN115035004A (zh) * | 2022-04-15 | 2022-09-09 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、可读存储介质及程序产品 |
CN115035004B (zh) * | 2022-04-15 | 2023-02-10 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、设备、可读存储介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN105184766B (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184766A (zh) | 一种频域边界能量模型的水平集图像分割方法 | |
Qin et al. | Superpixel-based and boundary-sensitive convolutional neural network for automated liver segmentation | |
Wang et al. | Level set evolution with locally linear classification for image segmentation | |
CN112465827A (zh) | 一种基于逐类卷积操作的轮廓感知多器官分割网络构建方法 | |
CN106295542A (zh) | 一种夜视红外图像中的基于显著性的道路目标提取方法 | |
CN103544682B (zh) | 一种三维超声图像非局部均值滤波方法 | |
CN102737382B (zh) | 一种前列腺超声图像自动精确分割方法 | |
Guo et al. | Frequency-tuned active contour model | |
Ferstl et al. | Interactive separating streak surfaces | |
Yuan et al. | Variational level set methods for image segmentation based on both L2 and Sobolev gradients | |
Wang et al. | An efficient level set method based on multi-scale image segmentation and hermite differential operator | |
Gong | Mean curvature is a good regularization for image processing | |
Duan et al. | Introducing diffusion tensor to high order variational model for image reconstruction | |
CN105701800B (zh) | 多模图像匹配方法 | |
Wang et al. | Hybrid level set method based on image diffusion | |
Li et al. | Adaptive regularized level set method for weak boundary object segmentation | |
Pollak et al. | Nonlinear evolution equations as fast and exact solvers of estimation problems | |
Azad et al. | Unlocking fine-grained details with wavelet-based high-frequency enhancement in transformers | |
Yang et al. | Anisotropic variational models for image denoising based on directional hessian | |
Lathen et al. | Phase based level set segmentation of blood vessels | |
Tian et al. | A fractional-order Sobel operator for medical image structure feature extraction | |
CN107330912A (zh) | 一种基于多特征融合的稀疏表示的目标追踪方法 | |
Larbi et al. | Medical Image segmentation based on wavelet transformation and level set method | |
CN103310424A (zh) | 一种基于结构相似度与全变差混合模型的图像去噪方法 | |
Liu et al. | A new tubular structure tracking algorithm based on curvature-penalized perceptual grouping |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |