改进水平集模型的海岛边界快速分割方法研究

基于hsi空间彩色差的快速水平集分割方法

基于hsi空间彩色差的快速水平集分割方法新技术的发明为人类的发展提供了必要的技术支持，图像处理技术的发展也极大地改变了人类的生活。

基于HSI空间彩色差的快速水平集分割方法是一种常用的图像处理技术，它可以快速有效地提取彩色图像中的不同部分。

本文首先综述了基于HSI空间彩色差的快速水平集分割方法的原理，然后详细介绍了HSI空间彩色差法的核心步骤，提出了一种新颖的快速水平集分割框架，并分析了实验结果。

HSI空间彩色差是一种基于颜色的图像处理技术，其基本原理是根据图像中的像素的颜色来分割图像。

一般而言，彩色图像是由许多由不同颜色组成的像素组成的，而每个像素可以在HSI空间表示为一个三维向量。

因此，HSI空间彩色差法可以利用HSI空间中像素之间的色彩差异来对图像进行分割。

HSI空间彩色差法的核心步骤主要包括以下几个部分：首先，将输入的彩色图像从RGB颜色空间转换为HSI颜色空间，以获得更准确的颜色表示；其次，计算输入图像中每个像素的HSI三维向量，并生成HSI空间的特征密度图像；然后，根据HSI空间的特征密度图像，聚类计算图像中各像素的分类概率向量；最后，利用类间最大分类概率差异来进行分割，即可获得分割结果。

为了更好地展示基于HSI空间彩色差的快速水平集分割方法，本文提出了一种新颖的快速水平集分割框架，该框架根据HSI颜色模型将彩色图像转换为HSI特征图像，然后采用K-means算法进行聚类，以计算彩色图像中每个像素的分类概率向量，并利用类间最大概率差异来获得分割结果。

实验结果表明，本文提出的HSI空间彩色差快速水平集分割框架能够很好地适应彩色图像的变化，并在较短的计算时间内获得较高的分割效果，为实现彩色图像的有效分割提供了有效的技术支持。

综上所述，基于HSI空间彩色差的快速水平集分割方法无疑极大地改变了图像分割的效率，并为人们提供了更多的图像处理应用。

它不仅提供了一种有效的图像分割技术，还为大量的图像处理应用提供了有效的技术支持，从而使我们更好地实现我们的目标。

医学图像处理的特点和热点问题

EMP-MI
时间 25.1687 7.0401 11.6816 4.6163 36.6081 8.4328
成功率 94% 96% 90 % 92 % 75% 92%
5、目标分割
医学图像目标分割也是当前国际研究热点，是精确量化诊断的重要依据。
主要问题
分割类数不确定;分割精度不高，灰度归类算法没有考虑空间特性。
a.模板原始图像
b.平移伪影图像
c.能量聚焦法修正结果 d.逆向迭代修正结果
MR平移运动伪影消除
a、e为原始图像；b、f为模拟伪影图像；c、g为能量聚焦法修正的结果； d、h为自动逆向迭代法修正的结果
EF和IIC在信噪比和运行时间上的对比
方法
模板图像
头颅图像
腹部图像
信噪比 EF
（dB） IIC
FS与MI配准方法的误配率比较
方法 CT-MR PET-CT PET-MR
MI
20%
36%
44%
FS
5%
16%
22%
实验采用美国 Vanderbilt 大学 Retrospective Registration Evaluation Project （RREP）项目组提供的国际通用刚性配准图像数据，评估方式采用配准获得的结果与项目组已有的金标准进行比较。
主要问题
在重建过程中多线圈K空间数据共同参与成像，但是在数据采集过程中，个别位置的线圈数据常常容易遭到运动的破坏，从而对最终重建的复合图像产生巨大影响。
相应对策
提出了基于AM鲁棒估计的并行磁共振成像算法，有效消除了图像中产生的伪影，增加了图像细节分辨率。
工作基础
把破坏数据看成观测数据样本中的异常值，应用AM鲁棒估计方法可以很好地抑制异常值对数据集造成的影响。通过对多线圈并行采集的体模数据与真实脑部数据进行重建实验，结果显示该算法可以有效消除异常数据在重建图像中产生的伪影，有助于提高图像的细节分辩率。

一种快速保边的图像分割方法

Ｅｍａ：ｉｎｕ＠ｓ．ｔ．ｕａ — ｉｑａｙｎｔｘｕｄ．ｌｕｊｅｎ
ＱｔＮＹｕ，ＨＡＡｎＺＮＧｉｇｊ．ｇｅｍｅｔｔｎｍｅｈｄｆｒｓｅｄｎｐｃｎｅｇｎｅｎｄｅｐｅｅｖｎ．ｍｐｔｒＹｎ－ｉＩｅｓｇｎａｉｔｏｏｐｅｉｇｕｏｖｒｅｃａｄｅｇｒｓｒｉｇＣｏｕｅｅｍａｏ
理论【是利用闭合曲线或曲面变形的特定规律，义度量闭ｌＪ就定合曲线或曲面形变的能量函数，小化次能量函数可使闭合曲最
Ｅｇｅｒｎｎｐｉｔｎ，０７４（１：１５．ｎｉｅｉｇａｄＡｐｌａｉｓ２０，３１）５－３ｎｃｏＡｓｒｃ：Ａｍｒｖｄｉａｅｓｇｎａｏｔｏａｅｎｐｅｅｉ — ｍ０ｍｏｄＳａ（）ｍｏｅｉｐｏｏｅｎｔｉｂｔａｔｎｉｐｏｅｍｇｅｍｅｔｔｎｍｅｄｂｓｄｏｉｃｗｓｓｏｔＭｕｆｒ — ｈｈＭＳｉｈｅｈｄｌｓｒｓｄｉｈｓｐ
ｉｉｔｏｕｅｎｔａｆＵａｄ —ｆｒｅｇｐｅｅｉｇｉｄ１ｉａｌｉ ’ ｒｖｄｔａｈｓｅｔｏｏｎｙｏｅｃｍｅｓｎｒｄｃｄｉｓｅｄｏｎＵｏｄｅｒｓｒｎｎＭＳｍｏｅ．ｎｌｔＳｐｏｅｈｔｔｉｖＦｙ，ｎｗｍｅｈｄｎｔｏｌｖｒｏｓ

马尔科夫随机场mrf线性可变权重图像分割方法

分别表示图像的行和列ꎻ 分像素类别Ｌ＝
ＭＲＦ模型ꎬ应用在ＭＲＩ图像分割中 [１１] ꎻ刘光辉等人
{ ｓ＝ ( ｉꎬｊ ) １≤ｉ≤Ｈꎬ１≤Ｊ≤ＷꎬＩꎬＪꎬＨꎬＷ∈Ｉ } 是位置
起来进行医学图像分割 [１０] ꎻ Ａｈｍａｄｖａｎｄ等改进
{ λ ｉｉ＝１ꎬ２ꎬ３ꎬꎬｋ }ꎬ其中ｋ是分割区域数ꎻ Ｓ＝
定ꎮ 而且在根据经验选取势函数的值时ꎬ既费时又
费力ꎬ很难做到既保证边界细节又有良好的区域性ꎮ
对图像进行标号后ꎬ接下来我们介绍ＭＲＦ模
型是如何解决标号问题的ꎮ
因此本文引入变权重思想[１６] ꎬ来提高算法的实用性ꎮ
假设Ｘ＝ｘ与Ｙ＝ｙ相互独立ꎬ 提出ｘ＝
{ ｘｋ
｜ｋ＝１ꎬ２ꎬꎬｋ }ꎬ 表示Ｘ＝ｘ有ｋ个组成元素ꎬ
确ꎬ分割速度更快ꎮ
１基于ＭＲＦ模型的图像分割方法
我们假设Ｘ和Ｙ是二维平面上的随机场ꎬ其中
Ｘ＝ { ｘｉｉ＝１ꎬ２ꎬ３ꎬꎬＭ × Ｎ } 代表输入图像ꎬ Ｙ＝
{ ｙｉｉ＝１ꎬ２ꎬ３ꎬꎬＭ × Ｎ }代表标号场ꎬ 其中Ｍ和Ｎ
进行分割[９] ꎻ胡钦瑞等人将粗糙集与ＭＲＦ方法结合
( ｂ) 为二阶邻域系统 [１４] ꎮ
收稿日期:２０１８￣１０￣１７
基金项目:国家自然科学基金(５１３７５１３２) ꎻ山西省自然科学基金(２０１８０１Ｄ１２１１３４) 晋城市科技局资助项目(２０１５０１００４￣５)
作者简介:李慧(１９９０￣) ꎬ女ꎬ硕士研究生ꎬ研究方向为图形图像处理ꎻ通信作者:张荣国教授ꎬＥ￣ｍａｉｌ:ｒｇ＿ｚｈ＠１６３. ｃｏｍꎮ

一种改进的快速C-V水平集红外图像分割

ｎｉｈｏｐｃｎｏｍａｉｎｂｈｎｏｆｔｒｔｏｓｒｃｘｅｎｌｖｌｃｔｏｈｕｖｅｇｂｒｓａｅｉｆｒｔｙｔｅｗｉｄｗｉｅｏｃｎｔｕｔａｅｔｒａｅｏｉｙｆｒｔｅｃｒｅｏｌｅｏｕｉｎ，Ｓｈｔｔｅａｔ— ｏｓａａｉｔｓｅｈｎｅｎｅｕｄｎｏｔｕｓａｅｒｄｃｄｖｌｔｏＯｔａｈｎｉｎｉｅｃｐｂｌｙｉｎａｃｄａｄｒｄｎａｔｃｎｏｒｒｅｕｅ．ｉＴｈｍｐｏｅｌｏｉｈａｏｔａｔｌｖｌｓｔｂｓｄｏｗｏｌｔｏｒａｉｅｔｅｃｒｅｅｏｕｉｎ，ｅｉｒｖｄａｇｒｔｍｄｐｓｆｓｅｅｅａｅｎｔｉｓｔｅｌｈｕｖｖｌｔｏｓｚ
ｍｅｈｏｅｒｔｓｍａｙｒｄｕｄａｔｃｔｕｒ．Ｍｅｎｈｌｔｄｇｎｅａｅｎｅｎｎｏｎｏｓａｗｉｅ。ｔｅＣ— ｌｖｌｓｔｉｅｌｚｄｂｒｉｌｈＶｅｅｅｓｒａｉｅｙｐａｔａ
ｍｅｔｔｏｅｏｉ．Ｔｈｒｆｒ，ｔｉｐｐｒｐｏｏｅｎｉｒｖｄｆｓｌｏｉｈｎａｉｎｖｌｃｔｙｅｅｏｅｈｓａｅｒｐｓｓａｍｐｏｅａｔａｇｒｔｍ．Ｔｈｍｐｏｅｅｉｒｖｄ
第２卷第３５期 ቤተ መጻሕፍቲ ባይዱ
２１００年５月

基于AOS格式的水平集快速分割模型

图像处理中最关键的一步就是将包含各种信息的图像分割成具有某些特征的小成分，相对整幅图像来说，这种小成分更容易处理。因此，图像分割也成为图像处理中一个重要前奏。水平集方法
是由ＯｈｒＳｔｉ于１８ｓｅ和ｅａｈｎ９８年首次提出 … 。目
泰勒展开，格式是无条件稳定的，以加大时该可
（ｎｔｕｅｏｎｏｍａｉｎＥｇｎｅｉｇ，ＩｆｒｔｎＥｇｎｅｉｇＵｎｖｒｉＩｓｉｔｆＩｆｒｔｎｉｅｒｔｏｎｎｏｍａｉｎｉｅｒｎｉｅｓｔｏｙ，Ｚｅｇｈｕ４００Ｃｉａｈｎｚｏ５０２，ｈｎ）
Ａｂｔａｔ：ｎｔｓｐｐｒｓｒｃＩｈｉａｅ，ｗｅｐｅｅｔａｆｓｅｅｅｔｔｎｍｏｅｏＶｏｅ．Ｆｉｓ，ａｎｗｎｅｎｌｒｓｎａｔｓｇｍｎａｉｄｌｆｒＣ— ｍｄ１ｏｒｔｅｉｔｒａｅｅｇｓｉｔｏｕｅｈｔｆｒｅｈｅｅｅｕｎｔｏｏｂｌｓｏａｓｇｅｓａｃｕｃｉｎ，ｔｅｅｎｒｙｉｎｒｄｃｄｔａｏｃｓｔｅｌｖｌｓｔｆｃｉｎｔｅｃｏｅｔｉｎｄｄｉｔｎｅｆｎｔｏｈｒ— ｆｒｏｎｙｔｅｒ —ｎｔａｉａｉｎｐｏｅｕｅｉｏｌｔｌｌｍｉａｅｏｅｎｔｏｌｈｅｉｉｉｌｚｔｏｒｃｄｒｓｃｍｐｅｅｙｅｉｎｔｄ，ｂｔａｓｈｅｅｅｕｃｉｎｕｌｏｔｅｌｖｌｓｔｆｎｔｏｃｎｂｎｉａｉｅｔｅｅａｕｃｉｎ．Ｓｃｎａｅｉｔｌｄｗｉｈｇｎｒｌｆｎｔｓｉｚｏｅｏｄ，ｗｅｐｒｖｄａｔａｇｒｔｏｉｅａｆｓｌｏｉｈｍｓｎｈｅ —ｍｐｌｉｕｉｇｔｅｓｍｉｉｉｔｃ

基于变分水平集的目标轮廓分割方法

（中国航天空气动力技术研究院，北京１０００７４）
摘要：针对风洞试验摄影测量技术中标识点图像边缘模糊，难以快速、准确分割的难题，设计了一种基于变分水平集的
目标轮廓自动分割方法。分割模型根据图像域内零交叉曲线两侧二阶微分值符号相反的特性，构造了新的曲线演化引导函
ｔｒａｃｔａｂｌｅｂｏｕｎｄａｒｙｌｅａｋａｇｅｐｒｏｂｌｅｍ．Ｅｘｐｅｒｉｍｅｎｔｓｏｎｂｏｔｈｓｙｎｔｈｅｔｉｃａｎｄｔｈｅｒｅａｌｉｍａｇｅｏｆｗｉｎｄｔｕｎｎｅｌｍｏｄｅｌｄｅｍｏｎｓｔｒａｔｅｔｈｅｌｅａ — ｓｉｂｉｌｉｔｙａｎｄｓｕｐｅｒｉｏｒｉｔｙｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄ．
数，位于标识点内部、外部，甚至与标志点轮廓相交叉的初始曲线，在该引导项的指引下均可自动收敛到标识点边界处。
同时，模型中引入新的边界函数，解决了标识点弱边缘分割过程中演化曲线边界泄露的问题。在合成图像和实际风洞模型图像上的仿真实验结果表明了该方法的准确性与优越性。关键词：风洞试验；轮廓提取；零交叉；变分水平集；二阶微分；边界停止函数
Ａｂｓｔｒａｃｔ：Ｉｎｖｉｅｗｏｆｔｈｅｄｉｆｆｉｃｕｌｔｙｉｎａｃｃｕｒａｔｅｌｙａｎｄｆａｓｔｓｅｇｍｅｎｔａｔｉｏｎｏｆｌｏｗ－ｑｕａｌｉｔｙｍａｒｋｅｒｉｍａｇｅｔｈａｔｏｂｔａｉｎｅｄｉｎｗｉｎｄｔｕｎｎｅｌｔｅｓｔｗｉｔｈｐｈｏｔｏｇｒａｍｍｅｔｒｉｃｔｅｃｈｎｉｑｕｅ，ａｎｏｖｅｌａｕｔｏｍａｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｓｃｈｅｍｅｂａｓｅｄｏｎｖａｒｉａｔｉｏｎａｌｌｅｖｅｌｓｅｔｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｐｒｏｐｅｒｔｙｔｈａｔｔｈｅｓｉｇｎｏｆｔｈｅｓｅｃｏｎｄｄｅｒｉｖａｔｉｖｅｉｓｏｐｐｏｓｉｔｅｏｎｅｉｔｈｅｒｓｉｄｅｏｆｚｅｒｏ－ｃｒｏｓｓｉｎｇｃｕｒｖｅ，ａｃｕｒｖｅｅｖｏｌｕｔｉｏｎ

基于Chan-Vese水平集的梯度加速分割模型

ＯｈｒＳｔｉｌ在１８ｓｅ和ｅａ】９８年提出ｌｅｓｔｈｎｅｌｅ方法，当前演ｖ将化曲线作为零水平集嵌入一个高一维的水平集函数中。在演化过程中，零水平集始终代表当前演化曲线。而后，ｈ和ＣａｎＶｓ＿结合ｌｖｌｅ思想和ＭｕｆｄＳａ型提出ＣＶ水ｅｅ２ｅｅｓｔｍｏ．ｈｈ模ｒ —
基于Ｃａ — ｅｅ水平集的梯度加速分割模型ｈｎＶｓ
周小舟，张加万，孙济洲
（天津大学计算机科学与技术学院，天津３０７）００２
摘要：为了提高图像分割的速度和精度，出了一种新的基于Ｃａ — ｅｅ水平集模型（ — 提ｈｎＶｓＣＶ模型）的梯度加速
文献标志码：Ａ
文章编号：１１３９（０７１—１６００ —６５２０）００６ —３０
Ａｄａｃｄｇａｉｎｅｍｅｔｔｎｍｏｅｖｎｅｒｄｅｔｓｇｎａｉｄｌｏｂｓｄｏａ — ｓｅｅｅｔｏａｅｎＣｈｎＶｅｅｌｖｌｓｔｍｅｈｄ
ＺＵＸｉｏｚｏＨＯａｈｕ，ＺＨＡＮＧｉ－ａＪａｗｎ，ＳＳｉｃＴｃｎｌｙｉｕｕＵｉｒｔ，ｉｎ３０７Ｃｉ）Ｓｈｏｏｏｐｔｃｎｅ＆ｅｈｏｏ，ＴａｊｎｖｓｙＴａ００２，ｈｎｅｅｇｉｅｉａ
分割模型。首先，ＣＶ模型的能量函数中加入一个内部能量项，消演化过程中水平集函数和符号距离函数在 — 抵的偏差，而消除分割中周期性重新初始化的过程；次，出了梯度加速项，从其提通过感兴趣区域的图像特征，快速

基于hsi空间彩色差的快速水平集分割方法

基于hsi空间彩色差的快速水平集分割方法在图像分割领域，很多研究者使用不同的算法来提高图像分割的准确度和效率。

水平集分割（Horizontal Segmentation）技术是一种有效的分割技术，它能够根据像素的垂直灰度梯度来快速分割图像。

但是，传统的水平集分割方法很难应用于彩色图像，因为其灰度变化不明显。

因此，为了在彩色图像上实现高效的分割，研究者提出了基于HSI空间彩色差的快速水平集分割（Fast HSI-Based Horizontal Segmentation）方法。

HSI空间是一种颜色空间，它是根据空间位置，像素灰度和色度变化组成的RGB空间，其把图像颜色分解为色彩（hue），饱和度（saturation）和亮度（intensity）三个因素。

随着HSI颜色空间的不断发展，研究人员开始开发基于该空间的图像处理算法，以解决图像分割等计算机视觉问题。

基于HSI空间彩色差的快速水平集分割方法将像素的颜色分为两个类别：一个类的颜色是彩色的，一个类的颜色是灰度的。

利用这种分类，基于HSI空间彩色差的快速水平集分割方法能够利用HSI空间的彩色差来检测图像的水平线。

根据检测的水平线，可以实现快速的图像分割。

基于HSI空间彩色差的快速水平集分割法的具体实现步骤如下：首先，将图像转换为HSI空间，然后，对每个像素的HSI空间进行彩色差分析，以检测图像的水平线。

最后，通过检测的水平线实现快速的图像分割。

与传统的水平集分割方法相比，基于HSI空间彩色差的快速水平集分割方法具有若干优点：首先，它可以提高图像分割的准确性，可以帮助更好地提取图像轮廓；其次，它可以有效减少图像分割消耗的时间，更快地实现分割；最后，它可以有效应用于彩色图像，从而更好地提取特征。

因此，基于HSI空间彩色差的快速水平集分割方法是一种有效的图像分割方法，它可以提高图像分割的准确性和效率，有效地处理彩色图像，并减少分割消耗的时间。

另外，在实现该方法时，还可以结合其他图像分割算法，如K-Means聚类算法，以进一步提高图像分割的性能。

基于最大熵分割和区域生长的水岸线快速提取方法

基于最大熵分割和区域生长的水岸线快速提取方法Rapid extraction of waterline based on maximumentropy segmentation and regional growth 刘秀峰1，庹先国1,2，陆景1，刘婷婷1LIU Xiu-feng 1, TUO Xian-guo 1,2, LU Jing 1, LIU Ting-ting 1（1.西南科技大学信息工程学院，绵阳 621010；2.四川轻化工大学，自贡 643000）摘要：针对传统区域生长算法在水岸图像水岸线提取上时间开销大，鲁棒性不高的问题，提出一种基于最大熵分割和区域生长相结合的水岸线提取方法。

首先，将水岸图像转换为Lab颜色空间，并对其L分量进行最大熵分割；然后，通过形态学腐蚀和膨胀相结合的方法，消除水岸线附近部分前景像素过分割的影响，从二值图像水面区域提取得到初始生长区域；最后，在此基础上执行区域生长算法，提取最终生长区域轮廓得到水岸线。

通过对三组不同环境下采集到的水岸图像进行水岸线提取实验表明，该方法能有效提取到水岸图像的水岸线，并且鲁棒性较好，平均误差在5像素左右，时间开销平均仅为34ms。

关键词：水岸线提取；区域生长法；最大熵分割；无人艇中图分类号：TP391 文献标识码：A 文章编号：1009-0134(2021)06-0095-05收稿日期：2020-03-12基金项目：国家自然科学基金青年科学基金（41704175）；四川省科技厅重点研发（2019YFG0294）作者简介：刘秀峰（1993 -），男，四川成都人，硕士，研究方向为先进传感器与仪器仪表。

0 引言随着机器视觉的发展，越来越多的研究人员尝试将视觉传感器应用到无人艇的环境感知系统中[1]，利用视觉实现无人艇的目标检测与导航[2～4]。

在不同的应用方向对图像区域的关注点常常不同，例如，水面目标检测则更加关注水面情况。