摘要：为了实现对矢量图像快速有效的分割,在分析矢量图像颜色、空间信息和水平集函数特性的基础上,对主动轮廓分割模型进行了改进,提出一种免重新初始化的矢量图像分割模型.在C-V(Chan-Vese)模型中引入了非线性热方程的符号距离函数的约束项,通过对非线性热方程传导率的均衡化使水平集函数始终保持符号距离函数的特性,完全取消比较耗时的重新初始化过程;改进了曲线二维梯度和散度算子传统离散化方式,使梯度和散度算子保持空间旋转不变性.实验结果表明,改进模型快速有效,对噪声和弱边缘有很好的鲁棒性.

摘要：基于一个与传统Snakes方法能量函数等价的目标优化函数,变分得到Snakes的水平集形式.该形式具备清晰的几何物理意义:一方面,演化速度自适应于图像内容,并在理论上精确达到零,给出了Snakes曲线在边缘位置停止演化的理由;另一方面,演化方向自适应于图像内容,揭示了Snakes的初始曲线不用设定演化方向而水平集需要设定的原因.文中结果对如何拓展水平集演化方向的自适应性具有理论意义.

摘要：为了克服脑核磁共振图像中存在的灰度不均匀现象,提出一种有效的脑核磁共振图像分割模型.该模型利用多相位水平集方式来拟合图像的局部灰度,实现多种脑组织的同时分割,并提供光滑且准确的目标边界或曲面.在二维、三维的图像上的比较实验结果表明,该模型是有效的.

摘要：针对高分辨率三维结构拓扑优化中计算成本高的问题,提出一种基于水平集方法融合自适应贴体网格的拓扑优化并行计算新框架。通过水平集函数零等值面,清晰描述优化结果边界,实现了“所见即所得”的拓扑优化设计结果;并在每一迭代步中基于该等值面进行网格重构,加密边界周围网格,稀疏其余区域内网格,从而大幅减少了网格数量,有效降低计算成本;在计算过程中通过对网格进行分割,并指派给不同的CPU进行计算,实现并行计算,可以有效处理大规模计算问题。该框架基于开源软件FreeFEM,Mmg和PETSc进行开发,以经典的刚度问题为例,在工作站平台上,求解网格规模达380万的数值算例,验证该方法的高效性。

摘要：从时域统计的角度出发,提出了一种结合自适应混合背景更新模型的区域变形跟踪算法 该算法以模型更新得到的前景 背景二值分割掩膜作为区域特征,将跟踪问题抽象为一个水平集(LevelSet)偏微分方程的数值求解问题,并分析了算法的自适应性为了进一步提高算法的实现效率,引入了窄带跟踪方案实验表明。

摘要：灰度异质图像广泛存在于日常生活及医学图像中,而现有方法不能很好地解决灰度异质图像的分割问题,为此提出一种结合邻域信息的改进Chan-Vese模型.首先通过计算找出邻域内与中心点属于同一类的点,其次将这些点与中心点的距离作为它们与中心点相似程度的权值进行累加,最后通过统计整幅图像中每个局部区域内各点与中心点的相似程度,加强了该模型对区域细节的捕获能力,实现对灰度异质区域的分割.实验结果表明,与Chan-Vese模型相比,文中模型可以准确地分割包含灰度异质区域的图像;与Piecewise Smooth模型相比,2个模型分割效果几乎相同,但文中模型的速度更快.

摘要：定义了清晰度参数、细节信号能量参数和边缘信号能量参数3个纹理参数,对图像的纹理特征进行分析,以获取原图像的特征能量图;再利用基于简化Mumford-Shah的活动轮廓模型对图像进行纹理分割,该分割模型能较好地处理模糊、缺省的边界,同时具有去噪的功能·利用水平集方法求解该模型,解决了演化曲线拓扑可变的问题·与传统的纹理分析方法相比,文中方法能更好地表达图像中复杂纹理的信号特征·通过对合成纹理图与自然纹理图进行分割及大量实验结果表明:该方法能有效、快速地分割纹理图像·

摘要：几何主动轮廓模型的缺点是对初始轮廓位置特别敏感,基于距离规则水平集(DRLSE)模型的初始轮廓曲线必须设置在目标边界的内部或者外部.基于边缘的自适应水平集(ALSE)模型,提出了一种提高初始轮廓鲁棒性的方法.但两种模型均容易出现陷入虚假边界、从弱边缘处泄露以及抗噪声能力差等问题.设计了一个结合自适应符号函数和自适应边缘指示函数的模型,使得主动轮廓演化能根据自适应符号函数的方向从初始轮廓开始自动进行膨胀及收缩,很好地改善了水平集对初始轮廓敏感的缺点,提高了鲁棒性,同时解决了水平集对收敛速度慢以及易从弱边缘处泄露的问题.此外,为了使得模型演化更加稳定,提出了一个新的距离规则项.实验结果表明:自适应符号函数的主动轮廓模型不仅可以提高分割质量,缩短图像分割时间,同时提高了对初始轮廓的鲁棒性.

摘要：采用活动轮廓对人体目标建模,提出一种新的水平集框架下自适应融合RGB-D图像的颜色和深度信息的人体轮廓跟踪方法.设计了一种基于超像素的局部自适应权重计算方法,自动确定深度信息在水平集演化中的重要性.基于深度信息的活动轮廓驱动外力包括由边缘生成的梯度向量流和由目标/背景深度模型生成的置信图,基于颜色信息的驱动外力由目标/背景颜色模型生成的置信图,这三种外力通过局部自适应权重融合,驱动活动轮廓向目标的边界演化.为了得到更加精确的目标轮廓和防止误差漂移,基于本文观察到的人体表面在深度图像中的两个特性,提出两个简单但有效的算法对水平集方法得到的结果进行精化调整.最后,通过实验验证了本文算法的优越性.

摘要：高斯粒子滤波不能处理曲线的拓扑变化,而基于水平集的几何活动轮廓模型能较好地适应拓扑变化,为了跟踪和提取刚体和非刚体运动目标精确的轮廓信息,提出基于距离规则化的水平集演化(DRLSE)模型和高斯粒子滤波(GPF)相结合的运动目标跟踪方法.首先用高斯粒子滤波对目标跟踪得到目标的运动区域,然后把水平集规则项引入到测地线活动轮廓模型中,以外接轮廓的中心为基础进行DRLSE.距离规则化不仅消除了水平集重新初始化的需要,而且避免了因此而导致的数值错误,在水平集演化过程中保持了水平集函数的规则化.最后,将获得的精确轮廓信息反馈到跟踪框架.实验结果表明,该方法适用于刚体和非刚体目标,在实际交通环境中跟踪结果更加精确.