计划:怎样学习在图像分割中水平集算法

水平集方法由 Osher 和 Sethian 于 1988 年提出[1],最初应用于流体力学领域,后被广泛应用于各种同曲线演化相关的科学研究和工程领域。1997 年Caselles等人率先将这一理论应用到图像科学领域后,开始了基于水平集方法的图像处理技术的研究。

为了提高分割的稳健性,先后提出了基于边界边缘的几何轮廓线模型、基于区域的几何轮廓线模型、基于先验形状知识的几何轮廓线模型,纹理图像分割模型、运动图像的分割分割模型及这些模型集成化的图像分割模型。多模型成分集成是近年该学术流派发展的重要趋势。

水平集方法来解决图像分割问题就是与几何活动轮廓模型相结合,首先直接使用连续曲线来描述图像边缘,同时利用图像信息来定义某一能量泛函自变量中包括边界轮廓曲线然后应用欧拉-朗格拉日方程的动态格式来得到与该能量泛函相对应的曲线演化方程,即一类Hamilton-Jacobi方程最后应用水平集方法来模拟初始曲线沿能量下降最快的方向演化的过程,以便求得最佳的边界轮廓曲线。该方法可以归属于边缘检测的一类分割方法。

实施水平集方法的关键是界面演化的法向速度设计,通常称为速度函数。Caselles,Catte,Coll,Dibos,Malladi,Sethian,Vemuri分别基于轮廓的平均曲率运动和图像的梯度为主要成分构造水平集方法的速度函数,最早建立图像分割的几何主动轮廓线模型;

Kichenassamy,Kumar,Olver,Tannenbaum,Yezzi,Caselles,Kimmel,Sapiro基于Riemammian空间中的最小测地距离得到了经典的测地几何轮廓线模型; 这些模型皆为基于轮廓边缘的几何变形模型。上述方法的共同点是首先建立包含轮廓线(面)与图像边缘相关信息的能量泛函,使得当能量达到极小值时轮廓线正好与要分割的对象边界重合,其最速下降的速度即可做为水平集的速度函数。由于许多医学图像及卫星遥感图像等包含大量噪声,难免出现强的边缘或要分割对象的弱的边界,而该类方法主要依据边缘轮廓线处的局部信息,尽管都考虑增加常速度项进行改善,但效果有限,其自然的改进是充分考虑区域信息。(ITK中的水平集类)

以变分方法为框架综合考虑区域信息的经典的图像分割模型是Mumford-Shah模型,Mumford-Shah泛函包括三个部分,其一是表达模型数据与观测数据相近程度的数据项,其二是表达区域内部数据平滑的平滑项,其三是约束模型轮廓长度最小的长度约束项。其中,前两项基于区域信息,第三项基于轮廓线信息。由于理论分析和实际应用的困难,在具体使用时均做不同的近似或简化。其一是用定义在Sobolev空间中规则的泛函序列近似原泛函,使得在Γ收敛的意义下新的泛函序列收敛到原泛函。

Chan-vese针对分段常值图像,基于简化的Mumford-Shah模型和水平集方法提出了不含梯度项的主动轮廓线模型,该模型的原理与Yezzi,Tsai,Willsky提出的两相与三相图像分割的统计方法非常相似,而后者不仅考虑不同区域的平均图像强度,并考虑了不同区域的平均标准差。集成区域和边界信息的经典模型还有Zhu,Yuille的融合主动轮廓线模型、区域增长模型、能量模型/Bayes模型/最小描述长度模型的区域竞争模型和Paragios基于测地主动轮廓线模型与最大后验概率的测地主动区域模型,Sifakis,Garcia,and Tziritas提出的Bayes模型和水平集方法结合的图像分割模型。

?

上述基于区域的几何变形模型或者假定要分割的图像为分段常值,或者假定不同区域的图像强度符合Gauss分布。实际上,通过不同的图像获取设备获取的图像,甚至相同的设备在不同环境下获取的图像,其分布模型可能不同。Sarti,Corsi,Mazzini,采用最大似然估计建立了符合分布的超声图像的分割方法。

区域信息的融合增强了模型的稳健性。但当将要分割的对象部分被遮挡或部分缺损时,即使边界和区域信息融合的变形模型亦无法分割得到正确的结果。先验形状知识的融合不仅能有效克服该困难,并且能够进一步改善变形模型的性态。以变分水平集为框架,在基于轮廓的能量或基于区域的能量函数基础上集成先验形状能量的相关的研究

计划:怎样学习在图像分割中水平集算法

时间: 2024-10-21 19:25:13

计划:怎样学习在图像分割中水平集算法的相关文章

DRLSE 水平集算法总结

背景: Level Set方法是美国数学家Osher(加州大学洛杉矶分校)和Sethian(加州大学伯克利分校)合作提出的.后者因为对Level Set的贡献获得了去年美国数学会与工业应用数学会联合颁发的维纳奖.遗憾的是这两位Level Set的开创者现在正为争夺Level Set的名誉而对簿公堂. Level Set方法是他们在98年文章"Front Propagation with Curvature Depedent Speed: Algorithms Based on Hamilton-

计划:怎样理解水平集方法 ITK Level set V4 框架介绍

简易解释:在曲面中插入一个平面所形成的轮廓,即是该轮廓的水平集表示,可见,该轮廓的水平集表示有多个.对于图像分割,在图像力的驱动下曲面进行更新. 轮廓的数学表达有隐式和显式两种表达.用曲面演化代替Front (C)演进. C(t) = {(x, y)|φ(x, y, t) = 0} ?φ/ ?t + F|?φ| =0 (1) φ(x, y, 0) = φ0(x, y) 方程的本质是什么? 几何解释是什么 edge-based level set ?φ /?t = g(?I)|?φ| (div (

深度学习在图像识别中的研究进展与展望

深度学习在图像识别中的研究进展与展望 深度学习是近十年来人工智能领域取得的最重要的突破之一.它在语音识别.自然语言处理.计算机视觉.图像与视频分析.多媒体等诸多领域都取得了巨大成功.本文将重点介绍深度学习在物体识别.物体检测.视频分析的最新研究进展,并探讨其发展趋势. 1.深度学习发展历史的回顾 现在的深度学习模型属于神经网络.神经网络的历史可以追溯到上世纪四十年代,曾经在八九十年代流行.神经网络试图通过大脑认知的机理,解决各种机器学习的问题.1986年Rumelhart.Hinton和Will

Redis中sentinel集群的搭建和Jedis测试 图文教程[三]

在前两篇Redis中sentinel集群的搭建和Jedis测试 图文教程[一] 和Redis中sentinel集群的搭建和Jedis测试 图文教程[二] 中分别简述了Redis中sentinel集群的搭建和Java代码的Jedis测试. 这篇主要来简单分析一下Redis-sentinel集群的原理,根据追踪sentinel信息来完成Redis-sentinel集群测试中的详细的原理分析.包括master-slave各个中的sentinel信息的分析,failover过程,master宕机后的le

【王晓刚】深度学习在图像识别中的研究进展与展望

深度学习是近十年来人工智能领域取得的最重要的突破之一.它在语音识别.自然语言处理.计算机视觉.图像与视频分析.多媒体等诸多领域都取得了巨大成功.本文将重点介绍深度学习在物体识别.物体检测.视频分析的最新研究进展,并探讨其发展趋势. 1. 深度学习发展历史的回顾 现有的深度学习模型属于神经网络.神经网络的历史可追述到上世纪四十年代,曾经在八九十年代流行.神经网络试图通过模拟大脑认知的机理,解决各种机器学习的问题.1986 年Rumelhart,Hinton 和Williams 在<自然>发表了著

hbase 学习(十二)集群间备份原理

集群建备份,它是master/slaves结构式的备份,由master推送,这样更容易跟踪现在备份到哪里了,况且region server是都有自己的WAL 和HLog日志,它就像mysql的主从备份结构一样,只有一个日志来跟踪.一个master集群可以向多个slave集群推送,收到推送的集群会覆盖它本地的edits日志. 这个备份操作是异步的,这意味着,有时候他们的连接可能是断开的,master的变化不会马上反应到slave当中.备份个格式在设计上是和mysql的statement-based

IOS学习:ios中的数据持久化初级(文件、xml、json、sqlite、CoreData)

IOS学习:ios中的数据持久化初级(文件.xml.json.sqlite.CoreData) 分类: ios开发学习2013-05-30 10:03 2316人阅读 评论(2) 收藏 举报 iOSXMLJSONSQLiteCoreData 一.文件操作 1.因为应用是在沙盒(Sandbox)中的,在文件读写权限上受到限制,只能在几个目录下读写文件: * Documents:应用中用户数据可以放在这里,iTunes备份和恢复的时候会包括此目录 * tmp:存放临时文件,iTunes不会备份和恢复

Java前辈:学习J2EE流程中的经验和教训

Java前辈:学习J2EE流程中的经验和教训 在这里我谈谈我在学习j2ee流程,并谈到在此过程中领会的经验和教训.以便后来者少走弯路. Java发展到现在,按应用来分主要分为三大块:J2SE,J2ME和J2EE.这三块相互补充,应用范围不同. J2SE就是Java2的标准版,主要用于桌面应用软件的编程: J2ME主要应用于嵌入是系统开发,如手机和PDA的编程: J2EE是Java2的企业版,主要用于分布式的网络程序的开发,如电子商务网站和ERP系统. 先学习j2se 要学习j2ee就要先学习j2

水平集方程的推导

body { font-family: 微软雅黑; font-size: 14pt; line-height: 1.5; } html, body { color: ; background-color: ; } h1 { font-size:1.5em; font-weight:bold; } h2 { font-size:1.4em; font-weight:bold; } h3 { font-size:1.3em; font-weight:bold; } h4 { font-size:1.