导读:本文包含了活动轮廓算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:轮廓,模型,图像,水平,变分法,函数,均值。
活动轮廓算法论文文献综述
李鸿雁,唐娴[1]（2019）在《聚类分析和活动轮廓模型相融合的图像分割算法》一文中研究指出针对当前图像分割算法存在的分割误差大、分割时间长及无法进行在线图像分割的不足,提出一种基于聚类分析和活动轮廓模型相融合的图像分割算法.首先,对原始图像进行去噪处理,采用聚类分析算法对原始图像进行粗分割,将粗分割结果作为活动轮廓模型的初始轮廓线;其次,将活动轮廓模型根据初始轮廓线对图像不同区域轮廓进行拟合,实现图像的精细分割;最后与聚类分析算法、活动轮廓模型以及当前经典图像分割算法进行对比测试实验.实验结果表明,本文算法克服了当前图像分割算法存在的缺陷,提高了图像分割效率和精度,对噪声不敏感,并具有较强的鲁棒性,图像整体分割效果显着优于对比算法.(本文来源于《吉林大学学报(理学版)》期刊2019年04期）
韩纪东[2]（2019）在《基于活动轮廓模型的MRI脑肿瘤分割算法研究》一文中研究指出近年来脑部肿瘤的发病频率越来越高,已成为威胁人们生命的重要因素。MR是确诊脑肿瘤的重要方式,MR脑肿瘤图像的目标识别和肿瘤区域分割成为图像领域的研究重点。CV模型在脑部核磁图像的目标识别和肿瘤分割研究中具有重要地位,本文重点研究基于改进CV模型的脑肿瘤分割算法。主要工作如下:1)综合研究了活动轮廓模型的基本原理和演变过程,以及它在医学图像分割范畴的相关应用。发表了关于活动轮廓模型近五年研究现状的综述论文。重点研究了 Snake算法及CV模型,对比分析了CV模型在医学图像分割中的优点和不足。2)为解决CV(Chan-Vese)模型算法分割灰度变化缓慢、边缘变化不明显的MR图像的缺陷,提出基于CV模型改进的MR图像分割算法。改进了 CV模型的能量函数,采用新的g(R)函数代替Dirac函数,优化了 CV模型算法的相关参数,提升了 CV模型算法分割图像的精确度和速度。首先,引入了一个新的局部项。通过对图像使用部分直方图均衡预处理得到I',让I'减去原图像以获得目标边缘显着变化的VI,▽I作为CV模型的能量函数的局部项而被引入。然后,由得到的▽I构造边缘指示函数。用新构造的边缘指示函数g(R)替换Dirac函数解决了CV模型演化曲线无法检测到远离目标的边缘的问题。最后,优化平滑项参数以减少迭代次数,提高运行效率。实验显示,该算法对脑内复发性胶质母细胞瘤的MR图像拥有良好的分割效果。3)为解决CV模型分割MR图像时脑实质以外区域对脑肿瘤分割的影响,实现分割出MR图像中脑肿瘤的目的,提出了一种预处理算法,实现了CV模型算法提取出MR图像中的脑肿瘤区域。先对原图像使用迭代阈值分割算法,脑实质以外区域将形成一个单独的连通域,去除该连通域,即得到脑实质区域的二值图像;再对得到的图像进行孔洞填充操作、形态学的腐蚀操作;而后,使用FCM算法处理只包含脑实质区域的MR图像,以提高脑肿瘤区域与周围组织的对比度;最后,对MR图像使用CV模型算法,提取活动轮廓线围成闭合区域的第二大的区域,该区域即为MR图像脑肿瘤区域。由最终的实验可以看出,该方法效果良好。本文提出的两个改进算法在精度和效率上都有所提升,考虑到肿瘤形态的更多变化,未来的研究还会进一步深入。希望计算机技术的发展能够辅助疾病的快速诊断,提高脑肿瘤的精准定位。(本文来源于《江西理工大学》期刊2019-05-19）
陈树越,李颖,刘佳镔,朱军,黄萍[3]（2019）在《基于活动轮廓模型的图像分割改进算法》一文中研究指出针对CV(Chan-Vese)模型对低对比度和灰度不均匀图像难以分割,以及LGIF(Local and Global Intensity Fitting)模型初始轮廓曲线位置影响分割速度的问题,提出了一种在LGIF活动轮廓模型的能量泛函中添加图像聚类信息的K-LGIF(K-means-Local and Global Intensity Fitting)模型,其使用被提取图像的轮廓作为初始轮廓,不同于已有算法使用规则的图形作为模型的初始轮廓。实验结果表明,所给出的算法不仅能保证图像分割效果,而且能够减少迭代次数、缩短图像分割时间,所给出的算法模型分别比CV,LBF,LGIF模型的运算效率提高了9.22倍、2.46倍和1.42倍。(本文来源于《常州大学学报(自然科学版)》期刊2019年02期）
李社蕾,黄梦醒[4]（2019）在《改进几何活动轮廓模型的水下图像分割算法研究》一文中研究指出由于海洋环境对光有很强的的吸收和散射效应,导致水下成像存在对比度低、噪声严重及灰度不均等问题[1,2],在很大程度上影响了水下图像分割的效果.论文研究了几何活动轮廓模型的基本理论,结合水下图像对比度低、图像模糊、偏色等问题,对自适应的GACV图像分割算法进行改进,建立了适用于水下图像分割的改进的自适应GACV图像分割算法的数学模型,并对水下图像进行分割仿真.仿真结果表明,该模型对弱边缘更加敏感,对具有对比度低、图像模糊特点的水下图像实现了完全分割,达到了预期的分割效果,表现出了良好的鲁棒性.(本文来源于《小型微型计算机系统》期刊2019年03期）
陈红,于晓升,吴成东,孙鹏[5]（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）
郑翰艺,邱天爽[6]（2018）在《基于测地线活动轮廓模型的图像联合分割算法》一文中研究指出为了辅助医生对肿瘤治疗方案和靶区形状的设计,我们研究了PET/CT图像联合自动分割,将计算机自动分割的结果作为一个较客观的依据。传统的测地线活动轮廓模型(GAC)具有边缘演化迅速,对弱边界也能准确分割的优点,但是该算法只能利用一种模态的图像信息进行分割。本研究算法在传统的测地线活动轮廓模型基础上进行改进,重新设计其边缘函数,综合利用了CT信息与PET信息,使算法利用两种模态的医学图像信息进行联合分割。由于边缘函数中结合了两种信息,所以算法的演化收敛速度有一定的提升,分割出的边缘也更加合理,较单一PET图像分割算法具有更准确的边界。(本文来源于《生物医学工程研究》期刊2018年04期）
彭书娟,曲长文,李健伟,邵嘉琦,骆卉子[7]（2019）在《基于ROEWA算子局部活动轮廓的SAR图像分割算法》一文中研究指出针对经典可变区域拟合(region-scalable fitting,RSF)模型无法分割合成孔径雷达(synthetic aperture radar,SAR)图像的问题,提出了一种基于指数加权均值比(ratio of exponentially weighted averages,ROEWA)算子的改进RSF局部活动轮廓模型。算法首先以SAR图像目标边缘的ROEWA算子的负指数函数为边缘指示函数,对区域可伸缩能量项和弧长项进行加权,消除了原模型中梯度算子对于乘性相干斑满布的SAR图像边缘检测失效的弊端,还防止了目标弱边界的泄漏,避免了边界缺失;其次在零水平集演化的偏微分方程中加入权系数可变的面积项,提升了算法在目标边缘处的自适应捕获能力,同时也提高了算法对目标多层轮廓的检测能力,并且最大化地保留了目标的外轮廓;面积项的可变权系数可根据目标的ROEWA算子的模值来自动调整大小,很好地保持了目标的边缘细节。改进算法不受初始轮廓的影响,对相干斑噪声不敏感,且实验证明算法的计算复杂度仅与图像的尺寸有关。通过对合成与真实的SAR图像数据进行实验,验证了所提方法的直观性和有效性。(本文来源于《系统工程与电子技术》期刊2019年02期）
高建瓴,孟宇婷,邸泽雷坤[8]（2018）在《基于自适应活动轮廓模型的医学图像分割算法研究》一文中研究指出针对传统活动轮廓模型中CV模型和LBF模型能量泛函单一,不能准确快速分割灰度不均匀医学图像的问题,提出一种基于自适应的活动轮廓模型。新模型首先对CV模型的全局拟合项进行改进,使改进后的轮廓曲线对灰度变化区域敏感,其次引入LBF模型的局部拟合项,并对局部拟合项和全局拟合项的权重系数采用自适应函数的形式进行调整,得到最终的自适应活动轮廓模型。实验结果表明:新的模型不仅能够对医学图像中灰度不均匀区域起到较好的分割效果,而且对初始轮廓具有较强的鲁棒性,与此同时自适应权重函数的加入提高了算法在图像上的通用性和运算效率。(本文来源于《贵州大学学报(自然科学版)》期刊2018年05期）
Khumdoung,Netsai,邱天爽[9]（2018）在《基于全局和局部相关熵活动轮廓模型的超声图像分割算法》一文中研究指出局部相关熵K均值(LCK)模型在非高斯噪声和图像灰度不均匀时具有较好的图像分割效果,但是其计算复杂度较高,收敛较慢。针对该问题,本研究将局部相关熵能量项和全局相关熵能量项结合,提出了全局与局部相关熵K均值(GLCK)图像分割算法。其中局部相关熵力在目标边界附近起主导作用,用来吸引水平集函数曲线到达目标边界,而全局相关熵力在远离目标边界处起主导作用。对超声医学图像和人工合成图像进行了图像分割实验,并同LCK等模型进行了对比,结果表明提出的GLCK模型具有更好的鲁棒性和图像分割精度,并且计算时间也显着减少。另一方面GLCK模型对于噪声和模糊边界影响严重的超声医学图像,具有好的分割效果。(本文来源于《生物医学工程研究》期刊2018年02期）
赵汝正[10]（2018）在《基于活动轮廓模型的图像分割算法研究》一文中研究指出进入大数据时代,人类产生了大量的图像数据,这些数据里蕴藏了一笔巨大的财富。为了有效地从海量图像数据中发掘信息,数字图像处理受到了各界的重视,近十几年来发展十分迅速。图像分割是数字图像处理中不可忽略的重要的一环,而边界提取是其中之一的重要分支。边界提取的算法有很多种,其中活动轮廓模型是一类基于微分方程的边界提取算法。因为这类算法具有分割结果为闭合曲线且实现相对简单的优点成为了当前研究的一个热点。本文对活动轮廓模型的基本理论及基本知识做出了总结,在基本的理论框架下介绍了几种经典的活动轮廓模型。通过对活动轮廓模型的梳理,发现活动轮廓模型还存在许多有待改进的问题,包括传统的活动轮廓模型计算代价过高、抗噪能力较弱分割难以对复杂图像进行有效的分割等。为提高传统活动轮廓模型的计算效率及分割复杂图像的能力,本文对活动基于活动轮廓模型的图像分割算法展开了研究。本文主要贡献如下:首先,针对梯度向量流活动轮廓模型中用扩散计算向量场所需计算量大、耗时长问题,提出一种新的计算方法——部分扩散部分插值。该方法先对图像部分像素点用扩散的方法计算GVF外力场,然后采用插值的方法计算剩余点的外力向量场。采用部分扩散部分插值的方法,能节省计算量和计算时间,而且在一定程度上能增强抗噪能力。其次,本文研究了显着度模型与活动轮廓模型,将两者有效地结合提出了一种基于显着度的活动轮廓模型算法。算法利用显着图产生的向量场及原图的梯度向量流向量场对一条闭合的曲线进行演化,使曲线可以表达目标的轮廓。实验证明本文算法明显提高了传统梯度向量流活动轮廓模型分割复杂图像能力。最后,传统的图像分割算法没有利用先验信息,单单利用图像本身的信息进行分割。本文提出了一种能够利用分布先验信息的非参数统计活动轮廓模型算法。利用分布先验信息能够有效提高分割效果及分割效率。为提高运算速度,本文还提出了一种加速计算的方法。实验结果表面,利用本文提出的算法对人工图片和自然图像进行分割均能取得不错的效果。对比实验表明,本文提出的算法与没有引入先验信息的传统非参数统计活动轮廓模型相比在准确性和计算效率方面均有明显的提高。(本文来源于《华南理工大学》期刊2018-05-31）
活动轮廓算法论文开题报告
（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：
近年来脑部肿瘤的发病频率越来越高,已成为威胁人们生命的重要因素。MR是确诊脑肿瘤的重要方式,MR脑肿瘤图像的目标识别和肿瘤区域分割成为图像领域的研究重点。CV模型在脑部核磁图像的目标识别和肿瘤分割研究中具有重要地位,本文重点研究基于改进CV模型的脑肿瘤分割算法。主要工作如下:1)综合研究了活动轮廓模型的基本原理和演变过程,以及它在医学图像分割范畴的相关应用。发表了关于活动轮廓模型近五年研究现状的综述论文。重点研究了 Snake算法及CV模型,对比分析了CV模型在医学图像分割中的优点和不足。2)为解决CV(Chan-Vese)模型算法分割灰度变化缓慢、边缘变化不明显的MR图像的缺陷,提出基于CV模型改进的MR图像分割算法。改进了 CV模型的能量函数,采用新的g(R)函数代替Dirac函数,优化了 CV模型算法的相关参数,提升了 CV模型算法分割图像的精确度和速度。首先,引入了一个新的局部项。通过对图像使用部分直方图均衡预处理得到I',让I'减去原图像以获得目标边缘显着变化的VI,▽I作为CV模型的能量函数的局部项而被引入。然后,由得到的▽I构造边缘指示函数。用新构造的边缘指示函数g(R)替换Dirac函数解决了CV模型演化曲线无法检测到远离目标的边缘的问题。最后,优化平滑项参数以减少迭代次数,提高运行效率。实验显示,该算法对脑内复发性胶质母细胞瘤的MR图像拥有良好的分割效果。3)为解决CV模型分割MR图像时脑实质以外区域对脑肿瘤分割的影响,实现分割出MR图像中脑肿瘤的目的,提出了一种预处理算法,实现了CV模型算法提取出MR图像中的脑肿瘤区域。先对原图像使用迭代阈值分割算法,脑实质以外区域将形成一个单独的连通域,去除该连通域,即得到脑实质区域的二值图像;再对得到的图像进行孔洞填充操作、形态学的腐蚀操作;而后,使用FCM算法处理只包含脑实质区域的MR图像,以提高脑肿瘤区域与周围组织的对比度;最后,对MR图像使用CV模型算法,提取活动轮廓线围成闭合区域的第二大的区域,该区域即为MR图像脑肿瘤区域。由最终的实验可以看出,该方法效果良好。本文提出的两个改进算法在精度和效率上都有所提升,考虑到肿瘤形态的更多变化,未来的研究还会进一步深入。希望计算机技术的发展能够辅助疾病的快速诊断,提高脑肿瘤的精准定位。
（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。
活动轮廓算法论文参考文献
[1].李鸿雁,唐娴.聚类分析和活动轮廓模型相融合的图像分割算法[J].吉林大学学报(理学版).2019
[2].韩纪东.基于活动轮廓模型的MRI脑肿瘤分割算法研究[D].江西理工大学.2019
[3].陈树越,李颖,刘佳镔,朱军,黄萍.基于活动轮廓模型的图像分割改进算法[J].常州大学学报(自然科学版).2019
[4].李社蕾,黄梦醒.改进几何活动轮廓模型的水下图像分割算法研究[J].小型微型计算机系统.2019
[5].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
[6].郑翰艺,邱天爽.基于测地线活动轮廓模型的图像联合分割算法[J].生物医学工程研究.2018
[7].彭书娟,曲长文,李健伟,邵嘉琦,骆卉子.基于ROEWA算子局部活动轮廓的SAR图像分割算法[J].系统工程与电子技术.2019
[8].高建瓴,孟宇婷,邸泽雷坤.基于自适应活动轮廓模型的医学图像分割算法研究[J].贵州大学学报(自然科学版).2018
[9].Khumdoung,Netsai,邱天爽.基于全局和局部相关熵活动轮廓模型的超声图像分割算法[J].生物医学工程研究.2018
[10].赵汝正.基于活动轮廓模型的图像分割算法研究[D].华南理工大学.2018
论文知识图
