CN103208116A - 基于邻域信息的模糊主动轮廓模型的灰度非均匀图像分割方法 - Google Patents

基于邻域信息的模糊主动轮廓模型的灰度非均匀图像分割方法 Download PDF

Info

Publication number
CN103208116A
CN103208116A CN2013100898053A CN201310089805A CN103208116A CN 103208116 A CN103208116 A CN 103208116A CN 2013100898053 A CN2013100898053 A CN 2013100898053A CN 201310089805 A CN201310089805 A CN 201310089805A CN 103208116 A CN103208116 A CN 103208116A
Authority
CN
China
Prior art keywords
image
membership
degree
segmentation
pixel
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
CN2013100898053A
Other languages
English (en)
Inventor
雷雨
公茂果
梁艳
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
Kunshan Innovation Institute of Xidian University
Original Assignee
Xidian University
Kunshan Innovation Institute of 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, Kunshan Innovation Institute of Xidian University filed Critical Xidian University
Priority to CN2013100898053A priority Critical patent/CN103208116A/zh
Publication of CN103208116A publication Critical patent/CN103208116A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开一种基于邻域信息的模糊主动轮廓模型的灰度非均匀图像分割方法，主要解决现有分割结果不稳定的问题。其实现步骤为：(1)设给定运行参数，设定算法终止条件；(2)输入图像，对其进行初始化；(3)计算平均灰度值；(4)更新所有像素点的隶属度值；(5)判断是否达到终止条件，未达到则返回步骤(3)；否则，输出分割结果图。本发明分割结果准确、稳定的优点，可用于图像增强、模式识别、目标跟踪等技术领域中。

Description

基于邻域信息的模糊主动轮廓模型的灰度非均匀图像分割方法
技术领域
本发明属于图像处理技术领域，涉及图像分割，可用于图像增强、模式识别、目标跟踪等技术领域中。
背景技术
图像分割是一种基本的计算机视觉技术，是由图像处理到图像分析的关键步骤。由于成像过程中受各种因素的影响，图像自身存在着许多不确定性和不精确性的问题。而模糊理论方法对于图像的这种不确定性有很好的描述能力，因而近年来基于模糊方法的图像分割算法得到了广泛的应用与研究。
在数十年的研究过程中，图像分割技术的研究一直备受关注。众多研究人员对其进行了广泛的研究提出了大量的图像分割方法。而常见的图像分割方法主要有基于边缘检测的分割方法、基于阈值的分割方法、基于区域的分割方法以及结合特定理论工具的分割方法。 
边缘信息是图像信息中最基本的特征信息，它是指图像周围像素灰度值阶跃性变化的像素集合，表征着图像像素特征值的突变，如灰度值的突变、纹理的突变和颜色的突变等。基于边缘检测的分割方法就是利用图像这些突变性的特点来检测不同匀质区域间的边界来实现图像分割。经典的边缘检测方法是利用像素邻域区域的灰度阶跃变化敏感的差分算子和边缘临近一阶或二阶导数的变化规律来判断边缘点，也称边缘检测局部算子法。比较经典的边缘检测算子有Sobel算子，Robert算子，Laplacian算子， Prewitt算子等。 
阈值分割法是一种简单的基于区域的分割技术，理解简单且易于实现，常作为图像的预处理方法。然而现存的大部分阈值分割算法都集中在对阈值确定的研究上。常见的阈值分割方法根据图像整体与局部的灰度信息，可以分为单阈值分割方法和多阈值分割方法。若根据分割算法所有的特征或准则，还可以分为最大类空间方差法、最小误差法与均匀化误差法、直方图与直方图变换法、简单统计法与局部特性法、共生矩阵法、概率松驰法、最大熵法、模糊集法、基于过渡区的阈值选取法、特征空间聚类法等。 
区域分割就是将图像中已知的相似特征作为判据，直接获得图像的感兴趣区域。基于区域的分割方法的基本思想把具有相似性质的像素集合起来构成最终的分割区域。它利用了图像的局部空间信息，可以有效的克服其它方法存在的图像分割空间不连续的缺点，但是它的不足是通常会造成图像的过度分割。常用的区域分割方法有区域生长法、***和合并算法等。区域生长法即就是在但分割的图像区域中找到一个像素作为生长点，再依据某种规则或相似性准则将该像素周围的邻域像素划分为同一个区域内。但该算法不易操作其关键参数难以设置。
图像分割技术发展至今，尚无通用的自身理论。但随着近年科学技术的发展，各个学科许多新理论和新方法的提出，研究人员将许多特定理论方法与已有的分割技术相结合，提出了许多新的分割算法。其中包括基于模糊聚类的，基于数学形态学的，基于人工神经网络的，基于遗传算法的图像分割方法以及基于小波分析和变换的分割技术。这些新算法与技术不但丰富图像分割技术的理论体系，同时也对跨学科的交叉研究有着重要的意义。
在实际应用中，由于照度不均、成像设备固有的缺陷等因素的影响，图像灰度不均匀现象经常发生，在医学图像中尤为严重。但是Chan-Vese模型（C-V模型）和模糊主动轮廓模型(FAC模型)都只是利用了图像的全局信息。靠仅利用图像全局信息的主动轮廓模型分离目标和背景是不能完全克服图像灰度不均匀的问题。因而，图像灰度不均匀现象给图像分割问题带来了严峻的挑战，也阻碍了医疗领域计算机辅助诊断。
发明内容
 本发明的目的在于克服上述已有技术的不足，提出一种基于邻域信息的模糊主动轮廓模型的灰度非均匀图像分割方法，以实现在对于灰度不均匀图像分割中既能得到良好的结果，使得图像聚类分割结果更稳定、边缘更平滑、区域一致性更好。
本发明的技术方案是将引入高斯核函数来控制邻域窗口的作用范围，充分利用灰度不均匀图像的局部统计信息，改进模糊主动轮廓模型的能量泛函形式为
其中，
Figure 740692DEST_PATH_IMAGE002
、 和 
Figure 118901DEST_PATH_IMAGE004
 是曲线演化参数， 和 
Figure 942686DEST_PATH_IMAGE004
通常设定为1；通常设定值为0。 为待分割图像的灰度值；
Figure 936553DEST_PATH_IMAGE006
 和 
Figure 195496DEST_PATH_IMAGE007
 也表示轮廓线区域以内和区域以外的两个平均灰度值，是针对以像素点
Figure 621929DEST_PATH_IMAGE005
为中心的邻域区域而言，每个邻域区域都是用高斯核函数来控制其作用范围的大小；
Figure 811471DEST_PATH_IMAGE008
表示被分割图像每个像素点对应的隶属度值； 表示为规则化项，用于规整演化曲线C。通过求解能量泛函对应的Euler-Lagrange方程来实现能量最小化 ，得到新的图像分割方法。其具体实现过程如下：
(1). 设定曲线演化的终止条件e为10-10，设定总的迭代次数N为100、曲线演化参数
Figure 436804DEST_PATH_IMAGE002
、和
Figure 340837DEST_PATH_IMAGE011
，一般情况下设
Figure 905679DEST_PATH_IMAGE012
，
Figure 444108DEST_PATH_IMAGE013
；
(2). 输入待分割图像，以隶属度为界，初始每个像素点的隶属度值，确定一个初始轮廓，进而进行下一步的曲线演化；
(3).利用公式
Figure 438794DEST_PATH_IMAGE015
和
Figure 874455DEST_PATH_IMAGE016
，计算每个像素点
Figure 380523DEST_PATH_IMAGE017
的邻域区域内初始轮廓线区域以内和区域以外的两个平均灰度值
Figure 783691DEST_PATH_IMAGE006
和
Figure 666196DEST_PATH_IMAGE007
，其中，x为当前像素点，y为邻域像素点
Figure 956363DEST_PATH_IMAGE018
是用于计算邻域窗体内每个邻域像素点在邻域窗内的作用系数；
(4). 假设某一像素点
Figure 633332DEST_PATH_IMAGE005
当前的像素值为
Figure 261147DEST_PATH_IMAGE019
，相应的隶属度值为
Figure 947344DEST_PATH_IMAGE020
，根据公式
Figure 92017DEST_PATH_IMAGE021
计算得到的当前像素点新的隶属度
Figure 392417DEST_PATH_IMAGE022
，根据公式
Figure 317648DEST_PATH_IMAGE023
计算更新隶属度后的能量泛函与更新前的能量泛函的差值
Figure 541956DEST_PATH_IMAGE024
，若差值，则用新计算得到的隶属度
Figure 91066DEST_PATH_IMAGE022
替换当前的隶属度
Figure 424964DEST_PATH_IMAGE020
，若差值
Figure 452963DEST_PATH_IMAGE026
，则保持当前的隶属度
Figure 572229DEST_PATH_IMAGE020
不变，
Figure 27481DEST_PATH_IMAGE010
 和 
Figure 114255DEST_PATH_IMAGE011
 是曲线演化参数，
Figure 680365DEST_PATH_IMAGE027
，
Figure 654137DEST_PATH_IMAGE028
，
Figure 280291DEST_PATH_IMAGE006
和
Figure 585851DEST_PATH_IMAGE007
分别是邻域区域内演化曲线C内部和外部的图像灰度均值，用雅克比(Jacobi)迭代的方法重复以上步骤，从图像的第一个像素点遍历到最后一个像素点，完成所有点的隶属度更新；
(5). 判断是否达到终止条件，将当前新的聚类与上次聚类相比，求取聚类误差的变化率，若该变化率未达到聚类终止条件e，其中e为10-10，返回步骤(3)，否则，将当前次聚类结果作为最终聚类结果，进行步骤(6)； 
(6). 由待处理数据的最终聚类结果得到待分割图像的分割结果，并将分割结果图输出。
本发明与现有的技术相比具有以下优点：
本发明利用了待分割图像的局部信息，能够克服目标背景和背景的灰度不均匀的问题，对于灰度不均匀的图像进行分割，能获得清晰、准确的分割结果，提高图像分割的准确性和效率。
附图说明
图1是本发明实现步骤的流程框图；
图2是131×103的待分割医学血管图像；
图3是用本发明方法对图2进行图像分割得到的仿真实验结果图；
图4是用现有的距离正则水平集进化（DRLSE）算法对图2进行图像分割得到的仿真实验结果图；
图5是用现有的模糊主动轮廓模型(FAC模型)算法对图2进行图像分割得到的仿真实验结果图；
图6是用现有的Chan-Vese模型（C-V模型）算法对图2进行图像分割得到的仿真实验结果图。
具体实施方式
参照图1，本发明的具体实现步骤如下：
步骤1、给定运行参数，设定算法终止条件。
设定曲线演化的终止条件e，给定总的迭代次数N、曲线演化参数
Figure 955653DEST_PATH_IMAGE002
、
Figure 111828DEST_PATH_IMAGE003
 和 
Figure 846566DEST_PATH_IMAGE004
。所述的终止条件e采用在连续两次迭代中能量误差都没有明显改善时终止的方法，e设为10-10。依据实际需求，这里总的迭代次数N设定为100，足以满足能量最小化而收敛。
Figure 455401DEST_PATH_IMAGE002
、
Figure 550265DEST_PATH_IMAGE003
和
Figure 560947DEST_PATH_IMAGE004
是曲线演化参数，
Figure 466586DEST_PATH_IMAGE002
、
Figure 562718DEST_PATH_IMAGE010
和
Figure 461272DEST_PATH_IMAGE011
是取值为正的常数，一般情况下可固定
Figure 592040DEST_PATH_IMAGE029
，
Figure 668580DEST_PATH_IMAGE002
通常设定值为0。
步骤2、输入图像，对其进行初始化。
输入待分割图像，以隶属度
Figure 986429DEST_PATH_IMAGE014
为界，初始每个像素点的隶属度值，确定一个初始轮廓，进而进行下一步的曲线演化。
步骤3、计算平均灰度值。
利用公式
Figure 688674DEST_PATH_IMAGE015
和公式
Figure 673948DEST_PATH_IMAGE016
，计算每个像素点
Figure 983707DEST_PATH_IMAGE017
的邻域区域内初始轮廓线区域以内和区域以外的两个平均灰度值
Figure 726535DEST_PATH_IMAGE006
和
Figure 779941DEST_PATH_IMAGE007
，其中，x为当前像素点，y为邻域像素点
Figure 2013100898053100002809602DEST_PATH_IMAGE018
是用于计算邻域窗体内每个邻域像素点在邻域窗内的作用系数。
步骤4、更新所有像素点的隶属度值。
假设某一像素点
Figure 290262DEST_PATH_IMAGE005
当前的像素值为
Figure 785965DEST_PATH_IMAGE019
，相应的隶属度值为
Figure 377483DEST_PATH_IMAGE020
，根据公式计算得到的当前像素点新的隶属度
Figure 175861DEST_PATH_IMAGE022
，然后公式
Figure 955598DEST_PATH_IMAGE023
计算更新隶属度后的能量泛函与更新前的能量泛函的差值
Figure 288491DEST_PATH_IMAGE024
。若差值，则用新计算得到的隶属度
Figure 112276DEST_PATH_IMAGE022
替换当前的隶属度
Figure 379309DEST_PATH_IMAGE020
，若差值
Figure 515893DEST_PATH_IMAGE026
，则保持当前的隶属度
Figure 184771DEST_PATH_IMAGE020
不变，
Figure 365086DEST_PATH_IMAGE010
 和 
Figure 119415DEST_PATH_IMAGE011
 是曲线演化参数，
Figure 59689DEST_PATH_IMAGE027
，
Figure 583075DEST_PATH_IMAGE028
，
Figure 954798DEST_PATH_IMAGE006
和
Figure 196424DEST_PATH_IMAGE007
分别是邻域区域内演化曲线C内部和外部的图像灰度均值，用雅克比(Jacobi)迭代的方法重复以上步骤，从图像的第一个像素点遍历到最后一个像素点，完成所有点的隶属度更新。 
步骤5、判断是否达到终止条件。
将当前新的聚类与上次聚类相比，求取聚类误差的变化率，若该变化率未达到聚类终止条件e，其中e为10-10，返回步骤(3)，否则，将当前次聚类结果作为最终聚类结果，进行步骤(6)。
步骤6、由待处理数据的最终聚类结果得到待分割图像的分割结果，并将分割结果图输出。
本发明的效果可通过以下仿真进一步说明：
1．仿真条件及仿真内容：
本实例在Intel(R) Core(TM)2 Duo CPU 2.33GHz Windows XP***下，Matlab7.0运行平台上，完成本发明以及距离正则化水平集进化（DRLSE算法），模糊信息的主动轮廓模型(FAC模型) 和Chan-Vese模型（C-V模型）的图像分割仿真实验。
．仿真实验内容
A. 本发明图像分割方法的仿真
将本发明应用在如图2所示131×103的医学血管图像上，该医学血管图像可以大致分为肌肉组织和血管组织。图3为用本发明方法对图2进行图像分割得到的仿真实验结果图，红色线条包围区域内为血管组织，红色线条包围区域***肌肉组织。 
B. 现有DRLSE算法，FAC模型和C-V模型图像分割方法的仿真
将现有的DRLSE方法应用在如图2所示131×103的医学血管图像上，仿真实验结果如图4所示，其中红色线条包围区域内为血管组织，红色线条包围区域***肌肉组织。
将现有的FAC模型方法应用在如图2所示131×103的医学血管图像上，仿真实验结果如图5所示，其中红色线条包围区域内为血管组织，红色线条包围区域***肌肉组织。
将现有的C-V模型法应用在如图2所示131×103的医学血管图像上，仿真实验结果如图6所示，其中红色线条包围区域内为血管组织，红色线条包围区域***肌肉组织。
．仿真实验结果
从图3可以看出，本发明得到的仿真实验结果有较好的主观视觉效果，错误分割出现较少，边缘平滑清晰，区域一致性高，能够很好的检测出所有的血管区域。
从图4可以看出，现有的DRLSE方法得到的仿真实验结果主观视觉效果较差，错误分割严重，算法不能检测到血管在左下角的影像，算法不能得到了令人满意的分割结果。
从图5可以看出，现有用FAC模型方法得到的仿真实验结果主观视觉效果较差，错误分割较为严重，边缘不够平滑准确, 算法不能检测到血管在左下角的影像，算法不能得到了令人满意的分割结果。
从图6可以看出，现有用C-V模型方法仿真实验结果主观视觉效果较差，虽然此方法基本检测出所有的血管区域，但与本发明得到的仿真实验结果相比，错误分割较为严重，边缘不够平滑准确。
由以上的仿真实验可以说明，针对图像的分割，本发明存在一定的优势，克服了现有DRLSE算法，FAC模型和C-V模型分割技术应用在图像分割上的不足，不论是视觉效果还是分割时间，本发明均优于现有的DRLSE算法，FAC模型和C-V模型分割技术。
综上所述，本发明针对图像的分割效果明显优于现有DRLSE算法，FAC模型和C-V模型分割技术对图像的分割效果。

Claims (1)

1.一种基于邻域信息的模糊主动轮廓模型的灰度非均匀图像分割方法，包括如下步骤：
设定曲线演化的终止条件e为10-10，设定总的迭代次数N为100、曲线演化参数                                                
Figure 512975DEST_PATH_IMAGE001
、
Figure 927776DEST_PATH_IMAGE002
和
Figure 870324DEST_PATH_IMAGE003
，设
Figure 370576DEST_PATH_IMAGE004
，
Figure 791193DEST_PATH_IMAGE005
；
输入待分割图像，以隶属度为界，初始每个像素点的隶属度值，确定一个初始轮廓，进而进行下一步的曲线演化；
(3).利用求解能量泛函对应的Euler-Lagrange方程，计算每个象素点I 邻域区域内的初始轮廓线以内和以外的两个平均灰度值
Figure 427076DEST_PATH_IMAGE008
和
Figure 651384DEST_PATH_IMAGE009
，其中， C为规整演化曲线，
Figure 712881DEST_PATH_IMAGE010
为隶属度值， x为当前像素点；
假设某一像素点
Figure 59549DEST_PATH_IMAGE011
当前的像素值为
Figure 472076DEST_PATH_IMAGE012
，相应的隶属度值为
Figure 562392DEST_PATH_IMAGE013
，根据隶属度更新公式计算得到的当前像素点新的隶属度
Figure 743974DEST_PATH_IMAGE014
，根据公式
Figure 998894DEST_PATH_IMAGE015
计算更新隶属度后的能量泛函与更新前的能量泛函的差值
Figure 898717DEST_PATH_IMAGE016
，若差值
Figure 464827DEST_PATH_IMAGE017
，则用新计算得到的隶属度
Figure 828812DEST_PATH_IMAGE014
替换当前的隶属度
Figure 189386DEST_PATH_IMAGE013
，若差值
Figure 638822DEST_PATH_IMAGE018
，则保持当前的隶属度不变，
Figure 961536DEST_PATH_IMAGE002
 和  是曲线演化参数，，
Figure 665553DEST_PATH_IMAGE020
，和
Figure 644190DEST_PATH_IMAGE009
分别是邻域区域内演化曲线C内部和外部的图像灰度均值，用雅克比(Jacobi)迭代的方法重复以上步骤，从图像的第一个像素点遍历到最后一个像素点，完成所有点的隶属度更新；
判断是否达到终止条件，将当前新的聚类与上次聚类相比，求取聚类误差的变化率，若该变化率未达到聚类终止条件e，其中e为10-10，返回步骤(3)，否则，将当前次聚类结果作为最终聚类结果，进行步骤(6)； 
由待处理数据的最终聚类结果得到待分割图像的分割结果，并将分割结果图输出。
CN2013100898053A 2013-03-20 2013-03-20 基于邻域信息的模糊主动轮廓模型的灰度非均匀图像分割方法 Pending CN103208116A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2013100898053A CN103208116A (zh) 2013-03-20 2013-03-20 基于邻域信息的模糊主动轮廓模型的灰度非均匀图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2013100898053A CN103208116A (zh) 2013-03-20 2013-03-20 基于邻域信息的模糊主动轮廓模型的灰度非均匀图像分割方法

Publications (1)

Publication Number Publication Date
CN103208116A true CN103208116A (zh) 2013-07-17

Family

ID=48755331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2013100898053A Pending CN103208116A (zh) 2013-03-20 2013-03-20 基于邻域信息的模糊主动轮廓模型的灰度非均匀图像分割方法

Country Status (1)

Country Link
CN (1) CN103208116A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544698A (zh) * 2013-09-30 2014-01-29 江南大学 基于模糊能量主动轮廓模型的高光谱图像分割方法
CN111311525A (zh) * 2019-11-20 2020-06-19 重庆邮电大学 一种基于直方图概率修正的图像梯度场双区间均衡化算法
CN111582198A (zh) * 2020-05-12 2020-08-25 中国电子科技集团公司第二十八研究所 一种遥感图像海陆自动分割方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493942A (zh) * 2009-02-26 2009-07-29 上海交通大学 基于空间矩的水平集图像分割方法
CN102354396A (zh) * 2011-09-23 2012-02-15 清华大学深圳研究生院 基于水平集函数的灰度不均匀图像分割方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101493942A (zh) * 2009-02-26 2009-07-29 上海交通大学 基于空间矩的水平集图像分割方法
CN102354396A (zh) * 2011-09-23 2012-02-15 清华大学深圳研究生院 基于水平集函数的灰度不均匀图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CESAR LIMA PEREIRA ET AL.: "Fuzzy Active Countour Models", 《2011 IEEE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS》 *
KUO-KAI SHYU ET AL.: "Global and local fuzzy energy-based active contours for image segmentation", 《NONLINEAR DYNAMICS》 *
李秀等: "局部活动轮廓模型对灰度不均匀图像的分割", 《科技通报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544698A (zh) * 2013-09-30 2014-01-29 江南大学 基于模糊能量主动轮廓模型的高光谱图像分割方法
CN111311525A (zh) * 2019-11-20 2020-06-19 重庆邮电大学 一种基于直方图概率修正的图像梯度场双区间均衡化算法
CN111582198A (zh) * 2020-05-12 2020-08-25 中国电子科技集团公司第二十八研究所 一种遥感图像海陆自动分割方法
CN111582198B (zh) * 2020-05-12 2022-10-04 中国电子科技集团公司第二十八研究所 一种遥感图像海陆自动分割方法

Similar Documents

Publication Publication Date Title
US10096108B2 (en) Medical image segmentation method and apparatus
US10420523B2 (en) Adaptive local window-based methods for characterizing features of interest in digital images and systems for practicing same
CN103714536B (zh) 基于稀疏表示的多模态磁共振图像的分割方法及装置
US8908948B2 (en) Method for brain tumor segmentation in multi-parametric image based on statistical information and multi-scale structure information
CN107633522B (zh) 基于局部相似性活动轮廓模型的脑部图像分割方法和***
CN105389811B (zh) 一种基于多级阈值分割的多模态医学图像处理方法
CN104933709B (zh) 基于先验信息的随机游走ct肺组织图像自动分割方法
CN109102511B (zh) 一种脑血管分割方法、***及电子设备
CN102135606B (zh) 一种基于knn分类算法的mr图像灰度不均匀性校正分割方法
CN104657936A (zh) 用于调整深度值的方法、电子装置和介质
CN111932552B (zh) 一种主动脉建模的方法及装置
Abdelsamea et al. A SOM-based Chan–Vese model for unsupervised image segmentation
Nie et al. Two-dimensional extension of variance-based thresholding for image segmentation
Liu et al. Automatic segmentation of brain MR images using an adaptive balloon snake model with fuzzy classification
Li et al. A novel automatically initialized level set approach based on region correlation for lumbar vertebrae CT image segmentation
CN103208116A (zh) 基于邻域信息的模糊主动轮廓模型的灰度非均匀图像分割方法
CN108898611A (zh) 基于显著感知先验的模糊区域活动轮廓分割模型
Tian et al. A flexible 3D cerebrovascular extraction from TOF-MRA images
Li et al. Fast and robust active contours model for image segmentation
Chen et al. A modified graph cuts image segmentation algorithm with adaptive shape constraints and its application to computed tomography images
Wang et al. Automatic Segmentation of Optic Disc and Cup in Retinal Fundus Images Using Improved Two‐Layer Level Set Method
CN103049913A (zh) 脑部磁共振血管造影数据的分割方法及装置
CN111862125A (zh) 一种轮廓分割方法、装置及计算机可读存储介质
CN114596320A (zh) 一种基于alslcv模型的图像分割方法及装置
Arora et al. Noise adaptive FCM algorithm for segmentation of MRI brain images using local and non-local spatial information

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20130717