基于水平集的新型彩色图像分割算法

doi:10.3724/SP.J.1087.2012.00749

计算机应用 ›› 2012, Vol. 32 ›› Issue (03): 749-751.DOI: 10.3724/SP.J.1087.2012.00749

基于水平集的新型彩色图像分割算法

陈沅涛^1,2,徐蔚鸿^1,2,吴佳英^1,2

1.南京理工大学计算机科学与技术学院,南京 210094;
2.长沙理工大学计算机与通信工程学院,长沙 410004

收稿日期:2011-08-18 修回日期:2011-12-08 发布日期:2012-03-01 出版日期:2012-03-01
通讯作者: 陈沅涛
作者简介:陈沅涛(1980-),男,湖南怀化人,讲师,博士研究生,主要研究方向:图像分割、图像识别;徐蔚鸿(1963-),男,湖南湘潭人,教授,博士生导师,博士,主要研究方向:模糊理论、模糊逻辑;吴佳英(1977-),女,湖南桃江人,副教授,博士研究生,主要研究方向:无线传感器网络、模式识别。
基金资助:
湖南省教育厅科研基金资助项目(11C0043,11C0035);湖南省科技计划基金资助项目(2011GK3086,2011SK3079);长沙市科技局基金资助重点项目(K1104022-11)。

New colorful images segmentation algorithm based on level set

CHEN Yuan-tao^1,2, XU Wei-hong^1,2, WU Jia-ying^1,2

1.School of Computer Science and Technology, Nanjing University of Science and Technology, Nanjing Jiangsu 210094, China;
2.School of Computer and Communication Engineering, Changsha University of Science and Technology, Changsha Hunan 410004, China

Received:2011-08-18 Revised:2011-12-08 Online:2012-03-01 Published:2012-03-01

摘要/Abstract

摘要： 由于考虑的泛函变分形式是非凸性质,向量值图像分割模型的计算结果经常会陷入局部最小值。基于活动轮廓的向量值图像的全局图像分割方法,以新型变分形式将向量值图像分割和图像去噪融入具有全局极小能力泛函框架中。新模型具有容易构造和较少计算量的特点,对比经典的水平集方法,可以避免繁琐的距离重复化水平集过程。通过对人工图像和真实图像进行分析,验证新方法具有更好的图像分割效果。

关键词: 活动轮廓, 局部极小值, 全局极小值, 向量值图像, 图像分割

Abstract: Since the functional form in consideration is of non-convex variational nature, the calculation results of the image segmentation model often fall into local minimum. Based on the global vector-valued image segmentation of active contour, the global vector-valued image segmentation and image denoising were integrated in a new variational form within the framework of global minimum. The new model was easy to construct and of less computation. Compared to the classical level set method, tedious repetition of the level set could be avoided. With the analyses on artificial images and real images, the new method is verified to have better segmentation results.

Key words: active contour, local minimum, global minimum, vector-valued image, image segmentation

中图分类号:

TP391.413

陈沅涛徐蔚鸿吴佳英. 基于水平集的新型彩色图像分割算法[J]. 计算机应用, 2012, 32(03): 749-751.

CHEN Yuan-tao XU Wei-hong WU Jia-ying. New colorful images segmentation algorithm based on level set[J]. Journal of Computer Applications, 2012, 32(03): 749-751.

参考文献

[1]VESE L A, CHAN T F. A multiphase level set framework for image segmentation using the Mumford and Shah model[J]. International Journal of Computer Vision, 2002, 50(3): 271-293.

[2]CASELLES V, KIMMEL R, SAPIRO G. Geodesic active contours[J]. International Journal of Computer Vision, 1997, 22(1): 61-79.

[3]HARALICK R M, SHAPIRO L G. Survey: Image segmentation techniques[J]. Computer Vision, Graphics, and Image Processing, 1985, 29(1):100-112.

[4]BRESSON X, FSEDOGLU S, OSHER S. Fast global minimization of the active contour/snake model[J]. Journal of Mathematical Imaging and Vision, 2007, 28(2): 151-167.

[5]AMERINI I, BALLAN L, CALDELLI R, et al. Geometric tampering estimation by means of a SIFT-based forensic analysis [C]// Proceedings of IEEE International Conference on Acoustics, Speech and Signal Processing. Piscataway, NJ: IEEE Press, 2010: 1702-1705.

[6]AYED I B. Unsupervised variational image segmentation/classification using a Weibull observation model[J]. IEEE Transactions on Image Processing, 2006, 11(15): 3431-3439.

[7]SAPIRO G, ALTO P. Vector-valued active contours[C]// Proceedings of CVPR'96. Piscataway, NJ: IEEE Press, 1996: 680-685.

[8]SAPIRO G. Color snakes[J]. Computer Vision and Image Understanding, 1997, 68(2): 247-253.

[9]CHAN T F, SANDBERG B Y, VESE L A. Active contours without edges for vector-valued images[J]. Journal of Visual Communication and Image Representation, 2000, 11(2): 130-141.

[10]AUJOL J F, GILBOA G, CHAN T, et al. Structure-texture image decomposition — modeling, algorithms, and parameter selection[J]. International Journal of Computer Vision, 2006, 67(1): 55-92.

[11]高尚兵, 严云洋. 基于期望最大化的水平集分割算法[J]. 计算机工程与设计, 2011, 32(7): 2436-2438.

[12]肖春霞, 初雨, 张青. 高斯混合函数区域匹配引导的Level Set纹理图像分割[J]. 计算机学报, 2010, 33(7): 1295-1304.

[13]王琳娟, 汪西莉. 一种基于区域竞争的水平集快速图像分割算法[J]. 计算机应用, 2008, 28(10): 2628-2632.

[14]王怡, 周明全, 耿国华. 基于简化Mumford-Shah模型的水平集图像分割算法[J]. 计算机应用, 2006, 26(8): 1848-1850.

[15]杨勇, 徐春, 潘伟民. 基于区域GAC模型的二值化水平集图像分割算法[J]. 计算机应用, 2009, 29(9): 2414-2417.

基于水平集的新型彩色图像分割算法

New colorful images segmentation algorithm based on level set

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

[1]	杨瑞, 钱晓军, 孙振强, 许振. 自然场景下多区域特征融合的混合航拍图像分割算法[J]. 计算机应用, 2021, 41(8): 2445-2452.
[2]	黄梨, 卢龙. 基于长距离依赖编码与深度残差U-Net的缺血性卒中病灶分割[J]. 计算机应用, 2021, 41(6): 1820-1827.
[3]	沈雪雯, 王晓东, 姚宇. 基于空间分频的超声图像分割注意力网络[J]. 计算机应用, 2021, 41(6): 1828-1835.
[4]	董阳, 潘海为, 崔倩娜, 边晓菲, 滕腾, 王邦菊. 面向多模态磁共振脑瘤图像的小样本分割方法[J]. 计算机应用, 2021, 41(4): 1049-1054.
[5]	罗琴, 王艳. 无需初始轮廓的图像分割模型[J]. 计算机应用, 2021, 41(4): 1179-1183.
[6]	胡屹杉, 秦品乐, 曾建潮, 柴锐, 王丽芳. 基于特征融合和动态多尺度空洞卷积的超声甲状腺分割网络[J]. 计算机应用, 2021, 41(3): 891-897.
[7]	袁芊芊, 邓洪敏, 王晓航. 基于超像素快速模糊C均值聚类与支持向量机的柑橘病虫害区域分割[J]. 计算机应用, 2021, 41(2): 563-570.
[8]	原泉, 王艳, 李玉先. 距离保持水平集演化模型的快速实现算法[J]. 计算机应用, 2020, 40(9): 2743-2747.
[9]	高海军, 曾祥银, 潘大志, 郑伯川. 基于U-Net改进模型的直肠肿瘤分割方法[J]. 计算机应用, 2020, 40(8): 2392-2397.
[10]	吴崇数, 林霖, 薛蕴菁, 时鹏. 基于自监督学习的病理图像层次分割[J]. 计算机应用, 2020, 40(6): 1856-1862.
[11]	张一飞, 李新福, 田学东. 基于图像分割的立体匹配算法[J]. 计算机应用, 2020, 40(5): 1415-1420.
[12]	曾招鑫, 刘俊. 基于深度学习的秀丽隐杆线虫显微图像分割方法[J]. 计算机应用, 2020, 40(5): 1453-1459.
[13]	魏小娜, 邢嘉祺, 王振宇, 王颖珊, 石洁, 赵地, 汪红志. 基于改进U-Net的关节滑膜磁共振图像的分割[J]. 计算机应用, 2020, 40(11): 3340-3345.
[14]	冯涛, 陈斌, 张跃飞. 基于改进的Mask R-CNN的染色体图像分割框架[J]. 计算机应用, 2020, 40(11): 3332-3339.
[15]	张泽林, 徐军. 基于条件生成对抗网络的乳腺上皮和间质区域自动分割[J]. 计算机应用, 2020, 40(10): 2910-2916.