导读:本文包含了水平集算法论文开题报告文献综述及选题提纲参考文献，主要关键词:水稻虫害,改进水平集算法,目标分割,初始水平集
水平集算法论文文献综述
刘晨曦,刘大铭,杨芳,高久伟[1]（2019）在《基于改进水平集的水稻虫害分割算法》一文中研究指出目前水稻虫害分割大部分采用传统的低级特征提取,存在易丢失细节信息、形状描述不充分等不足.基于改进水平集方法的分割算法,首先将图像由RGB(red,green,blue)颜色空间转为HSV(hue,saturation,value)颜色空间,选取色调H(hue)矩阵进行处理;在高斯滤波后进行基于开闭运算的形态学重建,在保留重要区域轮廓的同时去除较暗斑点及枝干标记;然后将其膨胀后阈值分割作为改进水平集方法的初始水平集函数;最后采用有惩罚项的改进水平集方法进行分割.改进算法有效减少了迭代次数,节省了运行时间,且分割效果好.结果表明,该算法不但提高了水平集方法的效率,而且在水稻虫害的分割上有良好的分割效果.(本文来源于《宁夏大学学报(自然科学版)》期刊2019年03期）
范群贞,吴浩,林真[2]（2019）在《基于水平集的医学图像分割算法》一文中研究指出医学图像分割一直是一个难点且富有挑战性的课题,是临床的诊断和治疗的基础。目前比较主流的分割方法都有一定的局限性,又因为医学图像自身的多样性和复杂性,采用单一的传统的分割方法对医学图像进行分割,往往难以得到很好的分割结果。本文定位于水平集方法对医学图像分割,首先分析了活动轮廓模型分割方法,和传统水平集分割方法的基本理论,指出了各自的优点和不足之处,提出一种结合Snake模型和水平集方法的图像分割方法,最后通过实验结果分析,该方法对医学图像的分割结果更加准确,迭代次数更少,分割速度更快。(本文来源于《电子测量技术》期刊2019年13期）
冉冬梅,严加勇,崔崤峣,于振坤[3]（2019）在《基于双边滤波-距离正则化水平集演化算法的甲状腺超声图像分割》一文中研究指出超声图像有斑点噪声,且对比度低、边界模糊,所以甲状腺超声图像分割较为困难。针对此问题,本研究提出一种结合双边滤波(bilateral filters,BF)和改进边缘指示函数的距离正则化水平集演化(distance regularized level set evolution,DRLSE)模型的分割算法。先对甲状腺超声图像进行双边滤波,然后采用改进的DRLSE模型对甲状腺进行分割。通过与采用另外两种边缘指示函数的DRLSE模型对比,本研究提出的BF-DRLSE模型能减少斑点噪声对分割过程的影响,并在明显减少曲线演化运行时间和迭代次数的情况下有效分割甲状腺。(本文来源于《生物医学工程研究》期刊2019年02期）
陈娥祥[4]（2019）在《基于树形结构的多相水平集图像分割算法仿真》一文中研究指出传统的多相水平集图像分割算法普遍存在图像分割运行时间较长、成本消耗较大、错误率较高等问题。为了解决上述问题,提出一种基于树形结构的多相水平集图像分割算法。通过改变图像背景,完成多相水平集的重新收敛;根据图像亮度对图像背景进行填充,引入加性算子分裂格式对水平集图像给出统一的数值。以二相水平集分割方法为基础,利用水平函数进行多相水平图像分割。实验结果表明,所提算法图像分割运行时间较短、成本消耗较小、错误率较低。(本文来源于《计算机仿真》期刊2019年06期）
刘庆一[5]（2019）在《基于水平集与多图谱的医学图像分割算法研究》一文中研究指出医学图像分割是医学图像处理领域中的重要研究内容之一。精确分割医学图像,以提取图像中感兴趣的器官或病灶,在计算机辅助诊断或其他医学影像处理与应用过程中,都是必不可少的步骤之一。医学图像往往具有低分辨率、弱边界、噪声严重以及灰度不均匀等特点,实现其精准分割具有较大难度。目前尚未有一种分割算法可完美解决所有的医学图像分割问题。因此,针对医学图像研究其分割技术具有十分重要的理论意义和实用价值。传统的图像分割算法大多基于待分割图像的灰度、纹理等特征,利用这些特征实现感兴趣区域的分割,其中,水平集方法和多图谱方法在医学图像分割中得到了广泛的应用。前者也被称作几何活动轮廓模型,其基本思想是将曲线的演化隐含地表示为更高维的水平集函数的零水平集,从而可以更好的处理曲线的拓扑变化。其中的可变区域拟合(Region Scalable Fitting,RSF)水平集模型,通过将局部区域信息作为驱动曲线运动的外部能量项,可以有效的应对医学图像中常见的灰度不均匀问题。不同于水平集分割方法,多图谱分割方法是一种以临床医师的先验知识指导分割的医学图像分割方法。该算法的核心思想是将图像分割问题转化为图像配准问题,利用标签图像中的先验信息获得待分割图像的分割结果。标签融合作为多图谱分割方法的关键步骤,可以降低配准方法带来的分割误差,标签融合算法的效果也直接影响最终分割结果的准确度。由于图谱中的标签图像可以同时包含多个目标的先验解剖信息,多图谱方法可以被用于解决医学图像中的多目标分割问题。但是,传统的多图谱分割方法在处理多图谱分割时容易出现多目标间的重迭和错误间隙的分割问题。以上两类分割算法具有各自不同的优点和缺陷,常被用于解决不同特点的医学图像分割问题。因此,本文重点研究了水平集与多图谱这两类医学图像分割方法,对其发展现状和算法原理做了深入的探讨,在此基础上分别提出了基于二者的改进算法,并进一步结合这两种算法的优势,提出了一种更具鲁棒性的融合算法。基于上述研究内容,本论文的主要创新点有:1)针对基于水平集的医学图像分割方法需要手动选取初始轮廓和进行水平集函数的参数设置问题,提出了一种可以自动初始化的水平集分割方法。通过利用均值漂移(Mean Shift,MS)聚类算法自动的获取RSF水平集模型的初始轮廓,并提出一种自适应窗宽选取算法对均值漂移进行改进,提高了初始轮廓选取的速度和准确度。同时,提出一种基于聚类结果和待分割图像灰度特征的参数估计方程,可以自动的生成水平集函数的参数。此外,本文引入了新的避免重新初始化方法,以提高RSF水平集模型中的水平集函数的演化速度与数值稳定性。2)针对多医学图像目标分割中的目标重迭与错误间隙问题,本文提出了一种新的标签融合算法,即联合表决(Combine Voting,CV)算法,并将其用于基于多图谱的医学图像分割方法之中。CV算法可以通过一次计算对所有的待分割目标进行标签融合,与传统的多图谱分割方法中需要分别对每一个待分割目标进行标签融合的做法相比,显着降低了计算成本。本文中提出的基于CV算法采用的一次性标签融合也有效消除了传统的多次标签融合带来的目标区域重迭和错误间隙问题,并提高了对各个目标的分割精度。这一优点可以使本文提出的改进多图谱分割方法被用于医学图像的部分容积校正算法中,替代其中的人工分割方法,显着提高了部分容积校正的计算效率。3)基于多图谱的医学图像分割方法在待分割图像存在显着解剖特异性时,往往难以取得令人满意的分割结果。为此,本文提出了一种基于水平集模型边界修正的多图谱分割方法。该算法在多图谱分割方法的标签融合步骤之前,加入了基于水平集模型的目标边界修正,使得多图谱算法不仅可以利用图谱中的先验解剖信息,也可以利用待分割图像自身的灰度特征,从而提高算法的分割精度与鲁棒性。此外,由于该算法中使用了本文提出的CV算法作为标签融合方法,使其处理于多目标的医学图像分割问题时,也能有效避免多个目标之间重迭和错误间隙问题。(本文来源于《山东大学》期刊2019-05-25）
韩哲,李灯熬,赵菊敏,柴晶[6]（2019）在《基于改进遗传模糊聚类和水平集的图像分割算法》一文中研究指出针对传统的模糊聚类算法(FCM)容易陷入局部最优,水平集方法 (Level set)容易受初始边界和控制参数的影响等问题,引入具有全局搜索能力的遗传算法(GA)初始化聚类中心,提出改进的模糊聚类算法分割得到目标的粗边缘,利用水平集方法强大的演化能力收敛到目标边缘。该算法可以减少水平集方法控制参数的个数,降低计算的复杂度,提高分割速度。实验在多目标轮廓图像、轮廓不清晰图像上进行,实验结果表明,该方法能够很好地检测出多目标及弱边缘图像的轮廓,在乳腺X线图像中,肿块的分割精度、过分割率和欠分割率分别为98.35%,0.27%和1.12%,优于同类算法。(本文来源于《计算机工程与设计》期刊2019年05期）
徐丽[7]（2019）在《基于改进型水平集的医学图像分割算法研究与实现》一文中研究指出医学图像容易受到各种内外因素的干扰,使得图像具有复杂多样性,原始的医学图像通常包含灰度不均、弱边缘、高噪声、多目标等多种问题,使用传统的图像分割算法难以进行有效分割。而水平集(LSM)凭借其算法复杂度低、易于拟合其他算法等优势,引起了很多研究者的关注。水平集算法被广泛地应用到图像分割领域,但是在处理复杂医学图像的过程中,水平集算法也会出现稳定性差、鲁棒性差、计算量大等一系列问题。本文针对医学图像存在的不同问题,对水平集方法进行多种改进与拟合。主要研究内容和成果如下:1、介绍了水平集分割算法中要用到的数学方面的知识,包括偏微分方程的概念、偏微分方程的求解、变分的定义、Euler-Lagrange方程、梯度下降流等知识。对水平集基本理论中的曲线演化问题做了相关研究,通过对水平集基础知识的学习,进一步了解了水平集的基本模型。2、针对医学图像含有高噪声、多目标、难分割的特点,提出了基于小波去噪和双水平集的脑部MR图像分割模型。对于医学图像中存在较大噪声伪影的问题,引入小波变换来去除噪声,对图像进行预处理。多相CV模型虽然可以对多目标图像进行分割,但分割速度慢,在DCV模型的能量函数中增加能量惩罚项,改进传统DCV模型来对经过小波去噪后的图像进行分割,最终实现对高噪声、多目标图像的分割。3、针对医学图像中存在的噪声、灰度不均等问题,提出了基于形态学和改进型水平集的图像分割算法。利用形态学重建算法降低图像噪声,对图像进行预处理。将偏移场信息加入能量函数中对双水平集模型进行改进,解决图像灰度不均的问题。利用改进后的模型对预处理后的图像进行分割,可以很好的分割灰度不均的医学图像。4、编写了医学图像处理系统,它的软件环境既可让开发员在M文件中进行算法编译对其进行改良并完善用户界面;同时也可以让大部分用户直接在GUI界面上进行操作,人机互动性很好。(本文来源于《扬州大学》期刊2019-04-01）
潘倩倩[8]（2019）在《基于多尺度水平集的灰度不均匀医学图像分割算法研究》一文中研究指出图像分割是按照图像的纹理、形状、频谱、颜色等特征,把图像分成具有不同意义属性的视觉单元的一种图像处理方法,在医学影像领域有重要的应用价值。比如:肝脏是人体腹腔内最大的一种实质性器官,在肝癌病人CT图像上进行肿瘤靶区的勾画是诊断和手术的必要操作,通常由经验丰富的医生手动完成,但耗时漫长。自动化的肝脏肿瘤靶区分割方法可以帮助医生提高工作效率。水平集方法是图像分割的常用算法。水平集的演化曲线是闭合的,可以较好地收敛到目标边缘。但是,现有的水平集方法通常假设图像灰度在很小的局部区域里是近似均匀的,这一点制约了其在灰度不均匀图像,尤其是CT图像中的分割精度。本研究提出了融入多尺度信息的水平集算法,使得分割曲线在演化过程中不受统一尺度的限制,从而提升对灰度不均匀图像的分割效果。为验证该算法的优越性,我们在叁种肝癌CT图像上进行了系统验证。相对于经典水平集方法(CV和LSACM方法),多尺度方法对于大肿瘤、肝脏内部的小肿瘤以及位于肝脏表面的肿瘤均有良好的分割效果,在一系列评价指标上有统计学显着意义。初始化敏感性实验表明多尺度方法具有一定的稳健性。本研究证明:相较传统水平集方法,多尺度水平集算法实质性的提升了对于灰度不均匀图像的分割效果,具有一定的临床应用价值。(本文来源于《中国科学技术大学》期刊2019-04-01）
郑洲[9]（2019）在《基于统一化水平集框架的腹部CT图像肝脏与肝脏肿瘤分割算法研究》一文中研究指出医学图像分析在计算机辅助诊断中发挥着重要的作用。医学图像分割属于医学图像分析中的核心之一,其目的在于从周围组织中识别出人体脏器的解剖结构。CT图像以一种非侵入式的方式为临床诊断提供高清晰和高信噪比的组织器官的解剖结构图。在基于CT图像的临床肝病诊断领域中,肝脏和肝脏肿瘤的准确和可靠的分割是后续跟进的治疗计划制定,计算机辅助手术和治疗结果验证等阶段的重要前提。然而,在当前的临床实践中,专家们主要还是以手动的方式一张一张地描绘出肝脏与肝脏肿瘤的轮廓。这种方法能够得到可以说是最准确的分割结果,但是耗时,乏味费劲,且分割结果带入主观性。此外,由于CT图像存在弱边缘性,低对比度性和灰度不均性等特征,实现肝脏和肝脏肿瘤的准确分割被视为一项困难的任务,其算法一直是医学图像处理领域的研究热点。本文针对CT图像中的肝脏和肝脏肿瘤,分别提出了一种分割算法。两种算法的核心框架是一个新型的统一化水平集算法(Level Set Method,LSM),通过结合图像的区域信息与边缘信息来演化轮廓。该水平集应用于肝脏分割时,相比于单信息驱动的水平集更能抵抗边缘泄漏;应用于肝脏肿瘤分割时,能够比其他分割模型取得更好的分割结果。对于肝脏分割,首先提出一个混合图像预处理算法,包括各向异性滤波,特定比例梯度滤波,非线性灰度转换和自定义二值化,将输入的CT图像转化为二值图像,二值图像提供的环境条件帮助区域增长克服了对初始种子点的位置设置与增长阈值的设置的敏感性。然后在得到的二值图像上设置少量种子点,通过区域增长来提取一个大致的肝脏区域。最后使用统一化水平集对粗分割结果进行优化。该方法在来自SLIVER07和3Dircadb两个公共数据集的共40个腹部序列上进行验证。验证结果表明本文方法能够得到期望的分割结果,并且相比于其他多个主流半自动分割算法需要更少的交互。对于肝脏肿瘤分割,应用一个基于局部灰度聚类的水平集算法和隐马尔可夫随机场与期望最大值算法(Hidden Markov Random Field.and Expectation Maximization,HMRF-EM)为统一化水平集构建一个增强的边缘指示器。通过这种优化,统一化水平集相比于其他多种分割模型能够得到更接近于金标准的分割结果,即使是对于复杂的肝脏肿瘤。该方法在来自MIDAS和3Dircadb两个公共数据集的共125个肝脏肿瘤上进行验证。MIDAS数据集的验证结果表明该方法对于不同的金标准具有鲁棒性,3 Dircadb数据集的验证结果表明该方法在分割准确性与效率性方面,与主流算法相比十分具有竞争力。最后,基于MATLAB开发环境,将提出的肝脏分割算法与肝脏肿瘤分割方法集成,开发了一个用户程序。该用户程序体现出了简单性、一致性与反馈性的优点。此外,通过在所有的40个肝脏和125个肝脏肿瘤上对用户程序进行测试,测试结果表明该用户程序能够实现肝脏与肝脏肿瘤准确可靠的分割。(本文来源于《浙江大学》期刊2019-03-01）
陈红,于晓升,吴成东,孙鹏[10]（2019）在《参数化水平集活动轮廓模型的快速图像分割算法》一文中研究指出为了提高图像分割的速度,提出一种参数化水平集活动轮廓模型的快速图像分割算法.该算法中的水平集函数由参数向量确定,而非带符号距离函数,降低了水平集函数的维度.将参数化的水平集函数嵌入到经典的LGDF(local Gaussian distribution fitting)模型中进行图像分割,不需要重新初始化和额外的正则项,同时可选择较大迭代步长.实验结果表明:所提方法能够有效地分割超声、CT和核磁等医学图像,与带有正则项的分割算法LGDF和最近提出的快速分割算法MSLCV相比,在保证分割精度的同时,计算速度得到了明显提高.(本文来源于《东北大学学报(自然科学版)》期刊2019年01期）
水平集算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
医学图像分割一直是一个难点且富有挑战性的课题,是临床的诊断和治疗的基础。目前比较主流的分割方法都有一定的局限性,又因为医学图像自身的多样性和复杂性,采用单一的传统的分割方法对医学图像进行分割,往往难以得到很好的分割结果。本文定位于水平集方法对医学图像分割,首先分析了活动轮廓模型分割方法,和传统水平集分割方法的基本理论,指出了各自的优点和不足之处,提出一种结合Snake模型和水平集方法的图像分割方法,最后通过实验结果分析,该方法对医学图像的分割结果更加准确,迭代次数更少,分割速度更快。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
水平集算法论文参考文献
[1].刘晨曦,刘大铭,杨芳,高久伟.基于改进水平集的水稻虫害分割算法[J].宁夏大学学报(自然科学版).2019
[2].范群贞,吴浩,林真.基于水平集的医学图像分割算法[J].电子测量技术.2019
[3].冉冬梅,严加勇,崔崤峣,于振坤.基于双边滤波-距离正则化水平集演化算法的甲状腺超声图像分割[J].生物医学工程研究.2019
[4].陈娥祥.基于树形结构的多相水平集图像分割算法仿真[J].计算机仿真.2019
[5].刘庆一.基于水平集与多图谱的医学图像分割算法研究[D].山东大学.2019
[6].韩哲,李灯熬,赵菊敏,柴晶.基于改进遗传模糊聚类和水平集的图像分割算法[J].计算机工程与设计.2019
[7].徐丽.基于改进型水平集的医学图像分割算法研究与实现[D].扬州大学.2019
[8].潘倩倩.基于多尺度水平集的灰度不均匀医学图像分割算法研究[D].中国科学技术大学.2019
[9].郑洲.基于统一化水平集框架的腹部CT图像肝脏与肝脏肿瘤分割算法研究[D].浙江大学.2019
[10].陈红,于晓升,吴成东,孙鹏.参数化水平集活动轮廓模型的快速图像分割算法[J].东北大学学报(自然科学版).2019