Active Contour Models for Manifold Valued Image Segmentation
图像分割是根据图像的颜色、纹理、运动或形状等特征将图像划分为不同区域或组的过程。活动轮廓是图像中对象分割的一种流行的变分方法,其中用户选择一个轮廓,该轮廓会进化以优化目标函数,从而使所需的对象边界成为最优解。最近,出现了产生流形值图像的成像模式,例如DT-MRI图像、矢量场。传统的活动轮廓模型对这类图像不起作用。本文将活动轮廓模型推广到流形值图像。正如预期的那样,我们的算法检测图像中具有相似流形值的区域。我们的算法也产生预期的结果,通常的灰度图像,因为这些都是平凡的例子,流形值的图像。作为我们的一般活动轮廓模型的另一个应用,我们执行纹理分割的灰度图像,首先创建一个适当的流形值的图像。我们展示了流形值图像和纹理图像的分割结果。
2013-11-11 cs.CV
A Simple Method to improve Initialization Robustness for Active Contours driven by Local Region Fitting Energy
Soochow University(苏州大学);Zhejiang University(浙江大学)
基于局部区域拟合能量的主动轮廓模型可以有效地分割灰度不均匀的图像,但如果初始轮廓不合适,其分割结果容易出错。在本文中,我们提出了一个简单而通用的方法来提高这些局部拟合模型的初始轮廓的鲁棒性。该方法的核心思想是交换轮廓两侧的拟合值,使曲线演化过程中轮廓内的拟合值始终大于(或小于)轮廓外的拟合值。通过这种方式,整个曲线将沿着对象的内部(或外部)边界演化,并且不太可能卡在对象或背景中。实验结果表明,该方法在保持局部拟合模型原有优点的同时,增强了初始轮廓的鲁棒性。
2018-03-17 cs.CV
Deep ContourFlow: Advancing Active Contours with Deep Learning
Institut Pasteur(巴斯德研究所);CNRS(法国国家科学研究中心);Université Paris Cité(巴黎西岱大学);Télécom Paris(巴黎电信学院);Institut Polytechnique de Paris(巴黎理工学院)
本研究提出融合无监督主动轮廓模型与深度学习的Deep ContourFlow框架,支持无监督及单样本图像分割,在标注稀缺的组织学数据集上性能优于现有最优方法。
2024-07-15 cs.CV
Brain MRI Segmentation with Fast and Globally Convex Multiphase Active Contours
University of Beira Interior(贝拉内格罗大学);University of Missouri-Columbia(密苏里大学哥伦比亚分校)
基于多相活动轮廓的模型在识别具有不同特征(例如区域的平均值)的多个区域中是有用的。这在脑磁共振成像(MRI)中是相关的,允许区分白质和灰质。我们考虑了一个定义良好的全局凸制定Vese和Chan多相活动轮廓模型分割脑MRI图像。一个行之有效的理论和一个有效的双重最小化计划进行了彻底的描述,保证最佳的解决方案,并提供稳定的分割。此外,在对偶最小化实现下,我们的模型通过避免局部极小解完美地描述了不相交区域。实验结果表明,该方法提供了更好的准确性比其他相关的多相活动轮廓算法,即使在严重的噪声,强度不均匀性,和部分体积效应。
2013-08-28 cs.CV
Segmentation of Levator Hiatus Using Multi-Scale Local Region Active contours and Boundary Shape Similarity Constraint
the Third Affiliated Hospital of Sun Yat-Sen University(中山大学附属第三医院);School of Mathematical Sciences, Zhejiang University(浙江大学数学科学学院);Henan Provincial People’s Hospital(河南省人民医院)
本文提出了一种基于局部区域的活动轮廓和边界形状相似性约束的多尺度框架,用于超声图像中的提肌裂孔分割。本文提出了一种结合局部区域信息和边界形状相似性约束的多尺度活动轮廓框架来分割提肌裂孔超声图像。为了得到更精确的初始化和减少计算量,高斯金字塔方法被用来分解的图像到粗到细的尺度。首先对粗尺度图像进行局部区域活动轮廓模型处理,得到提肌裂孔的粗轮廓,然后将粗尺度上的分割结果插值到细尺度图像中作为初始值。基于局部区域的主动轮廓模型考虑了不同尺度下的边界形状相似性,使得粗尺度下的结果可以指导更细尺度下的轮廓演化。通过结合多尺度和边界形状相似性,该方法可以精确定位提肌裂孔边界,尽管各种超声图像伪影。通过对90幅上睑裂孔超声图像的定量和定性评价(TP、FP、Js)以及与其他两种最先进的活动轮廓分割方法(C-V模型、DRLSE模型)的比较,验证了该方法的有效性和准确性。
2019-01-11 cs.CV
Template-Based Active Contours
Indian Institute of Science(印度科学学院)
本文提出了一种基于形状模板的广义活动轮廓图像分割方法。形状模板进行限制仿射变换(RAT),以便分割感兴趣的对象。RAT允许平移、旋转和缩放,总共有五个自由度。该主动轮廓线由一对同心闭合的内外轮廓线组成。活动轮廓能量是基于位于内轮廓内的像素的强度和位于内轮廓与外轮廓之间的环中的像素的强度定义的对比度函数。我们证明了在一定条件下,对比度能量泛函是最优的。通过使用梯度下降优化器最大化对比度函数来计算最佳RAT参数。我们表明,计算是有效的,通过使用格林定理。所提出的形式主义是能够处理各种形状,因为对于一个选定的模板,优化进行相对于RAT参数。所提出的形式主义在多个图像上进行了验证,以显示对高斯和泊松噪声、初始化和待分割对象中的部分结构损失的鲁棒性。
2013-12-03 cs.CV
Region-based active contour with noise and shape priors
GREYC UMR 6072(GREYC实验室 UMR 6072);CHU Caen(卡昂大学附属医院)
在本文中,我们提出了正式结合噪声和形状先验的区域为基础的活动轮廓。一方面,我们使用指数族的一般框架作为噪声的先验模型。另一方面,平移和尺度不变的勒让德矩被认为是结合形状先验(例如,对参考形状的保真度)。在主动轮廓泛函中的两个先验项的组合产生最终的演化方程,其演化速度是使用形状导数工具严格导出的。对合成图像和真实心脏回波数据的实验结果清楚地表明了我们的分割算法对初始化和噪声的鲁棒性,灵活性和潜在的适用性。
2008-05-21 cs.CV
Active contours driven by local and global intensity fitting energy with application to SAR image segmentation and its fast solvers
Yantai Science and Technology Association(烟台科技协会)
提出一种基于Aubert-Aujol去噪模型的变分主动轮廓模型,混合测地线主动轮廓与无边缘主动轮廓模型,用于分割乘性伽马噪声图像,并引入两个快速不动点算法求解SAR图像分割问题。
2026-07-03 cs.CV
Saliency-Driven Active Contour Model for Image Segmentation
Chung-Ang University(中央大学);Centre INRIA Sophia Antipolis(索菲亚·安提波利斯国家信息与自动化研究所中心)
活动轮廓模型在图像分割领域取得了显著的成功,它可以将复杂的物体从背景中分割出来,以便进一步分析。现有的主动轮廓模型可以分为基于区域的主动轮廓模型和基于边缘的主动轮廓模型。然而,这两种模型使用直接的图像数据来实现分割,并面临许多具有挑战性的问题,在初始轮廓位置,噪声敏感性,局部极小值和效率低下,由于图像强度的不均匀性。图像的显着图改变了图像的表示,使其更直观和有意义。在这项研究中,我们提出了一种新的模型,利用显着图与局部图像信息(LIF)的优点,并克服了以前的模型的缺点。该模型由图像的显著图和局部图像信息驱动,以增强活动轮廓模型的进度。在该模型中,首先计算图像的显著性图,以找到显著性驱动的局部拟合能量。然后,显着性驱动的局部拟合能量与LIF模型相结合,最终产生一个新的能量泛函。这个最终的能量泛函通过水平集公式化,并且添加调节项以更精确地跨越对象边界来演化轮廓。在不同的合成图像、真实图像和公开数据集(包括医学图像)上验证了所提出方法的质量。图像分割结果和定量比较证实了轮廓初始化的独立性,噪声不敏感性,和优越的分割精度相比,其他分割模型。
2022-05-23 cs.CV
Theoretical Analysis of Active Contours on Graphs
ETH Zürich(苏黎世联邦理工学院);University of Southern California(南加州大学);National Technical University of Athens(雅典国家技术大学)
基于偏微分方程的活动轮廓模型在图像分割中已被证明是成功的,但其在任意几何图形上的几何表达的研究仍处于早期阶段。本文介绍了用于测地线活动轮廓模型的梯度和曲率的几何近似。我们证明了我们的梯度逼近到真实梯度值的概率收敛性,并推导出这类随机几何图的这种逼近误差的渐进上界。给出了两种不同的曲率逼近方法,并证明了这两种方法在随机几何图的情况下都是依概率收敛的。我们提出了基于邻域的过滤图,以提高上述近似的准确性,并定义了两个变种的高斯平滑图,其中包括规范化,以适应图的非均匀性。我们的活动轮廓框架的性能表现在图中的分割规则的图像和地理数据定义在任意图。
2016-10-24 cs.CV
An Efficiently Coupled Shape and Appearance Prior for Active Contour Segmentation
Rivian Automotive LLC;Georgia Institute of Technology(佐治亚理工学院)
提出了一种新的基于形状和外观特征的训练模型,用于图像和视频中的对象分割。虽然大多数这样的模型依赖于二维外观模板或一组有限的描述符,我们的外观为基础的功能是一个一维的功能,这是有效地耦合到对象的形状,通过集成强度沿对象的等值线。对这些形状和外观特征的联合PCA训练进一步利用了形状-外观相关性,并且所得到的训练模型被并入主动轮廓类型的能量泛函中以用于分割任务。在合成图像和红外图像上的实验表明,与基于Chan-Vese能量的方法相比,这种形状和外观训练模型如何提高准确性。
2021-03-31 cs.CV
A locally statistical active contour model for SAR image segmentation can be solved by denoising algorithms
Yantai Science and Technology Association(烟台科技协会)
提出基于I散度-TV去噪模型的局部统计活动轮廓模型,融合GAC和ACWE模型,用于分割乘性伽马噪声图像,并通过反应扩散方程和ROF模型转化实现快速求解。
2026-07-03 cs.CV
Regional Active Contours based on Variational level sets and Machine Learning for Image Segmentation
IMT Institute for Advanced Studies Lucca(卢卡高等研究院)
图像分割是将图像分割成不同子集的问题,其中每个子集可以在颜色、强度、纹理和/或其他特征方面具有不同的表征。分割是图像处理的一个基本组成部分,在计算机视觉、目标识别和目标跟踪中起着重要的作用。主动轮廓模型(ACM)构成了一个强大的基于能量的最小化框架的图像分割,它依赖于轮廓演化的概念。从一个初始的猜测开始,轮廓演变的目的是更好地逼近实际对象的边界。以高效、有效和鲁棒的方式处理复杂图像是一个真正的挑战,特别是在存在强度不均匀性、前景/背景强度分布之间的重叠、以许多不同强度为特征的对象和/或加性噪声的情况下。在这篇论文中,为了应对这些挑战,我们提出了一些图像分割模型依赖于变分水平集方法和特定种类的神经网络,处理复杂的图像在监督和无监督的方式。实验结果表明,高精度的分割结果,所提出的模型在各种基准合成和真实图像相比,国家的最先进的活动轮廓模型。
2015-10-31 cs.CV
End to End Trainable Active Contours via Differentiable Rendering
Tel Aviv University(特拉维夫大学);Facebook AI Research(Facebook人工智能研究院)
我们提出了一种图像分割方法,迭代地演变的多边形。在每次迭代时,多边形的顶点基于经由编码器-解码器架构从输入图像推断的2D移位映射的局部值而移位。使用的主要训练损失是多边形形状和地面实况分割掩模之间的差异。该网络采用神经渲染器从其顶点创建多边形,使该过程完全可微。我们证明,我们的方法优于最先进的分割网络和深度活动轮廓解决方案在各种基准,包括医学成像和航空图像。我们的代码可在https://github.com/shirgur/ACDRNet上获得。
2019-12-01 cs.CV
Free Form based active contours for image segmentation and free space perception
University of Picardie Jules Verne(儒勒·凡尔纳皮卡第大学);University of Limoges(利摩日大学);CNRS(法国国家科学研究中心);XLim Institute(XLim研究所)
在本文中,我们提出了一种新的方法来表示和发展可变形的活动轮廓。该方法结合了分段正则B{é}zier模型和局部自由变形定义的曲线演化。轮廓变形是局部约束的,这使得轮廓收敛几乎线性的复杂性,同时适应各种形状设置和处理拓扑变化的活动轮廓。我们证明了新的主动轮廓计划的有效性,视觉自由空间的感知和分割使用全方位的机器人探索未知的室内和室外环境所获得的图像。几个实验验证了国家的最先进的参数和几何活动轮廓的方法相比,并提供快速和实时的机器人自由空间分割和导航。
2016-06-15 cs.CV cs.RO
A Novel Active Contour Model for Texture Segmentation
纹理直观地定义为图像中基本图案或对象的重复排列。然而,纹理没有数学定义。人类视觉系统能够识别和分割给定图像中的不同纹理。让计算机自动完成这项任务绝非易事。任何纹理分割算法都有三个主要组成部分:(a)用于表示纹理的特征,(b)在此表示空间上引入的度量,以及(c)在这些特征上运行的聚类算法,以便将给定的图像分割为不同的纹理。本文提出了一种基于活动轮廓的无监督纹理分割算法。我们使用区域的强度协方差矩阵作为纹理的定义特征,并使用活动轮廓找到具有最多区域间不相似协方差矩阵的区域。由于协方差矩阵是对称正定的,我们使用定义在对称正定矩阵PD(n)的流形上的测地距离作为这种矩阵之间的不相似性的度量。我们证明了我们的算法在人工和真实纹理图像的性能。
2013-06-28 cs.CV
Meaningful Objects Segmentation from SAR Images via A Multi-Scale Non-Local Active Contour Model
LIESMARS, Wuhan University(武汉大学测绘遥感信息工程国家重点实验室);SPL, EIS, Wuhan University(武汉大学电子信息学院信号处理实验室)
合成孔径雷达(SAR)图像的分割是一个长期而具有挑战性的任务,不仅因为斑点噪声的存在,而且由于图像中的表面后向散射特性的变化。在SAR图像分割中,人们对相干斑效应的消除做了大量的研究,但对SAR图像后向散射系数变化的处理却很少。为了克服这两个困难,本文提出了一种新的SAR图像分割方法,利用基于非局部处理原理的多尺度活动轮廓模型。更准确地说,我们首先formulize的SAR分割问题与活动轮廓模型,通过整合非局部之间的相互作用对补丁内部和外部的分割区域。其次,提出了一种多尺度策略,以加快非局部活动轮廓分割过程,避免陷入局部极小值,从而获得更准确的分割结果。仿真和真实SAR图像的实验结果表明,该方法不仅能对相干斑噪声严重、非局部强度变化的SAR图像进行精确分割,而且适用于不同类型传感器的SAR图像。
2015-01-17 cs.CV
Image Segmentation using Chan-Vese Active Contours
本文全面推导并实现了Chan-Vese活动轮廓模型,利用区域强度差异分割图像,在医学和合成图像上验证了其准确性、抗噪性和优于边缘法的性能。
2025-06-24 cs.CV
Automatic segmentation of lizard spots using an active contour model
Universidad de Antioquia UdeA(安蒂奥基亚大学);Instituto Tecnológico Metropolitano ITM(大都会技术学院)
动物生物识别是一项具有挑战性的任务。在文献中,已经使用了很多算法,例如企鹅胸识别、象耳识别、豹纹模式识别等,但是要将技术在很大程度上应用于这一领域的研究,还有很多工作要做。动物生物特征识别的一个重要目标是实现分割过程的自动化,因此本文提出了一种用于提取濒危蜥蜴物种千斑双舌鱼斑点的分割算法。结合预处理、活动轮廓和形态学实现了图像的自动分割。分割算法的每个阶段的参数使用由地面实况指导的优化过程来找到。实验结果表明,斑点的自动分割是可行的。平均分割正确率为78.37%.
2016-03-02 cs.CV
End-to-End Trainable Deep Active Contour Models for Automated Image Segmentation: Delineating Buildings in Aerial Imagery
University of California, Los Angeles(加州大学洛杉矶分校)
遥感图像中建筑物的自动分割是一项具有挑战性的任务,需要在通常较大的图像区域上准确描绘多个建筑物实例。手动方法通常很费力,目前基于深度学习的方法无法描述所有建筑实例,并且无法以足够的准确性做到这一点。作为一种解决方案,我们提出了可训练的深度活动轮廓(TDACs),这是一种自动图像分割框架,它将卷积神经网络(CNN)和活动轮廓模型(ACM)紧密结合在一起。ACM分量的欧拉能量泛函包括由骨干CNN预测的每像素参数图,其也对ACM进行建模。重要的是,ACM和CNN组件都在TensorFlow中完全实现,整个TDAC架构是端到端自动可区分和反向传播可训练的,无需用户干预。TDAC产生快速,准确,全自动同时描绘任意多个建筑物的图像。我们在两个公开的航空图像数据集上验证了该模型用于建筑物分割,我们的结果表明,TDAC建立了一个新的最先进的性能。
2020-07-22 cs.CV
A Markov Random Field and Active Contour Image Segmentation Model for Animal Spots Patterns
Universidad de Antioquia UdeA(安蒂奥基亚大学(UdeA));Instituto Tecnológico Metropolitano ITM(大都会理工学院(ITM))
使用图像的非侵入性动物生物识别技术允许分析具有条纹和斑点等图案的表型种群和个体,而不会影响研究对象。然而,非侵入式生物识别技术需要训练有素的主体或计算机视觉算法的开发,以简化识别任务。在这项工作中,经典的分割方法,需要监督调整其参数,如阈值,自适应阈值,直方图均衡化,饱和度校正的分析。与此相反,一个通用的无监督算法,使用马尔可夫随机场(MRF)的斑点模式分割的建议。活动轮廓用于使用MRF输出作为种子来增强结果。作为研究对象的Diploglossus millepunctatus蜥蜴。所提出的方法实现了$91.11\%$的最大效率。
2015-10-26 cs.CV
Learning deep structured active contours end-to-end
University of Wageningen(瓦赫宁根大学);University of Toronto(多伦多大学)
世界上覆盖着数百万座建筑物,精确了解每个实例的位置和范围对于众多应用程序至关重要。最近,由于卷积神经网络(CNN)的使用,自动建筑物足迹分割模型已经显示出优越的检测精度。然而,即使是最新的演变也难以精确地划定边界,这通常会导致几何扭曲和相邻建筑实例的无意融合。我们建议通过利用建筑物独特的几何特性来克服这个问题。为此,我们提出了深度结构化活动轮廓(DSAC),一种新的框架,将先验和约束集成到分割过程中,如连续边界,平滑边缘和尖角。为此,DSAC采用主动轮廓模型(ACM),一系列基于约束和先验的多边形模型。我们使用CNN学习每个实例的ACM参数化,并展示如何将所有组件合并到结构化输出模型中,使DSAC可端到端训练。我们在三个具有挑战性的建筑实例分割数据集上评估DSAC,与最先进的DSAC相比,DSAC具有优势。
2018-03-16 cs.CV
A Local Active Contour Model for Image Segmentation with Intensity Inhomogeneity
The Hong Kong Polytechnic University(香港理工大学)
本文提出了一种新的局部统计活动轮廓模型(ACM),用于灰度不均匀图像的分割。非均匀物体被建模为不同均值和方差的高斯分布,并使用移动窗口将原始图像映射到另一个域,其中非均匀物体的强度分布仍然是高斯分布,但更好地分离。变换域中高斯分布的均值可以通过在窗口内将偏置场与原始信号相乘来自适应地估计。然后,为每个局部区域定义统计能量泛函,其结合偏置场、水平集函数和近似对应对象的真实信号的常数。合成和真实图像上的实验表明,我们提出的算法的优越性,国家的最先进的和代表性的方法。
2013-05-30 cs.CV
End-to-End Deep Convolutional Active Contours for Image Segmentation
University of California, Los Angeles(加州大学洛杉矶分校)
活动轮廓模型(ACM)是一种标准的图像分析技术,其众多的变体吸引了多个领域的大量研究关注。然而,不正确的是,ACM的基于微分方程的公式化和对用户初始化的原型依赖性被认为与最近流行的图像分割的深度学习方法在很大程度上不兼容。本文介绍了这两种范式的第一个紧密统一。特别是,我们设计了深度卷积活动轮廓(DCAC),这是一个真正的端到端可训练图像分割框架,包括卷积神经网络(CNN)和具有可学习参数的ACM。ACM的欧拉能量泛函包括由骨干CNN预测的每像素参数图,其也对ACM进行了建模。重要的是,CNN和ACM组件都在TensorFlow中完全实现,整个DCAC架构是端到端自动可区分和反向传播可训练的,无需用户干预。作为一个具有挑战性的测试案例,我们解决了在航拍图像中构建实例分割的问题,并在两个公开的数据集Vaihingen和Bing Huts上评估DCAC。我们的研究结果表明,对于建筑分割,DCAC建立了一个新的国家的最先进的性能,由一个很大的利润。
2019-10-04 cs.CV
Deep Active Contours Using Locally Controlled Distance Vector Flow
Amirkabir University of Technology(阿米尔卡比尔理工大学)
主动轮廓模型在计算机视觉和图像处理中得到了广泛的应用。在最近的研究中,卷积神经网络(CNN)已与主动轮廓相结合,在轮廓演化和图像分割的过程中取代用户,以消除与ACM的能量泛函和初始化参数的依赖性相关的限制。然而,先前的工作并不旨在自动初始化,这是解决这里。除了手动初始化,目前的方法是高度敏感的初始位置,并不能准确地划定边界。我们提出了一种全自动的图像分割方法,以解决手动初始化,捕获范围不足,以及收敛到边界差的问题,除了能量函数参数的分配问题。我们训练两个CNN,预测活动轮廓加权参数,并生成一个地面真实掩模,以提取距离变换(DT)和初始化圆。距离变换用于形成从图像的每个像素指向边界上的最近点的向量场,其大小等于欧几里得距离图。我们评估了我们的方法在四个公开的数据集,包括两个建筑实例分割数据集,Vaihingen和Bing小屋,和两个乳房X线摄影图像数据集,INBreast和DDSM-BCRP。我们的方法在Vaihingen和Bing huts数据集的平均交集(mIoU)中分别比最新研究高出0.59和2.39%,在边界F分数(BoundF)中分别高出7.38和8.62%。INBreast和DDSM-BCRP数据集的Dice相似系数分别为94.23%和90.89%,表明我们的方法与最先进的框架相当。
2021-05-18 cs.CV
A hybrid convolutional neural network/active contour approach to segmenting dead trees in aerial imagery
The Hong Kong Polytechnic University(香港理工大学);Bavarian Forest National Park(巴伐利亚森林国家公园);Albert-Ludwigs-Universität Freiburg(弗赖堡大学)
生态系统的稳定性和抵御气候变化的能力与其生物多样性直接相关。枯树是森林整体健康的重要指标,拥有三分之一的森林生态系统生物多样性,占全球碳储量的8%。它们被几个自然因素分解,例如气候,昆虫和真菌。准确检测和建模死木质量是至关重要的了解森林生态,碳循环和分解。我们提出了一种新的方法来构建精确的形状轮廓的死树从航空照片相结合的卷积神经网络与一种新的主动轮廓模型在能量最小化的框架。我们的方法在检测到的死树的联合上的精确度、召回率和交集方面比最先进的方法具有更高的性能准确性。这一改进的性能对于应对气候变化(和其他人为的系统扰动)造成的新挑战至关重要,特别是对于监测和估计碳储存衰减率、监测森林健康和生物多样性以及枯木对气候变化和气候变化造成的总体影响。
2021-12-06 cs.CV
Statistical region-based active contours with exponential family observations
tabular c c a GREYC UMR 6072 CNRS & b Laboratoire J.A. Dieudonn\'e UMR 6621 CNRS ENSICAEN-Universit\'e de Caen & Universit\'e de Nice Sophia-Antipolis 14050 Caen, France& 06108 Nice, France tabular
在本文中,我们专注于基于统计区域的活动轮廓模型,图像特征(如强度)是随机变量,其分布属于一些参数族(如指数),而不是局限于特殊的高斯情况。使用形状推导工具,我们的工作重点是构建一个一般的表达式的能源(相对于一个域)的衍生物,并得出相应的进化速度。在多参数指数族的框架下给出了一般结果。更具体地说,当使用最大似然估计时,演化速度具有简单地取决于概率密度函数的封闭形式的表达式,而当使用其他估计时,例如矩方法,出现复杂的加性项。在合成图像和真实图像上的实验结果证明了该方法的适用性。
2008-05-21 cs.CV
Separability Membrane: 3D Active Contour for Point Cloud Surface Reconstruction
University of Tsukuba(筑波大学);Aoyama Gakuin University(青山学院大学)
本文提出可分离性膜方法,通过最大化点特征类间可分离性并结合自适应B样条表面,在无需训练数据和体积转换的情况下,从含噪声的三维点云中鲁棒重建物体表面。
2025-03-07 cs.CV
Multi-feature driven active contour segmentation model for infrared image with intensity inhomogeneity
School of Electronic and Optical Engineering, Nanjing University of Science and Technology(南京理工大学电子工程与光电技术学院);Shanghai Institute of Spaceflight Control Technology(上海航天控制技术研究所)
红外(IR)图像分割在行人监控、车辆计数、安全监控等城市防御应用中是必不可少的。主动轮廓模型(ACM)是目前应用最广泛的图像分割工具之一,但现有方法仅利用图像的局部或全局单一特征信息来最小化能量函数,容易造成红外图像的误分割。本文提出了一种多特征驱动的活动轮廓分割模型来处理灰度不均匀的红外图像。该方法首先将由全局平均灰度信息计算得到的全局信息与由局部熵、局部标准差和梯度信息计算得到的局部多特征信息相结合,构造了一种特殊设计的有符号压力(SPF)函数。然后,利用局部范围计算的自适应权系数对上述全局项和局部项进行调整。接下来,将SPF函数代入水平集公式(LSF)中进行进一步的进化。最后,经过有限次迭代,LSF收敛,并由相应的收敛结果得到红外图像分割结果。实验结果表明,该方法在红外测试图像的准确率和重叠率方面优于现有模型。
2020-11-25 cs.CV
Contour Detection from Deep Patch-level Boundary Prediction
Institute for Infocomm Research, A-Star(新加坡科技研究局资讯通信研究院)
本文提出了一种基于卷积神经网络的轮廓检测方法。设计了一个多尺度CNN学习框架,用于自动学习最相关的轮廓块检测特征。我们的方法使用补丁级的测量,以创建等值线图重叠补丁。我们证明了所提出的CNN能够有效地检测图像中的大规模轮廓。我们进一步提出了一个指导过滤方法,以改善从大规模的轮廓产生的轮廓图。在主要轮廓基准数据库上的实验结果证明了该方法的有效性。我们表明,我们的方法可以实现良好的检测精细和大规模的轮廓。
2017-05-09 cs.CV
Physical Modeling Techniques in Active Contours for Image Segmentation
Peking University(北京大学)
在主动轮廓的形状提取中引入了物理建模方法,即物理学原理的模拟和可视化。采用这一概念的目的是解决应用活动轮廓线的几个主要困难。首先,提出了一种实现参数活动轮廓(Snakes)拓扑变化的技术。关键策略是模仿气球在一个封闭空间中膨胀和填充多个物体的过程。在移除触摸的气球表面之后,可以通过围绕的剩余气球表面来识别对象。利用Snake扫描的烧伤区域来跟踪轮廓,并给出了Snake曲线停止运动的判据。当蛇完全终止进化时,通过忽略这个标准,它可以通过再次进化蛇并继续区域燃烧来形成连通区域。从烧伤区域的边界提取的轮廓可以分别代表每个对象的子蛇。其次,针对几何活动轮廓(GAC)算法中的大间隙泄漏和分割误差问题,提出了一种新的算法。它将分割过程分为两个处理阶段。通过模拟波在各向同性介质中传播的最后阶段,可以显著增强基于Level Set的GAC中镜像力的影响,并对这两个问题给出满意的解决方案。第三,为了支持上述活动轮廓的物理模型,我们在图像平面上的模板平面上引入了一个通用的图像力场。该力更适合于具有复杂几何形状的噪声图像。
2009-06-30 cs.CV cs.GR
MARL-MambaContour: Unleashing Multi-Agent Deep Reinforcement Learning for Active Contour Optimization in Medical Image Segmentation
Sun Yat-sen University(中山大学);The Australian National University(澳大利亚国立大学)
本文提出首个基于多智能体强化学习的轮廓级医学图像分割框架MARL-MambaContour,通过将轮廓点建模为自主智能体并结合SAC算法、ERAM机制与Mamba策略网络,实现了拓扑一致的精确分割。
2025-07-15 cs.CV
State-of-The-Art Fuzzy Active Contour Models for Image Segmentation
International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院);Indian Statistical Institute, Kolkata(加尔各答印度统计研究所)
图像分割是每个图像分析任务的初始步骤。几十年来,文献中提出了各种各样的分割算法,取得了一定的成功。其中,基于模糊能量的主动轮廓模型在近十年来得到了研究者的广泛关注,发展了多种方法。一个好的分割算法应该在大量包含噪声、模糊、低对比度、区域不均匀性等的图像中表现良好。然而,大多数现有的基于模糊能量的活动轮廓模型的性能通常是在有限数量的图像上进行评估的。在这篇文章中,我们的目的是审查现有的模糊主动轮廓模型从理论的角度来看,也评估他们的实验上的一个大的图像集在各种条件下。大量的各种图像下的分析提供了客观的洞察各种模糊活动轮廓模型的优点和缺点。最后,我们讨论了几个问题和未来的研究方向在这个特定的主题。
2020-08-01 cs.CV eess.IV
Segmentation of Soft atherosclerotic plaques using active contour models
City University London(伦敦城市大学)
由于组成物质的性质,冠状动脉树中非钙化斑块的检测是一个具有挑战性的问题。硬斑块在CTA数据云中由于明显的明亮行为而易于辨别,因此已经提出了许多用于钙化斑块自动分割的方法。相反,软斑块相对于周围心脏组织和血液体素显示出非常小的强度差异。这种强度上的相似性使得软斑块的分离和检测非常困难。这项工作的目的是开发框架分割脆弱的斑块与最小的用户依赖性。第一步,根据冠状动脉在轴向切片中表现为管状结构的事实,建立自动种子点。在接下来的步骤中,已经对造影剂的行为进行了数学建模,以反映相应CTA体积中的染料扩散。因此,基于检测到的种子点和强度行为,局部活动轮廓分割已被应用于提取完整的冠状动脉树。双向分割已被应用于避免由于种子点定位而导致的冠状动脉信息丢失,而轮廓的自动调整功能则捕获新出现的分支。使用快速行进法生成提取的冠状动脉树的中轴,以获得验证造影剂行为的曲线平面重建。在本研究的第二阶段,将对获得的冠状动脉树进行软斑块评价。
2016-07-30 cs.CV
Bayesian Fusion of Active Contour Models and ConvNet Priors for Standing Dead Tree Segmentation
The Hong Kong Polytechnic University(香港理工大学);TomTom North America(TomTom北美公司);University of Freiburg(弗莱堡大学)
针对自然资源监测影像中枯木实例分割,提出贝叶斯最大后验推断框架,融合CNN先验与GAN深度形状模型,驱动主动轮廓水平集演化,在树冠轮廓重建上显著优于Mask R-CNN和K-net。
2026-09-23 cs.CV
Active Canny: Edge Detection and Recovery with Open Active Contour Models
Technical University of Kaiserslautern(凯泽斯劳滕工业大学)
我们介绍了一个边缘检测和恢复框架的基础上开放的活动轮廓模型(snakelets)。这是由标准边缘检测算法(如Canny)输出的噪声或破碎边缘引起的。其思想是利用强边缘提供的局部连续性和平滑性线索,并使它们生长以恢复丢失的边缘。通过这种方式,强边缘被用于通过考虑局部边缘结构来恢复弱边缘或丢失边缘,而不是在梯度幅度高于某个阈值时盲目地将它们链接。我们初始化短snakelet的梯度幅度或二进制边缘自动,然后变形和梯度矢量流的影响下增长。输出snakelet能够恢复大部分的断裂或弱边缘,并且它们提供图像的平滑边缘表示;它们也可以用于更高级别的分析,如轮廓分割。
2016-09-12 cs.CV cs.MM
Contour Completion using Deep Structural Priors
Kharazmi University(哈拉兹米大学);University of Toronto(多伦多大学);McMaster University(麦克马斯特大学)
人类可以很容易地感知到虚幻的轮廓和碎片形状中完整的缺失形式。这项工作研究了这种能力是否可以出现在卷积神经网络(CNN)中,使用直接从图像计算的深度结构先验。在这项工作中,我们提出了一个框架,完成断开的轮廓和连接片段的直线和曲线。在我们的框架中,我们提出了一个模型,甚至不需要知道轮廓的哪些区域被消除。我们引入了一个迭代的过程,完成一个不完整的图像,我们提出了新的措施,引导它找到它需要完成的区域。我们的模型在单个图像上进行训练,并在没有额外训练数据的情况下填充轮廓。我们的工作建立了一个强大的框架,以实现轮廓完成使用深结构先验和广泛的研究如何实现这样的模型。
2023-02-09 cs.CV
A Novel Image Segmentation Enhancement Technique based on Active Contour and Topological Alignments
Faculty of Computer Science, Universiti Teknologi, Malaysia(马来西亚理工大学计算机科学学院);College of Information Technology, UAE University, UAE(阿联酋大学信息技术学院)
拓扑对准和蛇形线用于图像处理,特别是用于定位对象边界。两者都有各自的优点和局限性。为了改进整个图像边界检测系统,我们重点开发了一种新的图像处理算法。我们提出发展的演算法将以主动轮廓法为基础,结合拓扑对齐法来加强影像侦测的方法。该算法提出了一种新的技术,结合了拓扑对齐和蛇的优点。其中,通过拓扑对齐进行的初始分割首先被转换为snake模型的输入,并开始其向感兴趣的对象边界的演化。实验结果表明,该算法能有效地处理低对比度图像和形状细胞,在弱边界条件下也能达到较好的分割效果,这也是目前图像检测技术精度不高的原因。实现了较好的图像分割和边界检测,提高了系统对低对比度图像的处理能力和对过分割和欠分割的处理能力。
2011-06-02 cs.CV
DeepEdge: A Multi-Scale Bifurcated Deep Network for Top-Down Contour Detection
University of Pennsylvania(宾夕法尼亚大学);Dartmouth College(达特茅斯学院)
轮廓检测是许多图像分割和目标检测系统中的基本组成部分。大多数以前的工作利用低级别的功能,如纹理或显着性检测轮廓,然后使用它们作为一个更高级别的任务,如目标检测的线索。然而,我们认为识别物体和预测轮廓是两个相互关联的任务。与传统的方法相反,我们表明,我们可以反转通常建立的管道:而不是检测轮廓与低级别的线索,一个更高级别的识别任务,我们利用对象相关的功能作为高级别的线索轮廓检测。我们通过一个多尺度深度网络来实现这一目标,该网络由五个卷积层和一个分叉的全连接子网络组成。从输入层到第五卷积层的部分是固定的,直接从经过大规模对象分类任务优化的预训练网络中提取。这一部分的网络应用于四种不同尺度的图像输入。然后,这四个平行且相同的流被连接到由两个独立训练的分支组成的分叉子网络。一个分支学习预测轮廓可能性(具有分类目标),而另一个分支被训练学习人类标记者在给定点同意轮廓存在的比例(具有回归标准)。我们表明,在没有任何特征工程的情况下,我们的多尺度深度学习方法在轮廓检测方面取得了最先进的结果。
2015-04-23 cs.CV
DARNet: Deep Active Ray Network for Building Segmentation
University of Toronto(多伦多大学);Vector Institute(向量研究所);Uber ATG Toronto(Uber ATG多伦多);NVIDIA(英伟达)
在本文中,我们提出了一种用于自动建筑分割的深度主动射线网络(DARNet)。以图像作为输入,它首先利用深度卷积神经网络(CNN)作为骨干来预测能量图,然后进一步利用能量图来构建能量函数。然后通过最小化能量函数来演化基于轮廓的轮廓,其中最小值定义了最终的分割。代替使用欧几里德坐标来参数化轮廓,我们采用极坐标,即,射线,这不仅防止了自相交,而且简化了能量函数的设计。此外,我们提出了一个损失函数,直接鼓励轮廓匹配建筑物的边界。我们的DARNet是通过能量最小化和主干CNN反向传播进行端到端训练的,这使得CNN能够适应轮廓演化的动态。在三个建筑实例分割数据集上的实验表明,我们的DARNet实现了最先进的或与其他竞争对手相当的性能。
2019-05-15 cs.CV
Combining CNN and Hybrid Active Contours for Head and Neck Tumor Segmentation in CT and PET images
Nanjing University of Science and Technology(南京理工大学);Nanjing University(南京大学)
头颈部肿瘤的自动分割在放射组学分析中起着重要的作用。在这篇简短的论文中,我们提出了一种基于卷积神经网络(CNN)和混合活动轮廓相结合的PET和CT图像头颈部肿瘤自动分割方法。具体来说,我们首先引入多通道3D U-Net来分割肿瘤与串联的PET和CT图像。然后,我们估计分割的不确定性模型集成和定义一个分割质量得分选择的情况下,具有高的不确定性。最后,我们开发了一个混合主动轮廓模型,以改善高不确定性的情况。我们的方法在MICCAI 2020 HECKTOR挑战赛中排名第二,平均Dice相似系数,精确度和召回率分别为0.752,0.838和0.717。
2020-12-28 cs.CV eess.IV
Three-Dimensional GPU-Accelerated Active Contours for Automated Localization of Cells in Large Images
University of Houston(休斯顿大学)
显微镜下的细胞分割是一个具有挑战性的问题,因为细胞通常是不对称的和密集的。这对于非常大的图像来说尤其具有挑战性,因为手动干预和处理时间可能会使分割变得棘手。在本文中,我们提出了一个高效的和高度并行的制定对称三维(3D)轮廓演化,扩展了以前的工作快速二维活动轮廓。我们提供了一个配方优化的3D图像,以及一个战略,加速消费者图形硬件上的计算。所提出的软件利用蒙特卡罗抽样方案,以加快收敛速度,减少线程发散。实验结果表明,该方法提供了优越的性能为大型2D和3D细胞分割任务相比,现有的方法对大型3D脑图像。
2018-04-17 cs.CV eess.IV
Tongue contour extraction from ultrasound images based on deep neural network
Université Pierre et Marie Curie(皮埃尔和玛丽·居里大学);SIGnal processing and MAchine learning Lab, ESPCI ParisTech, PSL Research University(巴黎高等物理化工学院信号处理与机器学习实验室,巴黎文理研究大学);Vocal Tract Visualization Lab, University of Maryland Dental School(马里兰大学牙科学院声道可视化实验室)
使用超声波研究语音过程中的舌头运动是一个标准程序,但自动超声图像标记仍然是一个挑战,因为标准的舌头形状提取方法通常需要人工干预。提出了一种基于深度神经网络的舌体轮廓自动提取方法。我们使用经过训练的深度自动编码器来学习图像及其相关轮廓之间的关系,以便模型能够仅从超声图像自动重建轮廓。在本文中,我们使用自动标记算法,而不是耗时的手工标记在训练过程中,并估计自动标记和轮廓提取的性能相比,手工标记。观察结果显示质量评分与最新技术水平相当。
2016-05-19 cs.CV
Instance segmentation of fallen trees in aerial color infrared imagery using active multi-contour evolution with fully convolutional network-based intensity priors
The Hong Kong Polytechnic University(香港理工大学);Bavarian Forest National Park(巴伐利亚森林国家公园)
在本文中,我们介绍了一个框架分割实例的一个共同的对象类的多个活动轮廓进化的语义分割地图的图像,通过完全卷积网络。轮廓演变被铸造作为一个能量最小化的问题,其中的总能量功能结合了一个数据拟合项,一个明确的形状模型,并占对象重叠。提出了有效的解决方案邻域算子,使优化通过元算法,如模拟退火。我们实例化的背景下分割个人下降的干高分辨率航空多光谱图像的建议框架。我们在3个不同复杂度的真实场景上验证了我们的方法。试验地块位于德国巴伐利亚森林国家公园的地区,那里遭受了严重的树皮甲虫侵扰。在多边形和线段两个层次上进行了评价,表明多轮廓分割可以达到0.93的精度和0.82的召回率。与迭代样本共识线段检测相比,召回率提高了7个百分点(PP),精确度提高了6个百分点。尽管简单的应用形状参数化,明确的形状模型纳入能量函数提高了结果高达4 PP的召回。最后,我们展示了使用基于深度学习的语义分割方法作为个体词干检测基础的重要性。我们的方法是一个步骤,增加自动倒树映射的可访问性,由于更高的成本效益相比,激光扫描的航空图像采集。精确的倒木图可进一步用作植物和动物生境模拟、森林生态系统固碳和土壤质量研究的基础。
2021-05-05 cs.CV
Unsupervised Microvascular Image Segmentation Using an Active Contours Mimicking Neural Network
Tel Aviv University(特拉维夫大学);Facebook AI Research(脸书人工智能研究院)
显微图像中的血管分割对于许多诊断和研究应用至关重要。然而,根据瞬态成像条件的不同,血管可能看起来有很大的不同,并且收集用于监督训练的数据是费力的。我们提出了一种新的深度学习方法,用于血管的无监督分割。该方法的灵感来自于活动轮廓领域,我们引入了一个新的损失项,这是基于形态学活动轮廓无边缘(ACWE)优化方法。形态算子的作用是由新的池化层发挥的,这些池化层被纳入网络的架构。我们展示了当成像条件发生变化时,以前的监督学习解决方案所面临的挑战。我们的无监督方法在标记数据集以及应用于相似但不同的数据集时都能够优于以前的方法。我们的代码,以及基线方法VesselNN和DeepVess的高效PyTorch重新实现可在GitHub -https://github.com/shirgur/UMIS上获得。
2019-08-16 cs.CV eess.IV
A higher-order active contour model of a `gas of circles' and its application to tree crown extraction
许多图像处理问题涉及识别场景中给定实体所占据的图像域中的区域。这些问题的自动解决方案需要模型,将显着的先验知识的形状的区域。当区域的拓扑结构先验未知时,例如当实体由未知数量的相似对象组成时,用于包括这种知识的许多方法遇到困难。高阶活动轮廓(HOAC)表示一种用于对关于形状的非平凡先验知识进行建模的方法,而不必约束区域拓扑结构,通过在定义模型的能量中包含区域边界点之间的非局部相互作用。未知数量的圆形物体的情况出现在许多领域,例如医学,生物,纳米技术和遥感图像。由先验未知数目的圆组成的区域可称为“圆的气体”。在这份报告中,我们提出了一个HOAC模型的“气体的圆圈”。为了保证稳定的圆,我们进行了稳定性分析,通过一个功能的泰勒展开的HOAC能量周围的圆形形状。该分析根据其他参数固定其中一个模型参数,并约束其余参数。结合适当的似然能量,我们将该模型应用于从航空图像中提取树冠,并表明新模型优于其他技术。
2006-11-22 cs.CV
A Characteristic Function-based Algorithm for Geodesic Active Contours
Nanjing University of Science and Technology(南京理工大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Hong Kong University of Science and Technology(香港科技大学);Nanjing University(南京大学)
主动轮廓模型在图像分割中得到了广泛的应用,水平集方法是求解该模型的最常用方法,它通过一个水平集函数隐式地表示轮廓。然而,LSM遭受高计算负担和数值不稳定性,需要额外的正则化项或重新初始化技术。在本文中,我们使用的特征函数隐式表示的轮廓,提出了一种新的表示测地线活动轮廓,并推导出一个有效的算法称为迭代卷积阈值法(ICTM)。与LSM相比,ICTM更简单,效率更高。此外,ICTM享有基于水平集的方法的最期望的功能。大量的实验,在2D合成,2D超声,3D CT和3D MR图像的结节,器官和病变分割,表明所提出的方法不仅获得可比的,甚至更好的分割结果(相比LSM),但也取得了显着的加速。
2021-05-07 cs.CV cs.NA math.NA
Tumor Motion Tracking in Liver Ultrasound Images Using Mean Shift and Active Contour
在本文中,我们提出了一种新的方法,在肝脏超声图像序列中的肿瘤运动跟踪。我们的算法有两个主要步骤。在第一步中,我们应用具有多个特征的均值漂移算法来估计每帧中目标的中心。第一帧中的目标使用椭圆定义。从第一帧中提取边缘、纹理和强度特征,然后分别对每个特征应用均值漂移算法,以在下一帧中找到与该特征相关的椭圆中心。椭圆的中心将是这些中心的加权平均值。通过使用均值漂移,我们实际上估计了两个连续帧之间的目标运动。一旦知道了每帧中的正确椭圆体,在第二步中,我们应用动态方向梯度矢量流(DDGVF)版本的活动轮廓模型,以便找到肿瘤的正确边界。该算法首先在活动轮廓线的边界上采样几个点,然后在连续两帧中根据椭球中心的平移量对这些点进行平移,从而确定目标的运动。我们使用这些平移的样本点作为下一帧活动轮廓的初始猜测。实验结果表明,该方法对超声图像序列中的肝脏肿瘤跟踪具有可靠的性能。
2015-10-14 cs.CV stat.ML
A Generalized Asymmetric Dual-front Model for Active Contours and Image Segmentation
Qilu University of Technology (Shandong Academy of Sciences)(齐鲁工业大学(山东省科学院));Shandong Artificial Intelligence Institute(山东人工智能研究院);University of Exeter(埃克塞特大学);The University of Liverpool(利物浦大学);CNRS(法国国家科学研究中心);Université Paris-Sud(巴黎第十一大学);Université Paris-Saclay(巴黎萨克雷大学);University Paris Dauphine, PSL Research University(巴黎第九大学(巴黎文理研究大学))
基于沃罗诺伊图的双前沿活动轮廓模型是解决图像分割和区域划分问题的有效方法。在双波前模型的基本公式中,演化轮廓可以被认为是相邻Voronoi区域的界面。在这些双波前模型中,一个重要的组成部分被认为是测地度量,通过它可以估计测地距离和相应的沃罗诺伊图。本文介绍了一类非对称二次度量双波前模型。所考虑的指标是建立的图像特征和矢量场的集成来自不断变化的轮廓。使用非对称增强可以降低轮廓捷径或泄漏问题的风险,特别是当初始轮廓远离目标边界或图像具有复杂的强度分布时。此外,所提出的双前端模型可以应用于图像分割结合各种基于区域的同质性条款。对合成图像和真实图像的数值实验表明,所提出的双波前模型确实取得了令人鼓舞的结果。
2021-05-04 cs.CG cs.CV
Deep Snake for Real-Time Instance Segmentation
Zhejiang University(浙江大学);Deepwise AI Lab(深睿医疗人工智能实验室)
本文介绍了一种新的基于轮廓的方法,称为深蛇的实时的【形】实例分割。与最近的一些直接从图像中回归对象边界点坐标的方法不同,Deep Snake使用神经网络来迭代地变形初始轮廓以匹配对象边界,这实现了基于学习的Snake算法的经典思想。对于轮廓上的结构化特征学习,我们建议在深蛇中使用循环卷积,与通用图卷积相比,它更好地利用了轮廓的循环图结构。基于Deep Snake,我们开发了一个用于实例分割的两阶段流水线:初始轮廓建议和轮廓变形,可以处理对象定位中的错误。实验结果表明,该方法在Cityscapes、KINS、SBD和COCO数据集上取得了较好的性能,同时在1080 Ti GPU上对512幅$\times$ 512图像的处理速度达到了32.3 fps,对于实时的【形】应用也是有效的。该代码可在https://github.com/zju3dv/snake/上获得。
2020-04-01 cs.CV
Learning Deep Structured Multi-Scale Features using Attention-Gated CRFs for Contour Prediction
The University of Trento(特伦托大学);The University of Sydney(悉尼大学);INRIA(法国国家信息与自动化研究所);University of Perugia(佩鲁贾大学);The Chinese University of Hong Kong(香港中文大学)
最近的工作表明,利用通过卷积神经网络(CNN)深入学习的多尺度表示对于准确的轮廓检测非常重要。本文提出了一种新的预测轮廓的方法,其中先进的两个基本方面,即多尺度特征生成和融合的最新技术。与以前直接考虑从主要CNN架构的内层获得的多尺度特征图的工作不同,我们引入了一个分层深度模型,该模型产生更丰富和互补的表示。此外,为了改进和鲁棒地融合在不同尺度上学习的表示,提出了新的注意力门控条件随机场(AG-CRF)。在两个公开数据集(BSDS 500和NYUDv 2)上运行的实验证明了潜在AG-CRF模型和整体层次框架的有效性。
2018-01-01 cs.CV
An Active Contour Model with Local Variance Force Term and Its Efficient Minimization Solver for Multi-phase Image Segmentation
The Hong Kong Polytechnic University(香港理工大学);Research Institute for Smart Energy(智慧能源研究院)
在本文中,我们提出了一个活动轮廓模型与局部方差力(LVF)项,可应用于多阶段的图像分割问题。与LVF,该模型是非常有效的分割图像的噪声。为了有效地解决这个模型,我们表示的正则项的特征函数,然后设计一个最小化算法的基础上修改的迭代卷积阈值法(ICTM),即ICTM-LVF。这种最小化算法在一定条件下具有能量衰减特性,分割效率高。为了克服主动轮廓模型的初始化问题,我们将非齐次图拉普拉斯初始化方法(IGLIM)推广到多相情形,并将其应用于ICTM-LVF求解器的初始轮廓。在合成图像和真实图像上进行了数值实验,以证明我们的初始化方法的能力,以及局部方差力在多相位图像分割中对噪声鲁棒性的有效性。
2022-03-17 cs.CV cs.NA math.NA
DCAN: Deep Contour-Aware Networks for Accurate Gland Segmentation
The Chinese University of Hong Kong(香港中文大学)
腺体形态学常被病理学家用来评估腺癌的恶性程度。从组织学图像中准确分割腺体是获得可靠的形态学统计数据进行定量诊断的关键步骤。在本文中,我们提出了一种高效的深度轮廓感知网络(DCAN),以在统一的多任务学习框架下解决这一具有挑战性的问题。在所提出的网络中,从层次结构的多层次的上下文特征进行了探索,辅助监督准确的腺体分割。当在训练过程中结合多任务正则化时,可以进一步提高中间特征的区分能力。此外,我们的网络不仅可以输出准确的腺体概率图,而且可以同时描绘清晰的轮廓,以分离聚类对象,这进一步提高了腺体分割性能。这种统一的框架可以是有效的,当应用于大规模的组织病理学数据,而不诉诸于额外的步骤来生成基于低级别的线索后分离的轮廓。我们的方法在13个竞争团队中赢得了2015年MICCAI腺体分割挑战赛,远远超过了所有其他方法。
2016-04-10 cs.CV
An Active Contour Model for Silhouette Vectorization using Bézier Curves
Universidad de Las Palmas de Gran Canaria(拉斯帕尔马斯大学);City University of Hong Kong(香港城市大学)
提出一种基于三次 Bézier 曲线的活动轮廓模型,通过优化端点、切向与曲线参数提升轮廓矢量化精度,并在多种软件和方法上显著降低边界距离。
2025-05-10 cs.CV cs.GR math.FA