REGION-BASED ACTIVE CONTOUR DRIVEN BY GLOBAL INTENSITY FITTING ENERGY

合集下载

半导体制造专业英语术语

aluminum铝
aluminum subtractive process铝刻蚀工艺
ambient环境
ammonia(NH3)氨气
ammonium fluoride(NH4F)氟化氨
ammonium hydroxide(NH4OH)氢氧化氨
amorphous非晶的，无定型
analog模拟信号
angstrom埃
BICMOS双极CMOS
bincode number分类代码号
bin map分类图
bipolar junction transistor(BJT)双极晶体管
bipolar technology双极技术（工艺）
bird’s beak effect鸟嘴效应
blanket deposition均厚淀积
blower增压泵
die matrix芯片阵列
die separation分片
diffraction衍射
diffraction-limited optics限制衍射镜片
diffusion扩散
diffusion controlled受控扩散
digital/analog数字/模拟
digital circuit
diluent
CERDIP陶瓷双列直插封装
Channel沟道
channel length沟道长度
channeling沟道效应
charge carrier载流子
chase技术夹层
chelating agent螯合剂
chemical amplification(CA)化学放大胶
chemical etch mechanism化学刻蚀机理
deep UV(DUV)深紫外光
default n.默认(值),缺省(值),食言,不履行责任, [律]缺席v.疏怠职责,缺席,拖欠,默认

基于区域和边界融合的CV模型研究

基于区域和边界融合的CV模型研究孟宇婷;高建瓴【摘要】针对传统CV模型利用全局信息作为拟合项导致不能准确分割灰度不均匀目标边界的问题,提出一种结合区域信息的CV模型.通过在全局拟合能量项中引入区域灰度信息构造新的拟合项,计算拟合曲线附近区域灰度信息的相似性特征来推动曲线的演化,在最终的能量泛函中加入边缘信息,终止曲线的演化.实验表明:改进后的CV模型能够准确分割灰度不均匀图像的目标边界,并对噪声和初始轮廓具有较强的鲁棒性.【期刊名称】《通信技术》【年(卷),期】2018(051)009【总页数】5页(P2087-2091)【关键词】CV模型;区域灰度相似性;边缘检测函数;全局项【作者】孟宇婷;高建瓴【作者单位】贵州大学大数据与信息工程学院,贵州贵阳 550025;贵州大学大数据与信息工程学院,贵州贵阳 550025【正文语种】中文【中图分类】TP391.410 引言图像分割是图像处理中的一个重要环节，目的在于提取图像中含有重要特征或信息的目标区域。

图像分割的精确往往决定后期图像处理与分析的准确度，而针对目前图像处理中目标区域所呈现的目标结构复杂、噪声大、灰度不均匀等特性，传统的图像分割算法如基于边缘检测的分割算法、基于阈值的分割算法等对图像的分割达不到预期效果。

近年来，基于形变模型的分割算法成为当前的研究热点。

该模型的优点在于通过计算能量泛函的最小值，使拟合曲线逐渐趋近于目标边界，最终达到拟合。

基于形变活动轮廓模型一般分为基于边缘模型和基于区域模型两种。

基于边缘模型利用图像的梯度信息来控制曲线的演化，基于区域模型利用区域灰度信息来控制曲线演化。

而基于区域的活动轮廓模型相比于边缘模型来说，更适合分割复杂、噪声较大的图像，原因在于其通过引入水平集函数来表示目标轮廓，从而达到准确分割目标图像的目的。

CV模型、LBF模型和PC模型等，都是基于区域的活动轮廓模型。

2001年，Chan等人提出Chan-Vese模型[1]，通过计算目标区域与背景区域的灰度信息来控制曲线的拓扑变化，使得复杂结构的目标得以准确分割且对初始轮廓有较高的鲁棒性。

BIOMEDICAL ENGINEERING- APPLICATIONS, BASIS & COMMUNICATIONS INTEGRATING EDGE DETECTION AND

methods are inherently apt at locating boundaries.internal textures or background, and to perform edgelegs are fixed. Becausestatic measurement methods cannot accurately reflects between class variance method[12], moment preserving method [13] and entropythresholded result using the moment preservingsmethod will tend towards over-detection. On the otherFor dyadic decomposition, the subscript. The coefficient sets are generated by down sampling by a factor of two after each convolution. The denotes the detailed coefficient set with orientation determined by the direction (horizontal, vertical or diagonal) in which the high-pass filter is employed. Here, the biorthogonal spline wavelets are adopted. We magnify the detail coefficients prior to reconstruction such that promising edge contrast enhancement is achieved.The magnification factors can be either scale-irrelevancy or scale-relevancy. The enhancement region can be either local or global. Global enhancement does not only enhance the bone and soft tissue junctions but also enhance the interior texture ofSE3and SE4are structure elements shown in Fig. 5(b) and (c), denotes the erosion operation, denotes the exclusive-OR operation, and denotes the dilation operation. The estimated BJZ of Fig. 6(a) is shown in F ig. 6(b). The superimposition consequence of the original image and the demonstrated in Fig. 6(c). The result demonstrates thatw w w w the initial magnification factor corresponding to the first scale. Similarly, for the scale-increase approach, the magnification factors increase by the scale parameter factor, i.e. (w, w w, 2w, 2 w), accordingly. As for the scale-irrelevancy approach, the triple of the magnification factors (ww2, w) is (w, w, w), individually. F rom the experimental study, we conclude that the thresholding outcome of the ROI based approach is not veryplate of spaghetti' effect. This effect has beenseen as a drawback in many applications. However,the compromising result under the consideration ofTo simplify the description of the subsequentig. 7(a) is selected for an example. Fdenotes the erosion operation anddenotes the exclusive-OR operation.Step 2. Calculating the OPN(i), namelywhere represents the logical AND operation.Step 3. If the index i is equal to zero, it increasesone by and step 2 is repeated. Let OPN(i). If the OPN(i)is larger than the threshold value th, the thickening procedure is terminated. Otherwise, the index increases one and step 2 isThe estimated bone regionsmeans the OR operation.The underlying principle of step 3 is that if the EBI almost coincides with thewill increase significantly. Hence, we can determine the iteration number through measuring the OPN5. THE EXPERIMENTAL RESULTSMR knee image sets. Each set comprises six knee images corresponding towhere and denote binary exclusive-OR and AND operations, respectively. The average error ratio of the patella segmentation for the patient i, i.e. EPi, can be calculated bylikewise. F ig. 9(a) shows that the average error ratios of the femur segmentation for the all gathered patients are less than one percentage. The worst case happens when significant edge occurs between bone and partial volume portion. This situation is demonstrated in Fig. 10. Although this case is seldom encountered, we still try to solve the problem in our future research. The average error ratios of the patella segmentation for the all gathered patients are shown in Fig. 9(b). We can find that the error ratio of patella is(a)(b) Error ration(%) Error ration(%)s approach. (d) The extracted boundariesby using the deformable model. (e) The extracted s approach. (d) The extracted boundariesby using the deformable model. (e) The extracted。

fluent中专业词汇翻译

GridRead 读取文件：scheme 方案 journal 日志 profile 外形 Write 保存文件Import ：进入另一个运算程序 Interpolate ：窜改，插入 Hardcopy ：复制， Batch options 一组选项 Save layout 保存设计Check 检查Info 报告：size 尺寸；memory usage 内存使用情况；zones 区域；partitions 划分存储区 Polyhedral 多面体：Convert domain 变换范围 Convert skewed cells 变换倾斜的单元 Merge 合并 Separate 分割Fuse (Merge 的意思是将具有相同条件的边界合并成一个;Fuse 将两个网格完全贴合的边界融合成内部(interior)来处理，比如叶轮机中，计算多个叶片时，只需生成一个叶片通道网格，其他通过复制后，将重合的周期边界Fuse 掉就行了。

注意两个命令均为不可逆操作，在进行操作时注意保存case)Zone 区域： append case file 添加case 文档 Replace 取代；delete 删除；deactivate 使复位；Surface mesh 表面网孔Reordr 追加，添加：Domain 范围；zones 区域； Print bandwidth 打印 Scale 单位变换 Translate 转化Rotate 旋转 smooth/swap 光滑/交换Models 模型：solver 解算器Pressure based 基于压力density based 基于密度implicit 隐式，explicit 显示Space 空间：2D，axisymmetric（转动轴），axisymmetric swirl （漩涡转动轴）；Time时间：steady 定常，unsteady 非定常Velocity formulation 制定速度：absolute绝对的；relative 相对的Gradient option 梯度选择：以单元作基础；以节点作基础；以单元作梯度的最小正方形。

9-1-图像分割-概述

Berkeley segmentation database:
/Research/Projects/CS/vision/grouping/segbench/
Top-down segmentation
E. Borenstein and S. Ullman, “Class-specific, top-down segmentation,” ECCV 2002 A. Levin and Y. Weiss, “Learning to Combine Bottom-Up and TopDown Segmentation,” ECCV 2006.
图像识别与人工智能研究所,多谱信息处理国家重点实验室
图像分割
陶文兵
华中科技大学图像识别与人工智能研究所多谱信息处理技术国家重点实验室
分割的目的和意义
图像分割是计算机视觉研究中的基础问题和难点之一
图像分割就是把图像分成各具特性的区域并提取出感兴趣目标
小语义符号操作对象数据大原始图像图像理解目标识别图像分析特征提取图像分割低高语义抽象程度
Top-down segmentation
Normalized cuts
Top-down segmentation
E. Borenstein and S. Ullman, “Class-specific, top-down segmentation,” ECCV 2002 A. Levin and Y. Weiss, “Learning to Combine Bottom-Up and TopDown Segmentation,” ECCV 2006.
Types of segmentations

图像处理专业词汇

FT 滤波器FFT filtersVGA 调色板和许多其他参数VGA palette and many others 按名称排序sort by name包括角度和刻度including angle and scale保持目标keep targets保存save保存和装载save and load饱和度saturation饱和加法和减法add and subtract with saturate背景淡化background flatten背景发现find background边缘和条纹测量Edge and Stripe/Measurement边缘和条纹的提取find edge and stripe编辑Edit编辑edit编辑或删除相关区域edit or delete relative region编码Code编码条Coda Bar变换forward or reverse fast Fourier transformation变量和自定义的行为variables and custom actions变量检测examine variables变形warping变形系数warping coefficients标题tile标注和影响区域label and zone of influence标准normal标准偏差standard deviation表面弯曲convex并入图像merge to image采集栏digitizer bar采集类型grab type菜单形式menu item参数Preferences参数轴和角度reference axis and angle测量measurement测量方法提取extract measurements from测量结果显示和统计display measurement results and statistics测量转换transfer to measurement插入Insert插入insert插入条件检查Insert condition checks查找最大值find extreme maximum长度length超过50 个不同特征的计算calculate over 50 differentfeatures area撤销undo撤销次数number of undo levels乘multiply尺寸size抽取或融合分量红red/处理Processing处理/采集图像到一个新的窗口processed/grabbed image into new window 窗口window窗口监视watch window窗位window leveling创建create垂直边沿vertical edge从Windows从表格新建new from grid从工具条按钮from toolbar button从用户窗口融合merge from user form粗糙roughness错误纠正error correction错误匹配fit error打开open打开近期的文件或脚本open recent file or script打印print打印设置print setup打印预览print preview大小和日期size and date带通band pass带有调色板的8- bit带有动态预览的直方图和x, y 线曲线椭圆轮廓histogram and x, y line curveellipse profiles with dynamic preview带阻band reject代码类型code type单步single step单一simple单帧采集snap shot导入VB等等etc.低通low pass第一帧first点point调色板预览palette viewer调试方式debug mode调用外部的DLL调整大小resize调整轮廓滤波器的平滑度和轮廓的最小域值adjust smoothness of contour filter and minimum threshold forcontours定点除fixed point divide定位精度positional accuracy定义一个包含有不相关的不一致的或无特征区域的模板define model including mask for irrelevant inconsistent orfeatureless areas定制制定-配置菜单Customize - configure menus动态预览with dynamic preview读出或产生一个条形或矩阵码read or generate bar and matrix codes读取和查验特征字符串erify character strings断点break points对比度contrast对比度拉伸contrast stretch对称symmetry对模板应用“不关心的”像素标注apply don't care pixel mask to model多边形polygon二进制binary二进制分离separate binary二值和灰度binary and grayscale翻转reverse返回return放大或缩小7 个级别zoom in or out 7 levels分类结果sort results分水岭Watershed分析Analysis分组视图view components浮点float腐蚀erode复合视图view composite复合输入combined with input复制duplicate复制duplicateselect all傅立叶变换Fourier transform改变热点值change hotspot values感兴趣区域ROI高级几何学Advanced geometry高通high pass格式栏formatbar更改默认的搜索参数modify default search parameters 工具Utilities工具栏toolbar工具属性tool properties工具条toolbar工作区workspace bar共享轮廓shared contours构件build构造表格construct grid和/或and/or和逆FFT画图工具drawing tools缓存buffer换算convert灰度grayscale恢复目标restore targets回放playback绘图连结connect map获得/装载标注make/load mask获取选定粒子draw selected blobs或从一个相关区域创建一个ROI or create an ROI from a relative region基线score基于校准映射的畸变校正distortion correction based on calibration mapping 极性polarity极坐标转换polar coordinatetransformation几何学Geometry记录record加粗thick加法add间隔spacing兼容compatible简洁compactness剪切cut减法subtract减小缩进outdent交互式的定义字体参数包括搜索限制ine font parameters including search constraints脚本栏script bar角度angle角度和缩放范围angle and scale range接收和确定域值acceptance and certainty thresholds结果栏result bar解开目标unlock targets精确度和时间间隔accuracy and timeout interval矩形rectangle矩形rectangular绝对差分absolute difference绝对值absolute value均匀uniform均值average拷贝copy拷贝序列copy sequence可接收的域值acceptance threshold克隆clone控制control控制controls快捷健shortcut key宽度breadth宽度width拉普拉斯Laplacians拉伸elongation蓝blue类型type粒子Blob粒子blob粒子标注label blobs粒子分离segment blobs粒子内的孔数目number of holes in a blob 亮度brightness亮度luminance另存为save as滤波器filters绿green轮廓profile overlay轮廓极性contour polarity逻辑运算logical operations面积area模板编辑edit model模板覆盖model coverage模板和目标覆盖model and target coverage 模板索引model index模板探测器Model Finder模板位置和角度model position and angle 模板中心model center模糊mask模块import VB module模块modules模式匹配Pattern matching默认案例default cases目标Targets目标分离separate objects目标评价target score欧拉数Euler number盆basins膨胀dilate匹配率match scores匹配数目number of matches平方和sum of the squares平滑smooth平均average平均averaged平均值mean平移translation前景色foreground color清除缓冲区为一个恒量clear buffer to a constant清除特定部分delete special区域增长region-growing ROI取反negate全部删除delete all缺省填充和相连粒子分离fill holes and separate touching blobs任意指定位置的中心矩和二阶矩central and ordinary moments of any order location: X, Y锐化sharpen三维视图view 3D色度hue删除delete删除帧delete frame设置settings设置相机类型enable digitizer camera type设置要点set main示例demos事件发现数量number of occurrences事件数目number of occurrences视图View收藏collectionDICOM手动manually手绘曲线freehand输出选项output options输出选择结果export selected results输入通道input channel属性页properties page数据矩阵DataMatrix数字化设置Digitizer settings双缓存double buffer双域值two-level水平边沿horizontal edge搜索find搜索和其他应用Windows Finder and other applications 搜索角度search angle搜索结果search results搜索区域search area搜索区域search region搜索速度search speed速度speed算法arithmetic缩放scaling缩放和偏移scale and offset锁定目标lock destination锁定实时图像处理效果预览lock live preview of processing effects on images 锁定预览Lock preview锁定源lock source特定角度at specific angle特定匹配操作hit or miss梯度rank替换replace添加噪声add noise条带直径ferret diameter停止stop停止采集halt grab同步synchronize同步通道sync channel统计Statistics图像Image图像大小image size图像拷贝copy image图像属性image properties图形graph退出exit椭圆ellipse椭圆ellipses外形shape伪彩pseudo-color位置position文本查看view as text文件File文件MIL MFO font file文件load and save as MIL MMF files文件load and save models as MIL MMO files OCR文件中的函数make calls to functions in external DLL files文件转换器file converterActiveMIL Builder ActiveMIL Builder 无符号抽取部分Extract band -细化thin下一帧next显示表现字体的灰度级ayscale representations of fonts显示代码show code线line线lines相对起点relative origin像素总数sum of all pixels向前或向后移动Move to front or back向上或向下up or down校准Calibration校准calibrate新的/感兴趣区域粘贴paste into New/ROI新建new信息/ 图形层DICOM information/overlay形态morphology行为actions修改modify修改路径modify paths修改搜索参数modify default search parameters 序列采集sequence旋转rotation旋转模板rotate model选择select选择selector循环loops移动move移动shift应用过滤器和分类器apply filters and classifiers影响区域zone of influence映射mapping用户定义user defined用基于变化上的控制实时预览分水岭转化结果阻止过分切割live preview of resulting watershed transformations with controlover variation to prevent over segmentation用某个值填充fill with value优化和编辑调色板palette optimization/editor有条件的conditional域值threshold域值thresholding预处理模板优化搜索速度循环全部扫描preprocess model to optimize search speed circular over-scan预览previous元件数目和开始（自动或手动）number of cells and threshold auto or manual元件最小／最大尺寸cell size min/max源source允许的匹配错误率和加权fit error and weight运行run在目标中匹配数目number of modelmatches in target暂停pause增大缩进indent整数除integer divide正FFT正常连续continuous normal支持象征学supported symbologies: BC 412直方图均衡histogram equalization执行execute执行外部程序和自动完成VBA only execute external programs and perform Automation VBA only指定specify指数exponential Rayleigh中值median重复repeat重建reconstruct重建和修改字体restore and modify fonts重新操作redo重心center of gravity周长perimeter注释annotations转换Convert转换convert装载load装载和保存模板为MIL MMO装载和另存为MIL MFO装载和另存为MIL MMF状态栏status bar资源管理器拖放图像drag-and-drop images from Windows ExplorerWindows自动或手动automatic or manual自动或手动模板创建automatic or manual model creation字符产大小string size字符串string字体font最大maximum最大化maximum最大数maxima最后一帧last frame最小minimum最小化minimum最小间隔标准minimum separation criteria最小数minima坐标盒的范围bounding box coordinatesAlgebraic operation 代数运算；一种图像处理运算，包括两幅图像对应像素的和、差、积、商。

生物医学图像处理

3.
图一 CVANN 模型它的相关输入信号,权值,阈值和输出信号的是复数.定义神经元 n 的活性 Yn 如下:
这里 Wnm 是连系神经元 n 和神经元 m 的复值(CV)权值.Xm 是来自神经元 m 的复值输入信号.Vn 是神经元 n 的复值阈值.为得到复值输出信号,将 Yn 写成如下实部和虚部的形式:
在第一级与第二级使用 CVANN 以实现复制模式识别.
iii.
系统预测性能测量在这篇论文中,我们用到了一个计算机算法以评估 CVANN 经训练后的分类输出,并检测包含肺部及肺部边缘区域像素点..分割后的图像的正确分类像素点数可以通过一
下算法来计算:
�� 和�� 分别是网络的目标输出与实际输出.最后我们用以下这个公式计算这个方法的准确度:
其中Tn(�� ) 和On(�� ) 都是复数,分别代表预想输出和实际输出.在 P 模式下,神经元 n 的实际输出值也即(4)的左边代表了实际模式与预想模式之间的误差 .N 代表输出层的神经元总数.总的 CCVANN 模型就是两个 CVANN 的组合,如图二所显示:
图二
CCVANN 模型
图三图像肺部分离系统框图表示
其中复值反向传播算法用于训练该网络. 当(4)式表示的精确度达到时,训练就停止.在训练过程中用到了 16 副图,之后用剩下的 16 副图测试网络的性能 .计算出来的平均准确率达 99.80%.图四显示了最好准确率下四阶 CWT 和 CCVANN 分离出的图像.
图四有良性肿瘤的肺部图像(a) (B10 号图像) 有恶性肿瘤的肺部图像(b)(M 16 号图像) a 图分离后结果 (c) b 图分离后结果 (d) 为与单 CVANN 系统相比,我们将第一级 CVANN 学习效率,隐藏点数,最大相互影响点数分别被设为 0.1 , 10 , 10 与[17]相似.第二个 CVANN 的这些参数有实验结果决定.网络结构如下表一表一网络结构

极限学习机ELM在图像分割中的应用研究

极限学习机ELM在图像分割中的应用研究摘要：使用极限学习机（elm）的方法进行图像分割问题研究。

针对传统图像分割方法中存在着结构设计复杂、所需时间较长、造成图像分割分辨率低，清晰度不高等问题，提出了一种基于极限学习机的图像分割算法。

在确定了最优参数的基础上，建立了基于elm 的图像分割算法。

最后仿真实验证明本文提出的算法能快速有效的分割图像，图像分割孤立点少，边缘明显，同时该算法大大的缩短了样本的训练时间。

关键词：图像分割；极限学习机；前馈神经网络中图分类号：tp391 文献标识码：a 文章编号：1007-9599 （2013） 02-0000-021 引言图像分割是数字图像处理到图像分析过程中的最重要的步骤，是按照一定的相似性准则将图像中有意义的特征部分提取出来，为进一步图像分析和图像理解打下基础，因此在理论研究和实际应用中都得到了广泛重视。

本文提出了一种基于极限学习机的图像分割算法，利用其学习速度快、泛化性能好、调节参数可以直接确定等优点，有效地避免神经网络冗余信息甚至错误信息的干扰，仿真实验结果表明，本算法在改善了图像分割效果的同时大大缩短网络训练时间。

2 极限学习机单隐藏层前馈神经网络（slfn）已经在模式识别、自动控制及数据挖掘等领域取得了广泛的应用，是因为它有很多优点：（1）具有很强的学习能力，能够逼近复杂非线性函数；（2）能够解决传统参数方法无法解决的问题。

然而，基于梯度原理的训练算法的传统前馈神经网络存在诸多问题，成为制约其发展的主要瓶颈，如需要多次迭代、容易陷入局部极小、需要明确性能指标和学习率的确定等的问题。

极限学习机是一种新的单隐含层前馈神经网络。

该神经网络随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。

与传统的神经网络相比，该神经网络具有学习速度快、泛化性能好、鲁棒性好及可控性等优点。

2.1 slfn的统一模型2.2 极限学习机因此，当激活函数无限可微时，slfn的参数并不需要全部进行调整，和b在训练前可以随机选择，且在训练过程中保持不变。

ansys界面菜单翻译

ansys界面菜单翻译Abbr -- 缩写Abbreviation -- 缩写词About -- 关于absolut -- 绝对Active -- 当前add -- 增加add/edit/delete -- 增加/编辑/删除Additional Out -- 附加输出adius -- 心Adjacent -- 相邻Adv -- 高级Advection -- 对流Algorithm -- 算法align -- 定位Align WP with -- 工作区排列按ALPX -- 热膨胀系数Also 副词再Ambient Condit'n -- 环境条件amplitude -- 振幅Analysis -- 分析Angle -- 角度Angles -- 角度Angular -- 角度Animate -- 动画Animation -- 动画Anno -- 注释Anno/Graph -- 注释/图Annotation -- 注释文字Annulus -- 环面ANSYS Multiphysics Utility Menu -- ANSYS 综合物理场有限元分析菜单Any -- 任意apply -- 应用Arbitrary -- 任意arccosine -- 反余弦Archive -- 合并Arcs -- 圆弧线arcsine -- 反正弦area -- 面Area Fillet -- 面圆角Area Mesh -- 已划分的面Areas -- 面Array -- 数组arrow -- 箭头Assembly -- 部件At Coincid Nd -- 在两节点间Attch 动词接触Attr -- 特征Attrib -- 属性Attributes -- 属性Auto -- 自动Automatic Fit -- 自适应Axes -- 坐标轴Axis -- 坐标轴Axi-Symmetric -- 轴对称back up -- 恢复Background --背景Banded -- 条状Based -- 基础BC -- 边界Beam -- 梁behavior -- 特性Bellows -- [密封]波纹管Bias -- 偏置Biot Savart -- 毕奥-萨瓦河Bitmap -- BMP图片Block -- 块Body -- 体Booleans -- 布尔操作box -- 框Branch -- 分支brick orient -- 划分块(方向) Builder -- 生成器Built-up -- 合成Buoyancy Terms -- 浮力项By Circumscr Rad -- 外切正多边形By End KPs -- 始点、终点By End Points -- 直径圆By End Pts -- 底圆直径By Inscribed Rad -- 内接?正多边形By Picking -- 鼠标选取By Side Length -- 通过边长确定多边形By Vertices -- 通过顶点确定多边形calc -- 运算Calcs -- 计算Capacitor -- 电容Capped/Q-Slice -- 切面透明度设置Capping -- 盖Capture -- 打印Cartesian -- 笛卡儿坐标系Case -- 情况CE Node Selected -- 约束节点选择cent 中心Center -- 中心centr 中心ceqn -- 约束CFD -- 计算流体力学(CFD) Change 动词更换Check -- 检查Checking -- 检查Checks -- 检查Circle -- 圆Circuit -- 电路circumscr -- 外接圆Clr Size -- 清除尺寸CMS -- 组件模式综合Cnst -- 常数Cntl -- 控制Cntrls -- 控制Coincident -- 重合Collapse -- 折叠收起Color -- 颜色Colors -- 颜色Common -- 普通Comp -- 组件complex variable -- 复数变量Component -- 组件Components -- 组件Compress -- 精减Concats -- 未划分Concentrate -- 集中concrete -- 混凝土Cond -- 导体Conditions -- 条件cone -- 圆锥Configuration -- 配置Connectivity -- 连通性Connt -- 连通区域consistent -- 固定Const -- 常数Constant Amplitude -- 恒幅Constants -- 常数Constr -- 约束Constraint -- 约束Constraints -- 约束constreqn -- 约束方程Contact -- 接触Contour -- 等值线Contour Plot -- 等值云图Contours -- 等值线contraction -- 收缩因子Control -- 控制Controls -- 控制*****ENCE *****OR -- 收敛精度*****ENCE VALUE -- 收敛值Convert ALPx --热膨胀系数转换Coor -- 坐标系Coord -- 坐标Coord Sys -- 坐标系coordinate -- 坐标Coordinates -- 坐标Coords -- 坐标corner -- 对角Corners -- 对角cornr -- 对角correl field -- 相关性区域correlation -- 相关性count -- 总数Couple -- 耦合Coupled -- 耦合Coupling -- 耦合CP Node Selected -- 耦合节点选择Create 动词新建creep -- 蠕变criteria -- 准则cross product -- 向量积cross-sectional -- 截面CS -- 坐标系csys-- 坐标系ctr -- 中点ctrl -- 控制ctrls -- 控制Cupl -- 耦合Curr -- 电流curvature -- 圆弧Curvature Ctr -- 曲率中心Curve -- 曲线custom -- 定制Cyc -- 循环Cyclic Expansion --循环扩展设置Cyclic Model -- 周向模型Cyclic Sector -- 扇型周向阵列cylinder -- 圆柱Cylindrical -- 柱坐标系Damper -- 阻尼[减震]器damping -- 阻尼系数Data -- 数据Data Tables -- 数据表格Database -- 数据库DB -- DB definitns -- 特征定义Deformed -- 已变形Degen -- 退化Degeneracy -- 退化Del -- 删除Del Concats -- 删除连接Delete -- 删除dependent -- 相关derivative -- 导数Design Opt -- 优化设计Device -- 设备differentiate -- 微分Digitize -- 数字化dimensions -- 尺寸Diode -- 二极管Directory -- 目录discipline -- 练习Displacement -- 变形Display -- 显示distances -- 距离Divide -- 划分Divs -- 位置DOF -- 自由度dofs -- 自由度dot product -- 点积Dupl -- 复制edge -- 边缘Edit -- 编辑Elbow -- 弯管[肘管] ElecMech -- 电磁ElecStruc -- 静电-结构electr -- 电磁Electric -- 电气类electromag -- 电磁electromagnetic -- 电磁Electromechanic -- 电-机械elem -- 单元Elem Birth/Death -- 单元生/死Element -- 单元Elements -- 单元Elems -- 单元Elm -- 单元EMT CDISP -- 电磁陷阱CDISP Enable 形容词允许ENDS-- 端energy -- 能量ENKE -- 湍动能量Entities -- 实体Entity -- 实体EPPL COMP -- 塑性应变分量EPTO COMP -- 总应变eq -- 方程Eqn -- 方程Eqns -- 方程equation -- 方程式Erase -- 删除Est. -- 估算Everything -- 所有EX -- 弹性模量EX exclude -- 排除Execute -- 执行Execution -- 执行Expansion -- 扩展Expend All -- 展开全部Exponential -- 幂数[指数] exponentiate -- 幂指数Export -- 模型输出Ext Opts -- 拉伸设置Extend Line -- 延伸线extra -- 附加extreme -- 极值Extrude -- 拉伸EY -- 弹性模量EY EZ -- 弹性模量EZ face -- 面Facets -- 表面粗糙fact -- 因子factor -- 系数factr -- 因子failure -- 破坏Fast Sol'n -- 快速求解Fatigue -- 疲劳FD -- 失效挠度field -- 区域Fill -- 填充Fill between KPs --关键点间填入Fill between Nds -- 节点间填充fillet -- 倒角Fit -- 适当视图Flange -- 法兰Flip -- 翻转Floating Point -- 浮点***** -- 流体***** Set Up --流体运行设置Flow -- 流量Fluid -- 流体Flux -- 通量Fnc_/EXI -- 退出Fnc_/*****S -- 图形界面Focus Point -- 焦点force -- 力Format -- 格式Fourier -- 傅立叶级数Free -- 自由Freq -- 频率From Full -- 完全Full Circle -- 完整圆Func -- 函数function -- 函数Functions -- 函数Gap -- 间隙Gen -- 一般General -- 通用General Options -- 通用设置General Postproc--通用后处理器Generator -- 生成器Genl -- 普通Geom -- 单元Geometry -- 几何形状Get -- 获取Global -- 全局Globals -- 全局Glue -- 粘合gradient -- 梯度Graph -- 图Graphics -- 图形Graphs -- 图Gravity -- 引力(重力) Grid -- 网格GUI -- 图形用户界面GXY -- 剪切模量GXY GXZ -- 剪切模量GXZ GYZ -- 剪切模量GYZ hard -- 硬Hard Points -- 硬点Hard PT -- 硬点hardening -- 强化hex -- 六面体Hexagon -- 六边形Hexagonal -- 六棱柱hidden -- 隐藏higher-order -- 高阶Hill -- 希尔h-method -- 网格细分法hollow -- 空心Hollow Cylinder -- 空心圆柱体Hollow Sphere -- 空心球体hp-method -- 混合并行法I-J -- I-J imaginary -- 虚部Immediate -- 即时Import -- 模型输入Improve -- 改进independent -- 非相关Individual -- 单个Indp Curr Src -- 感应电流源Indp Vltg Src -- 感应电压源Inductor -- 电感Inertia -- 惯性Inertia Relief Summ -- 惯量概要Inf Acoustic -- 无穷声学单元init -- 初始化Init Condit'n -- 初始条件Initial -- 初始inquire -- 查询inscribed -- 内切圆Installation -- 安装int -- 强度integral -- 积分integrat -- 积分integrate -- 积分interactive -- 交互式Interface -- 接触面intermed -- 中间interpolate -- 插入Intersect -- 相交invert -- 切换is done -- 完成Isometric -- 等轴侧视图Isosurfaces -- 常值表面isotropic -- 各向同性Item -- 项目Items -- 项目Iteration -- 叠代Jobname -- 文件名Joint -- 连接Joints -- 连接KABS -- KABS Keypoint --关键点Keypoints -- 关键点kinematic -- 随动KP -- 关键点KP between KPs --关键点间设置kps -- 关键点Labeling -- 标志Layer -- 层Layered -- 分层Layers -- 层Layout -- 布局Lay-up -- 层布置Ld -- 载荷Legal Notices -- 法律声明Legend -- 图例Lib -- 库文件Library -- 材料库文件Licensing -- 许可Light Source -- 光源设置line -- 线Line Fillet -- 圆角Line Mesh -- 已划分的线Line w/Ratio -- 线上/比例Linear -- 线性Linearized -- 线形化Lines -- 线List -- 列出List Results -- 列表结果Ln' s -- 段Load -- 加载Load Step -- 载荷步Loads -- 载荷Loc -- 坐标值Local -- 局部Locate -- 定位Location -- 位置Locations -- 位置Locs -- 位置Log File -- 命令流记录文件lower-order -- 低阶LSDYNA -- LSDYNA(动力分析) LS-DYNA -- 显示动力分析Macro -- 宏命令Magnification -- 放大倍数management -- 管理Manager -- 管理器manual -- 手动ManualSize -- 手动尺寸Map -- 图Mapped -- 映射Mass -- 导体Mass Type -- 聚合量类型Master -- 主mat -- 材料Mat Num -- 材料编号Material -- 材料Materials -- 材料matl -- 材料Matls -- 材料maximum -- 最大Mechanical -- 机械类member -- 构件memory -- 内存MenuCtrls -- 菜单控制Merge -- 合并mesh -- 网格Mesher -- 网格Meshing -- 网格划分MeshTool -- 网格工具Message -- 消息Metafile -- 图元文件Meth -- 方法MIR -- 修正惯性松弛Miter -- 斜接[管] Mod -- 更改Mode -- 模式Model -- 模型Modeling -- 建模Models -- 模型Modify -- 修改Modle -- 模型Module -- 模块moment -- 力矩More -- 更多multi -- 多multi-field -- 多物理场耦合Multilegend -- 多图multilinear -- 多线性Multiple Species -- 多倍样式multiplied -- 乘Multi-Plot -- 多窗口绘图Multi-Plots -- 多图表Multi-Window -- 多窗口Mutual Ind -- 互感Name -- 名称Named -- 已指定natural log -- 自然对数nd -- 节点nds -- 节点NL Generalized --非线形普通梁截面No Expansion -- 不扩展Nodal -- 节点Node -- 节点Nonlin -- 非线性Nonlinear -- 非线性Non-uniform -- 不均匀norm -- 法向Normal -- 法向Normals -- 没Num -- 编号NUMB -- NUMB Number --编号Numbered -- 编号Numbering -- 编号Numbers -- 编号NUXY -- 泊松比Oblique -- 等角轴侧视图Octagon -- 八边形Octagonal -- 八棱柱offset -- 偏移Offset WP by Increments -- 指针增量偏移Offset WP to -- 指针偏移到Operate -- 操作Operations -- 运算OPT -- 优化Options -- 设置Optn -- 设置opts -- 设置Ord -- 指令Order -- 顺序Orders -- 指令Orient Normals -- 确定最外层法向Origin -- 原点Orthotropic -- 正交各向异性Other -- 其他Out Derived -- 输出派生outp -- 输出Output -- 输出Over Results -- 整个过程结果Over Time -- 规定时间内全过程Overlaid -- 覆盖Overlap -- 重叠Pair -- 偶Pairwise -- 新生成的Pan -- 移动pan-zoom-rotate -- 移动-缩放-旋转par -- 参数名parall -- 平行Parameters -- 参数Parms -- 参数Part IDs -- 部分ID号Partial -- 部分Partial Cylinder -- 部分圆柱体Particle Flow -- 粒子流迹Partition -- 分割Parts -- 局部Path -- 路径PDS -- 概率设计系统Pentagon -- 五边形Pentagonal -- 五棱柱Percent Error -- 误差率Periodic/Cyclic Symmetry-- 周期/循环阵列Perspective -- 透视phase -- 相位pick -- 选取Picked -- 已选取Piecewise -- 分段Piezoelectric -- 压电元件Pipe -- 管Pipe Run -- 管操作Pipe Tee -- T型管Piping -- 管Plane -- 平面Plane Strn -- 平面应变plasticity -- 塑性plot -- 绘图plotctrls -- 绘图控制Plots -- 绘图P-method -- 高次单元法Pointer -- 指针poisson -- 泊松Polygon -- 多边形POST1 -- 通用后处理器POST26 -- 时间历程后处理器postpro -- 后处理器postproc -- 后处理器potential -- 势*****H -- 激活窗体preferences -- 参数选项Pre-integrated -- 前集成处理PREP7 -- 前处理器preprocessor -- 前处理器PRES -- 压力Pre-tens Elements -- 删除单元后合并节点pretension -- 主张Pretensn -- 自划分prism -- 棱柱Pro -- Pro Prob -- 概率profiles -- 档案资料Prop -- 属性Properties -- 属性Props -- 属性PRXY -- 泊松比PRXY PRXZ -- 泊松比PRXZ PRYZ -- 泊松比PRYZ PT -- 点Pts -- 点Pulse -- 脉冲Q-Slice -- 切面Quad -- 积分Quadratic -- 二次qualities -- 质量query -- 查询QUIT -- 退出R -- 圆rad -- 半径radiation -- 辐射矩阵radius -- 半径Raise -- 升起random -- 随机range of variable -- 变量范围rate -- 率Rate of Change for Model Mainpulation -- 模型缩放变化率设定Reaction -- 反作用Read -- 读取Read Input from -- 读取命令流文件Real Constante -- 实常数RealConst -- 实常数Rectangle -- 矩形Redirect -- 重定向Reducer -- 接头ref -- 判定Refine -- 细化Reflect -- 阵列reflection -- 镜像Region -- 区域Regions -- 区域Relax/Stab/Cap -- 松弛/稳定/容量Relaxation -- 松弛release -- 版本Remesh -- 重划网格remove -- 删除rename -- 重命名Reorder -- 重置Replay Animation -- 重新播放动画Replot -- 重新绘图Report -- 报告Report -- 报告Res/Quad -- 结果/积分Reselect -- 分解Reset -- 取消Residual -- 余量Resistor -- 电阻response -- 响应Restart -- 重启动Restart/Clear -- 重启动/清除Restart/Iteration -- 重启动/迭代Restart/Load step -- 重启动/载荷步Restart/Set -- 重启动/设置Restart/Time -- 重启动/时间片Restore -- 恢复Result -- 结果Results -- 结果RESUM -- 恢复RESUM_DB -- 恢复_DB resume -- 恢复Reverse -- 相反Reverse Video -- 反色图像Rigid -- 刚性ROM -- 存储器Rotary -- 扭转Rotate -- 旋转Rotating -- 旋转rotational -- 旋转***** -- 估计分析模块SAT -- SAT SAVE -- 保存SAVE_DB -- 保存_DB Scalar -- 变量scale -- 比例scale factor -- 比例因子Scale Icon -- 图符尺度Scaling -- 比例Screen -- 屏幕se -- 超级单元secn -- 截面号sect -- 截面Sect Mesh -- 自定义网格Section -- 截面Sections -- 截面Sector -- 部分Segment -- 分段Segment Memory -- 分段保存segmented -- 分段Segments -- 分段Sel -- 选择sele -- 选择Select -- 选择Selected -- 已选择Selection -- 选择septagon -- 七边形septagonal -- 七边形的Set -- 设置Set Grid -- 设置栅格Set Up -- 设置Sets -- 设置Settings -- 设置Shaded -- 阴影Shape -- 形状Shell -- 壳Show -- 显示sided -- 边sine -- 正弦Singularity -- 奇异点sint -- 应力强度Sinusoidal -- 正弦Size -- 尺寸skinning -- 2线Slide Film -- 滑动薄膜Smart -- 精确SmartSize -- 智能尺寸Solid -- 实体Solid Circle -- 定圆心圆Solid Cylinder -- 定圆心圆柱体Solid Sphere -- 定圆心球体Solu -- 求解*****N -- 求解器Solver -- 求解Sort -- 排序source --源Specification -- 约定Specifications -- 明细单Specified -- 指定Specified -- 指定Specified Loc -- 指定局部坐标spectrm -- 响应谱Spectrum -- 频谱Sphere -- 球体Spherical -- 球坐标系spline -- 样条Splines -- 样条曲线SpotWeld -- 点焊[缝、接点] Spring -- 弹簧Spring Support -- 弹性支撑Spring-Gap Supp --弹性间隙支撑Src Waveform -- 屏幕波形Standed -- 标准Start -- 开始Start New -- 新建Start Num -- 初始编号Start Number -- 初始编号state -- 状态stats -- 状态Status -- 状态step -- 步store -- 存贮stress -- 应力Stresses -- 应力strn -- 应变Strnd Coil -- 线圈struct -- 结构structural -- 结构Style -- 样式submodeling -- 子模型Subtract -- 减去Summary -- 概要superelem -- 超单元superelement -- 超单元Superelements -- 超单元surf -- 表面Surface -- 面Surfaces -- 表面Sweep -- 扫描switch -- 转换Symbols -- 符号Symmetry Expansion -- 模型对称性扩展-镜像复制扫描Sys -- 系统Table -- 表tan -- 相切tangent -- 相切Taper -- 锥形Target -- 目标tech -- 技术TEMP -- 温度Temp Variatio -- 临时变量Temps -- 温度Tet -- 四面体Tets -- 测试Textured -- 纹理Texturing -- 材质thermal -- 热Thickness -- 壳厚度thickness func -- 函数定义变化的厚度Through -- 通过thru -- 通过Time Integration -- 时间积分Time Stepping -- 时间步设定Time-harmonic -- 时间-谐波timehist -- 时间历程TimeHist Postproc -- 时间历程后处理器Title -- 标题Toggle -- 扭转Tolerance -- 误差T oolbar -- 工具栏Topics -- 主题topological -- 拓扑torus -- 环行圆柱Trace -- 痕迹Trans -- 传递Transducer -- 传感器Transducers -- 传感器Transfer -- 移动Transient -- 暂态Translucency -- 半透视设置Traveling Wave -- 传导波Triangle -- 三角形Triangular -- 三棱柱ttribs -- 属性Turbulence -- 湍流Tutorials -- 指南Type -- 类型Types -- 类型Uniform -- 均布Units -- 单位Unload -- 卸载unpick -- 排除Unselect -- 不选择Update -- 更新user -- 用户User Numbered -- 自定义编号User Specified Expansion -- 自定义扩展模式utility -- 应用分析value -- 值Valve -- 阀Variables -- 变量Vector -- 矢量vectors -- 矢量Vector-Scalar -- 矢量-变量VFRC -- 体积含量View -- 视图Viewing -- 视图visco -- 粘Vltg -- 电压VOF -- 流体Volm -- 体Volms -- 体Volu -- 体volume -- 体Volumes -- 立体Volumes Brick Orient -- 沿Z向立方体Volus -- 体VS -- 电压源VX -- 速度X方向VY -- 速度Y方向VZ -- 速度Z方向w/Same -- w/相同节点Warning/Error -- 警告/错误warp --翘曲Wavefront -- 波前win -- 窗口Window -- 窗口Wire -- 导线wish -- 希望with -- 通过Working -- 工作Working Plane -- 工作平面WorkPlane -- 工作平面WP -- 工作平面WP Status -- 工作区指针状态Write DB log file -- 写入日志WrkPlane -- 工作面Zener -- 齐纳Zoom -- 缩放。

计算机视觉常用术语中英文对照

计算机视觉常用术语中英文对照（1）2011-06-08 21:26人工智能 Artificial Intelligence认知科学与神经科学Cognitive Science and Neuroscience 图像处理Image Processing计算机图形学Computer graphics模式识别Pattern Recognized图像表示Image Representation立体视觉与三维重建Stereo Vision and 3D Reconstruction 物体（目标）识别Object Recognition运动检测与跟踪Motion Detection and Tracking边缘edge边缘检测detection区域region图像分割segmentation轮廓与剪影contour and silhouette纹理texture纹理特征提取feature extraction颜色color局部特征local features or blob尺度scale摄像机标定Camera Calibration立体匹配stereo matching图像配准Image Registration特征匹配features matching物体识别Object Recognition人工标注Ground-truth自动标注Automatic Annotation运动检测与跟踪Motion Detection and Tracking 背景剪除Background Subtraction背景模型与更新background modeling and update运动跟踪Motion Tracking多目标跟踪multi-target tracking颜色空间color space色调Hue色饱和度Saturation明度Value颜色不变性Color Constancy（人类视觉具有颜色不变性）照明illumination反射模型Reflectance Model明暗分析Shading Analysis成像几何学与成像物理学Imaging Geometry and Physics全像摄像机Omnidirectional Camera激光扫描仪Laser Scanner透视投影Perspective projection正交投影Orthopedic projection表面方向半球Hemisphere of Directions立体角solid angle透视缩小效应foreshortening辐射度radiance辐照度irradiance亮度intensity漫反射表面、Lambertian（朗伯）表面diffuse surface 镜面Specular Surfaces漫反射率diffuse reflectance明暗模型Shading Models环境光照ambient illumination互反射interreflection反射图Reflectance Map纹理分析Texture Analysis元素elements基元primitives纹理分类texture classification从纹理中恢复图像shape from texture 纹理合成synthetic图形绘制graph rendering图像压缩image compression统计方法statistical methods结构方法structural methods基于模型的方法model based methods 分形fractal自相关性函数autocorrelation function 熵entropy能量energy对比度contrast均匀度homogeneity上下文约束contextual constraintsGibbs随机场吉布斯随机场边缘检测、跟踪、连接Detection、Tracking、LinkingLoG边缘检测算法（墨西哥草帽算子）LoG=Laplacian of Gaussian 霍夫变化Hough Transform链码chain codeB-样条B-spline有理B-样条Rational B-spline非均匀有理B-样条Non-Uniform Rational B-Spline控制点control points节点knot points基函数basis function控制点权值weights曲线拟合curve fitting逼近approximation回归Regression主动轮廓Active Contour Model or Snake 图像二值化Image thresholding连通成分connected component数学形态学mathematical morphology结构元structuring elements膨胀Dilation腐蚀Erosion开运算opening闭运算closing聚类clustering分裂合并方法split-and-merge区域邻接图region adjacency graphs四叉树quad tree区域生长Region Growing过分割over-segmentation分水岭watered金字塔pyramid亚采样sub-sampling尺度空间Scale Space局部特征Local Features背景混淆clutter遮挡occlusion角点corners强纹理区域strongly textured areas 二阶矩阵Second moment matrix 视觉词袋bag-of-visual-words类内差异intra-class variability类间相似性inter-class similarity生成学习Generative learning判别学习discriminative learning人脸检测Face detection弱分类器weak learners集成分类器ensemble classifier被动测距传感passive sensing多视点Multiple Views稠密深度图dense depth稀疏深度图sparse depth视差disparity外极epipolar外极几何Epipolor Geometry校正Rectification归一化相关NCC Normalized Cross Correlation平方差的和SSD Sum of Squared Differences绝对值差的和SAD Sum of Absolute Difference俯仰角pitch偏航角yaw扭转角twist高斯混合模型Gaussian Mixture Model运动场motion field光流optical flow贝叶斯跟踪Bayesian tracking粒子滤波Particle Filters颜色直方图color histogram尺度不变特征转换SIFT scale invariant feature transform 孔径问题Aperture problem/view/77fb81ddad51f01dc281f1a7.html/quotes/txt/2007-09/06/content_75057.htm /message/message1.html/90001/90776/90883/7342346.html。

Statistical shape influence in geodesic active contours

Statistical Shape Inﬂuence in Geodesic Active ContoursMichael E.Leventon W.Eric L.Grimson Olivier FaugerasMIT AI Lab INRIACambridge,MA02139Sophia Antipolis,Franceleventon,welg@ Olivier.Faugeras@sophia.inria.frAbstractA novel method of incorporating shape information intothe image segmentation process is presented.We introduce a representation for deformable shapes and deﬁne a prob-ability distribution over the variances of a set of training shapes.The segmentation process embeds an initial curve as the zero level set of a higher dimensional surface,and evolves the surface such that the zero level set converges on the boundary of the object to be segmented.At each step of the surface evolution,we estimate the maximum a poste-riori(MAP)position and shape of the object in the image, based on the prior shape information and the image infor-mation.We then evolve the surface globally,towards the MAP estimate,and locally,based on image gradients and curvature.Results are demonstrated on synthetic data and medical imagery,in2D and3D.1IntroductionThe anatomical structures that appear in magnetic reso-nance(MR)or computed tomography(CT)scans are often explicitly extracted or segmented from the image for use in surgical planning,navigation,simulation,diagnosis,and therapy evaluation.By segmentation,we refer to the pro-cess of labeling individual voxels in the volumetric scan by tissue type,based on properties of the observed intensities as well as anatomical knowledge about normal subjects.Segmentation is often performed using automated tech-niques and semi-automated techniques.With CT data,seg-mentation of some structures can be performed just using intensity thresholding or other low-level image processing. In general,however,segmentation is challenging and re-quires more sophisticated algorithms and signiﬁcant hu-man input.For example,the distribution of intensity val-ues corresponding to one structure may overlap those of another structure,defeating intensity-based segmentation techniques.Cu = 1u = 0u = -1Figure1.Level sets of an embedding function for a closed curve in.Boundaryﬁnding segmentation methods such as Snakes [8],are generally local algorithms that require some feature (such as an edge)to be present along the boundary of the ob-ject,and gravitate toward that feature.These methods may be sensitive to the starting position and may“leak”through the boundary of the object if the edge feature is not salient enough in a certain region in the image.Level set based segmentation,introduced in[1,9],in-volves solving the energy-based active contours minimiza-tion problem by the computation of geodesics or minimal distance curves[11,13].In this approach,a curve is embed-ded as a zero level set of a higher dimensional surface(Fig-ure1).The entire surface is evolved to minimize a metric deﬁned by the curvature and image gradient.Recent work based on level sets include extensions such as codimension-two regularization[10],texture models[12],global inten-sity statistics[17],and pedal curve evolution[5].When segmenting or localizing an anatomical structure, having prior information about the expected shape of that structure can signiﬁcantly aid in the segmentation process. Both Cootes,et al.[4]and Wang and Staib[16]ﬁnd a set of corresponding points across a set of training images and construct a statistical model of shape variation that is then used in the localization of the boundary.Staib and Dun-can[14]incorporate global shape information into the seg-mentation task by using an elliptic Fourier decomposition of the boundary and placing a Gaussian prior on the Fourierpatients in the training set embedded as the zero level set of a higher dimensional signed distance surface.coefﬁcients.Our approach to object segmentation extends geodesic active contours[1,9]by incorporating shape information into the evolution process.Weﬁrst compute a statistical shape model over a training set of curves.To segment a structure from an image,we evolve an active contour both locally,based on image gradients and curvature,and glob-ally to a maximum a posteriori estimate of shape and pose. 2Probability distribution on shapesTo incorporate shape information into the process of seg-menting an object in an image,we consider a probabilistic approach,and compute a prior on shape variation given a set of training instances.To build the shape model,we choose a representation of curves,and then deﬁne a probability den-sity function over the parameters of the representation. 2.1Curve representationEach curve in the training dataset is embedded as the zero level set of a higher dimensional surface,,whose height is sampled at regular intervals(say samples, where is the number of dimensions).The embedding function chosen is the commonly used signed distance func-tion[13],where each sample encodes the distance to the nearest point on the curve,with negative values inside the curve.Each such surface(distance map)can be considered a point in a high dimensional space().The training set,,consists of a set of surfaces. Our goal is to build a shape model over this distribution of surfaces.Since a signed distance map is uniquely de-termined from the zero level set,each distance map has a large amount of redundancy.Furthermore,the collection of curves in the training set presumably has some dependence, as they are shapes of the same class of object,introducingcorpus callosum training dataset.more redundancy in the training set.The cloud of points corresponding to the training set is approximated to have a Gaussian distribution,where most of the dimensions of the Gaussian collapse,leaving the principal modes of shape variation.The mean surface,,is computed by taking the mean of the signed distance functions,T is decomposed as:TT3T4T5T6T7T8T9MeanMeanFigure 4.Top:Three-dimensional models of seven thoracic vertebrae (T3-T9)used as training data.Bottom left and right :Extracted zero level set of ﬁrst and second largest mode of variation respectively.Under the assumption of a Gaussian distribution of shape represented by ,we can compute the probability of a cer-tain curve as:Figure5.(a)The curve expected to be found in the image.(b)The image containing the shape to be seg-mented.(c)The same solid curve appears in three different locations,and the direction of evolution de-pends on the position of the evolving curve with re-spect to the object.The dotted lines show a later step in evolution given the curve’s position and shape.signed distance function.Using the signed distance map as the representation of shape provides tolerance to slight misalignment of object features,in the attempt to avoid having to solve the general correspondence problem.In the examples presented here, the rough rigid alignment of the training instances resulted in the model capturing the shape variances inherent in the population due to the dependence of nearby pixels in the shape representation.We are exploring the tradeoffs be-tween leaving certain transformation parameters intrinsic in the representation,or extrinsic by aligning the training set under those classes of transformation.Currently,rigid pose is extrinsic,but scale and afﬁne warp are left as intrinsic. We are also extending this method to use correspondences (when they are available)to ensure the comparison of“like”pixels instead of“near”pixels usingﬂowﬁelds as in[7].3Shape priors and geodesic active contours Given a curve representation(the-dimensional vector )and a probability distribution on,the prior shape infor-mation can be folded into the segmentation process.This section describes adding a term to the level set evolution equation to pull the surface in the direction of the maximum a posteriori shape and position of theﬁnal segmentation.3.1Geodesic active contours for segmentationThe snake methodology deﬁnes an energy function over a curve as the sum of an internal and external en-ergy of the curve,and evolves the curve to minimize the energy[8].(5)Figure6.Three steps in the evolution process.The evolving curve is shown in solid blue superimposed on the image(top row).The curve is matched to the expected curve to obtain a PDF over pose(bottom row).The next evolution step(based on pose and shape)is shown as the dotted blue line.In[1],Caselles,et al.derive the equivalence of geodesic active contours to the traditional energy-based active con-tours(snakes)framework byﬁrst reducing the minimization problem to the following form:(6) where is a function of the image gradient(usually of the form(7) where is the curvature and is the unit normal.By deﬁning an embedding function of the curve,the up-date equation for a higher dimensional surface is computed.Figure7.Theand the image gradient.be known(see Figures5and6).Without an estimate of the pose,the shape model cannot adequately constrain or direct the evolution.Therefore,at each step of the curve evolution, we seek to estimate the shape parameters,,and the rigid pose parameters,,of theﬁnal curve using a maximum a posteriori approach.MAP MAP(9) In this equation,is the evolving surface at some point in time,whose zero level set is the curve that is segmenting the object.The term is the gradient of the image containing the object to be segmented.By our deﬁnition of shape and pose,theﬁnal segmentation curve is completely determined by and.Let be the estimatedﬁnal curve,which can be computed from and.Therefore,we also haveMAP(10)To compute the maximum a posterioriﬁnal curve,we expand the terms from Eq.9using Bayes’Rule.Note that the preceding step assumes that shape is indepen-dent from pose.Since our current model does not attempt to capture the relationships between these two quantities,this is reasonable.Future work may incorporate positional pri-ors(and relative positional priors between objects)into our shape model.We proceed by deﬁning each term of Eq.11in turn.We discard the normalization term in the denominator as it does not depend on shape or pose.Inside Term.Theﬁrst term in Eq.11computes the prob-ability of a certain evolving curve,,given the shape and pose of theﬁnal curve,(or).Notice that this term does not include any image information whatsoever.Given our method of initializing the curve with a point inside the object,it is reasonable to assume that the curve should re-main inside the object throughout the evolution.Therefore,(u*-u)2uCurrent Shape,Gradient + Curvature TermFigure8.Illustration of the various terms in the evolu-tion of the surface,.The surface,is the maximum a posterioriﬁnal shape.To update,we combine the standard gradient and curvature update term,,and the direction of the MAPﬁnal shape,.if the evolving curve lies completely inside theﬁnal curve, then it is more likely than a curve that lies partially or fully outside theﬁnal curve.We model this term as a Laplacian density function over outside,the volume of the curve that lies outside the curve.outside(12) This term assumes that any curve lying inside is equally likely.Since the initial curve can be located at any point inside the object and the curve can evolve along any path,we do not favor any such curve.Gradient Term.The second term in Eq.11computes the probability of seeing certain image gradients given the cur-rent andﬁnal curves.Consider the relationship between and when correctly outlines the boundary of the object(see Figure7).Notice that the distance map is linear along the normal direction of the curve at any bound-ary point,,and.Furthermore,under the as-sumption that the object boundary is a smoothed step edge, approximates a Gaussian along the normal at.There-fore,we’d expect the relationship between and to be Gaussian in nature.Figure7shows an example scatter plot of these quantities when is aligned with the object boundary.Let be the bestﬁt Gaussian to the sam-ples.We model the gradient probability term asa Laplacian of the goodness ofﬁt of the Gaussian.(13)Shape and pose priors.The last two terms in Eq.11are based on our prior models,as described in Section2.Our shape prior is a Gaussian model over the shape parameters, ,with shape variance.In our current framework,we seek to segment one ob-ject from an image,and do not retain prior information on the likelihood of the object appearing in a certain location. Thus,we simply assume a uniform distribution over pose parameters,which can include any type of transformation, depending on application.(15) Currently we are modeling translation and rotation.We feel, however,that positional priors could provide a rich source of information to explore in the future,especially when seg-menting multiple objects from a single image that may have clear prior relative poses,or when a distribution over pose in aﬁxed image-based coordinate system is known.These terms deﬁne the maximum a posteriori estima-tor of shape and pose,which estimates theﬁnal curve or segmentation of the object.For efﬁciency,these quanti-ties are computed only in a narrow band around the zero level set of the evolving surface,and the MAP pose and shape are re-estimated at each evolution step using simple gradient ascent on the log probability function in Eq.11. While each ascent may yield a local maximum,the continu-ous re-estimation of these parameters as the surface evolves generally results in convergence on the desired maximum. Next,we incorporate this information into the update equa-tion commonly used in level set segmentation.3.3Evolving the surfaceInitially,the surface,,is assumed to be deﬁned by at least one point that lies inside the object to be segmented. Given the surface at time,we seek to compute an evolution step that brings the curve closer to the correctﬁnal segmen-tation based on local gradient and global shape information.The level set update expression shown in Eq.8provides a means of evolving the surface over time towards the solution to the original curve-minimization problem stated in Eq.6.Therefore,the shape of the surface at time can be computed from by:g(16) where is a parameter deﬁning the update step size.By estimating theﬁnal surface at a given time,(Sec-tion3.2),we can also evolve the surface in the direction of the maximum a posterioriﬁnal surface:(17) where is the linear coefﬁcient that determines how much to trust the maximum a posteriori estimate. Combining these equations yields theﬁnal expression for computing the surface at the next step.(18)Figure8illustrates this evolution.The two parameters and are used to balance the inﬂuence of the shape model and the gradient-curvature model.The parameters also de-termine the overall step size of the evolution.The tradeoff between shape and image depends on how much faith one has in the shape model and the imagery for a given appli-cation.Currently,we set these parameters empirically for a particular segmentation task,given the general image qual-ity and shape properties.The original evolution equation(Eq.16),to which we added the shape inﬂuence term,was derived from an en-ergy minimization expression(Eq.6).We are currently ex-ploring ways of adding a“shape energy”term to the curve integral in Eq.6,and then deriving the complete evolution equation using Euler-Lagrange,instead of adding the shape force after the fact.In this new framework,both processes will be fused into a single energy minimization.One difﬁ-culty is that the curve integral is inherently local and does not require any notion of correspondence,whereas global shape information involves the comparison of a shape to a model,in correspondence.4ResultsWe have tested the segmentation algorithm on synthetic and real shapes,both in2D and in3D.For controlled test-ing,a training set of rhombi of various sizes and aspect ra-tios was generated to deﬁne a shape model.Test images were constructed by embedding the shapes of two random rhombi with the addition of Gaussian speckle noise and a low frequency diagonal biasﬁeld.Figure9illustrates sev-eral steps in the segmentation of the synthetic objects.In the ﬁrst frame of each trial,the small red circle represents the initialization point.The yellow curve illustrates the MAP shape and pose at each time step.Theﬁnal segmentations are shown in the last frames.Segmentation experiments were performed on2D slices of MR images of the femur and corpus callosum(Figures10 and11).For the femur experiments,the training set con-sisted of18nearby slices of the same femur,leaving out the slice being segmented and its neighbors.In both fe-mur examples,the same initialization point was used to seed the evolution.As the curve evolves,the MAP estimator of shape and pose locks into the shape of the femur slice.The corpus callosum training set consisted of49exam-ples like those in Figure2.The segmentations of two cor-pora callosa are shown in Figure11.Notice that while the MAP shape estimator is initially incorrect,as the curve evolves,the pose and shape parameters converge on the boundary.The segmentations of the femur slices and cor-pora converged in under a minute on a550MHz Pentium.The vertebrae example illustrates the extension of the al-gorithm to3D datasets.Figure12illustrates a few stepsK1.6mm2.0mm 4.4mmTable1.Partial Hausdorff distance between our seg-mentation and the manually-segmented ground truth.in the segmentation of vertebra T7.The training set in this case consisted of vertebrae T3-T9,with the exception of T7. The initial surface was a small sphere placed in the body of the vertebra.The red contour is a slice through the zero level set of the evolving hyper-surface.The yellow over-lay is the MAP pose and shape estimate.Segmenting the vertebra took approximately six minutes.To validate the segmentation results,we compute the undirected partial Hausdorff distance[6]between the boundary of the computed segmentation and the boundary of the manually-segmented ground truth.The directed par-tial Hausdorff distance over two point sets and is de-ﬁned aswhere K is a quantile of the maximum distance.The undi-rected partial Hausdorff distance is deﬁned as.The results for the corpora and vertebrae shown in Table1indicate that virtually all the boundary points lie within one or two voxels of the manual segmentation.5ConclusionsThis work presents a means of incorporating prior shape information into the geodesic active contour method of medical image segmentation.The shape representation of using PCA on the signed distance map was chosen with the intention of being robust to slight misalignments without requiring exact point-wise correspondences.Our extension to active contours that estimates the model parameters and then evolves the curve based on that estimation provides a method of robustly converging on the boundary even with noisy inputs.The representation and the curve evolution technique merge well together since the evolution requires a distance map of the evolving curve,which is inherent in the shape model.However,these two modules need not be cou-pled.A different statistical shape model could be tied into the evolution method,or a different method of model-based matching could be used with the proposed shape model. AcknowledgmentsThis work was supported by NSF Contract IIS-9610249, NSF Contract DMS-9872228,and NSF ERC(Johns Hop-kins University agreement)8810-274.The MRI data was provided by Martha Shenton,Jane Anderson,and Robert W.McCarley,Department of Psychiatry and Surgical Plan-ning Lab of Brigham&Women’s Hospital,and Brockton V A Medical Center.The authors would like to acknowl-edge Dr.Shenton’s NIMH grants,K02M-01110and R01 MH-50747,and Dr.McCarley’s grant,R01-40799,and the Brockton Schizophrenia Center for the Department of Vet-erans Affairs.References[1]V.Caselles,R.Kimmel,and G.Sapiro.Geodesic active con-tours.Int’l p.Vision,22(1):61–79,1997.[2]V.Caselles,J.Morel,G.Sapiro,and A.Tannenbaum.Intro-duction to the special issue on PDEs and geometry-driven diffusion in image processing and analysis.IEEE Trans.on Image Processing,7(3):269–274,1998.[3]L.D.Cohen.On active contour models and balloons.CVGIP:Image Understanding,53(2):211–218,1991. [4]T.Cootes,C.Beeston,G.Edwards,and C.Taylor.Uni-ﬁed framework for atlas matching using active appearance models.In Int’l Conf.Inf.Proc.in Med.Imaging,pages 322–333.Springer-Verlag,1999.[5]Y.Guo and B.Vemuri.Hybrid geometric active models forshape recovery in medical images.In Int’l Conf.Inf.Proc.in Med.Imaging,pages112–125.Springer-Verlag,1999. [6] D.Huttenlocher,G.Klanderman,and -paring images using the hausdorff distance.IEEE Trans.Patt.Analysis and Mach.Intell.,15:850–863,1993.[7]M.Jones and T.Poggio.Multidimensional morphable mod-els.In IEEE Int’l p.Vision,pages683–688,1998.[8]M.Kass,A.Witkin,and D.Terzopoulos.Snakes:Activecontour models.Int’l p.Vision,1(4):321–331,1988.[9] A.Kichenassamy,A.Kumar,P.Olver,A.Tannenbaum,andA.Yezzi.Gradientﬂows and geometric active contour mod-els.In IEEE Int’l p.Vision,pages810–815,1995.[10]L.M.Lorigo,O.Faugeras,W.Grimson,R.Keriven,R.Kiki-nis,and C.-F.Westin.Co-dimension2geodesic active con-tours for mra segmentation.In Int’l Conf.Inf.Proc.in Med.Imaging,pages126–139.Springer-Verlag,1999.[11]S.Osher and J.Sethian.Fronts propagating with curvature-dependent speed:Algorithms based on hamilton-jacobi for-mulation.J.of Comp.Physics,79(1):12–49,1988.[12]N.Paragios and R.Deriche.Geodesic active regions forsupervided texture segmentation.In IEEE Int’l p.Vision,pages926–932,1999.[13]J.A.Sethian.Level Set Methods.Cambridge UniversityPress,1996.[14]L.Staib and J.Duncan.Boundaryﬁnding with parametri-cally deformable contour models.IEEE Trans.Patt.Analy-sis and Mach.Intell.,14(11),1992.[15]M.Turk and A.Pentland.Eigenfaces for recognition.J.ofCogn.Neuroscience,3(1):71–86,1991.[16]Y.Wang and L.Staib.Boundaryﬁnding with correspon-dence using statistical shape models.In Proc.IEEE Conf.Comp.Vision and Patt.Recog.,pages338–345,1998. [17] A.Yezzi,A.Tsai,and A.Willsky.A statistical approachto snakes for bimodal and trimodal imagery.In IEEE Int’l p.Vision,pages898–903,1999.Figure9.Several time steps in the curve evolution process of segmenting two rhombi.The training set for the rhombus consisted of rhombi of various sizes and aspect ratios.The red curve is the zero level set of the evolving surface.The green curve is the next step in the curve evolution.The yellow curve is the MAP estimate of the position and shape of theﬁnal curve.Figure10.Initial,middle,andﬁnal steps in the evolution process of segmenting two slices of the femur.Theoverlay is a slice through the inside of the MAPﬁnal surface.。

基于测地线活动轮廓模型的图像联合分割算法

基于测地线活动轮廓模型的图像联合分割算法佚名【摘要】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.【期刊名称】《生物医学工程研究》【年(卷),期】2018(037)004【总页数】6页(P398-403)【关键词】PET／CT;测地线活动轮廓模型;边缘函数;水平集方法;图像分割【正文语种】中文【中图分类】R3181 引言对PET/CT图像分割，可辅助医生制定准确的放疗靶区，用以治疗肺癌。

实际上，现阶段数字图像处理技术已经相当成熟，完全可以依靠计算机来进行多模态肿瘤图像的融合和靶区分割，从而辅助医生确定肿瘤的位置和大小，更好的制定放疗计划，提高患者的治疗成效。

活动轮廓模型是图像分割中的经典算法[1]，主要分为两大类：基于区域的活动轮廓分割模型和基于边缘的活动轮廓分割模型。

基于区域的活动轮廓分割模型中最常用的是Chan-Vese (CV)模型[2]和Regionscalable Fitting(RSF)[3]模型。

CV模型利用的是图像的全局信息，算法收敛速度快，但是不适用于灰度不均的图像。

RSF模型在CV的基础上进行改进，同时结合了图像的全局和局部能量，解决了对灰度不均图像分割效果不好的问题，但其缺点是由于局部项的影响，算法不易找到全局最优解[4-5]。

基于边缘的活动轮廓模型中最常见的是测地线活动轮廓[6](geodesic active contour，GAC) 模型，其优点是对复杂图像的分割效果较好，但是分割结果会出现边界泄漏的问题[7-8]。

matlab基于区域轮廓的代码

基于区域的活动轮廓算法matlab代码2011-06-11 21:25% Region Based Active Contour Segmentation%% seg = region_seg(I,init_mask,max_its,alpha,display)%% Inputs: I 2D image% init_mask Initialization (1 = foreground, 0 = bg)% max_its Number of iterations to run segmentation for% alpha (optional) Weight of smoothing term% higer = smoother. default = 0.2% display (optional) displays intermediate outputs% default = true%% Outputs: seg Final segmentation mask (1=fg, 0=bg)%% Description: This code implements the paper: "Active Contours Without % Edges" By Chan Vese. This is a nice way to segment images whose% foregrounds and backgrounds are statistically different and homogeneous. %% Example:% img = imread('tire.tif');% m = zeros(size(img));% m(33:33+117,44:44+128) = 1;% seg = region_seg(img,m,500);%% Coded by: Shawn Lankton ()%------------------------------------------------------------------------function seg = region_seg(I,init_mask,max_its,alpha,display)%-- default value for parameter alpha is .1if(~exist('alpha','var'))alpha = .2;end%-- default behavior is to display intermediate outputsif(~exist('display','var'))display = true;end%-- ensures image is 2D double matrixI = im2graydouble(I);%-- Create a signed distance map (SDF) from maskphi = mask2phi(init_mask);%--main loopfor its = 1:max_its % Note: no automatic convergence testidx = find(phi <= 1.2 & phi >= -1.2); %get the curve's narrow band%-- find interior and exterior meanupts = find(phi<=0); % interior pointsvpts = find(phi>0); % exterior pointsu = sum(I(upts))/(length(upts)+eps); % interior meanv = sum(I(vpts))/(length(vpts)+eps); % exterior meanF = (I(idx)-u).^2-(I(idx)-v).^2; % force from image information curvature = get_curvature(phi,idx); % force from curvature penaltydphidt = F./max(abs(F)) + alpha*curvature; % gradient descent to minimize energy%-- maintain the CFL conditiondt = .45/(max(dphidt)+eps);%-- evolve the curvephi(idx) = phi(idx) + dt.*dphidt;%-- Keep SDF smoothphi = sussman(phi, .5);%-- intermediate outputif((display>0)&&(mod(its,20) == 0))showCurveAndPhi(I,phi,its);endend%-- final outputif(display)showCurveAndPhi(I,phi,its);end%-- make mask from SDFseg = phi<=0; %-- Get mask from levelset%---------------------------------------------------------------------%---------------------------------------------------------------------%-- AUXILIARY FUNCTIONS ----------------------------------------------%---------------------------------------------------------------------%---------------------------------------------------------------------%-- Displays the image with curve superimposedfunction showCurveAndPhi(I, phi, i)imshow(I,'initialmagnification',200,'displayrange',[0 255]); hold on; contour(phi, [0 0], 'g','LineWidth',4);contour(phi, [0 0], 'k','LineWidth',2);hold off; title([num2str(i) ' Iterations']); drawnow;%-- converts a mask to a SDFfunction phi = mask2phi(init_a)phi=bwdist(init_a)-bwdist(1-init_a)+im2double(init_a)-.5;%-- compute curvature along SDFfunction curvature = get_curvature(phi,idx)[dimy, dimx] = size(phi);[y x] = ind2sub([dimy,dimx],idx); % get subscripts%-- get suba=rand(1)*9scripts of neighborsym1 = y-1; xm1 = x-1; yp1 = y+1; xp1 = x+1;%-- bounds checkingym1(ym1<1) = 1; xm1(xm1<1) = 1;yp1(yp1>dimy)=dimy; xp1(xp1>dimx) = dimx;%-- get indexes for 8 neighborsidup = sub2ind(size(phi),yp1,x);iddn = sub2ind(size(phi),ym1,x);idlt = sub2ind(size(phi),y,xm1);idrt = sub2ind(size(phi),y,xp1);idul = sub2ind(size(phi),yp1,xm1);idur = sub2ind(size(phi),yp1,xp1);iddl = sub2ind(size(phi),ym1,xm1);iddr = sub2ind(size(phi),ym1,xp1);%-- get central derivatives of SDF at x,yphi_x = -phi(idlt)+phi(idrt);phi_y = -phi(iddn)+phi(idup);phi_xx = phi(idlt)-2*phi(idx)+phi(idrt);phi_yy = phi(iddn)-2*phi(idx)+phi(idup);phi_xy = -0.25*phi(iddl)-0.25*phi(idur)...+0.25*phi(iddr)+0.25*phi(idul);phi_x2 = phi_x.^2;phi_y2 = phi_y.^2;%-- compute curvature (Kappa)curvature = ((phi_x2.*phi_yy + phi_y2.*phi_xx -2*phi_x.*phi_y.*phi_xy)./...(phi_x2 + phi_y2 +eps).^(3/2)).*(phi_x2 + phi_y2).^(1/2);%-- Converts image to one channel (grayscale) double function img = im2graydouble(img)[dimy, dimx, c] = size(img);if(isfloat(img)) % image is a doubleif(c==3)img = rgb2gray(uint8(img));endelse % image is a intif(c==3)img = rgb2gray(img);endimg = double(img);end%-- level set re-initialization by the sussman method function D = sussman(D, dt)% forward/backward differencesa = D - shiftR(D); % backwardb = shiftL(D) - D; % forwardc = D - shiftD(D); % backwardd = shiftU(D) - D; % forwarda_p = a; a_n = a; % a+ and a-b_p = b; b_n = b;c_p = c; c_n = c;d_p = d; d_n = d;a_p(a < 0) = 0;a_n(a > 0) = 0;b_p(b < 0) = 0;b_n(b > 0) = 0;c_p(c < 0) = 0;c_n(c > 0) = 0;d_p(d < 0) = 0;d_n(d > 0) = 0;dD = zeros(size(D));D_neg_ind = find(D < 0);D_pos_ind = find(D > 0);dD(D_pos_ind) = sqrt(max(a_p(D_pos_ind).^2, b_n(D_pos_ind).^2) ... + max(c_p(D_pos_ind).^2, d_n(D_pos_ind).^2)) - 1;dD(D_neg_ind) = sqrt(max(a_n(D_neg_ind).^2, b_p(D_neg_ind).^2) ... + max(c_n(D_neg_ind).^2, d_p(D_neg_ind).^2)) - 1;D = D - dt .* sussman_sign(D) .* dD;%-- whole matrix derivativesfunction shift = shiftD(M)shift = shiftR(M')';function shift = shiftL(M)shift = [ M(:,2:size(M,2)) M(:,size(M,2)) ];function shift = shiftR(M)shift = [ M(:,1) M(:,1:size(M,2)-1) ];function shift = shiftU(M)shift = shiftL(M')';function S = sussman_sign(D)S = D ./ sqrt(D.^2 + 1);。

极化SAR图像地物分类方法综述

极化SAR 图像地物分类方法综述①魏　丹1, 李　渊1, 黄　丹21(河南大学计算机与信息工程学院, 开封 475004)2(河南大学实验室与设备管理处, 开封 475004)通讯作者: 黄　丹摘　要: 极化合成孔径雷达(Polarimetric Synthetic Aperture Radar, PolSAR)是一种微波成像雷达, 它不受天气、光线以及云层的影响, 能够实现全天时、全天候的成像. 因此, 极化SAR 图像已经成为遥感图像地物分类的主要数据源之一. 本文从技术方法的角度出发, 论述了近年来国内外极化SAR 图像地物分类的方法及应用, 从技术原理、实验效果等方面进行介绍, 并对极化SAR 图像地物分类的发展趋势进行分析.关键词: 极化; 合成孔径雷达; 遥感; 地物分类; 发展趋势引用格式: 魏丹,李渊,黄丹.极化SAR 图像地物分类方法综述.计算机系统应用,2020,29(11):29–39. /1003-3254/7705.htmlOverview on Methods of Land Classification Based on Polarimetric SAR ImagesWEI Dan 1, LI Yuan 1, HUANG Dan 21(School of Computer and Information Engineering, Henan University, Kaifeng 475004, China)2(Dvision of Laboratory and Equipment Management, Henan University, Kaifeng 475004, China)Abstract : Polarimetric Synthetic Aperture Radar (PolSAR) is a type of microwave imaging radar that avoids the influence of weather, light and clouds, and it has the capability of all-day and all-weather imaging. Therefore, PolSAR images have become one of the main data sources for land classification based on remote sensing image. From the perspective of technical methods, this paper discusses the methods and applications of land classification based on PolSAR image in recent years. It introduces the technical methods and experimental effects, and analyzes the development trend of land classification based on PolSAR image.Key words : polarimetric; SAR; remote sensing; land classification; development trend近年来, 随着极化SAR 系统的不断发展, 可用的极化SAR 数据逐渐增多, 分辨率也在不断提高. 与单极化SAR 相比, 极化SAR 进行的是全极化测量, 可以获取更丰富的目标信息, 因此极化SAR 的应用也越来越广泛[1]. 采用极化SAR 图像进行地物分类是极化SAR 技术在实际应用中的一个重要发展方向, 也是SAR 图像解译的重要研究内容.通常地表地物类型是草地、森林、农田、城区、水域和裸地等, 采用极化SAR 图像对这些地物类型的分类研究可以在民用领域和军用领域为人们提供帮助.在民用领域可以对农作物的生长、城市的变迁等进行监测, 也可以测量土壤水分和对矿产资源进行勘探; 在军用领域, 可以识别战略目标, 为之后的战略部署等方面提供理论依据. 由以上可知, 极化SAR 图像已经成计算机系统应用 ISSN 1003-3254, CODEN CSAOBNE-mail: Computer Systems & Applications,2020,29(11):29−39 [doi: 10.15888/ki.csa.007705] ©中国科学院软件研究所版权所有.Tel: +86-10-62661041① 基金项目: 国家自然科学基金(U1604145, 61871175); 河南省高等学校重点科研项目(19A420005); 河南省科技攻关计划(182102210233, 192102210082); 河南省青年人才托举工程(2019HYTP006)Foundation item: National Natural Science Foundation of China (U1604145, 61871175); Key Research Project of Higher Education of Henan Province (19A420005); Science and Technology Program of Henan Province (182102210233, 192102210082); Youth Talent Lifting Project of Henan Province (2019HYTP006)收稿时间: 2020-05-01; 修改时间: 2020-05-27; 采用时间: 2020-06-05; csa 在线出版时间: 2020-10-29为地理环境监测的重要组成部分. 目前在区域乃至全球的地表地物分类中, 采用极化SAR图像进行地物分类表现出巨大的应用前景和潜力.极化SAR系统按照载体的不同可以分为机载SAR[2–8]和星载SAR[9–15], 部分机载和星载极化SAR 系统如表1和表2所示. 表2中, 高分三号(GF-3)卫星[15]是中国首颗民用高分辨率星载极化SAR成像卫星, 于2016年8月10日发射升空, 空间分辨率从1米到500米,幅宽从10公里到650公里, 有聚束和超精细条带等12种成像模式. 随着极化SAR数据的增多, 如何有效地利用其数据特征实现更精确地分类成为了当今研究的热门问题.表1 典型机载极化SAR系统机载极化SAR系统国家波段启用年份(年) AIRSAR美国P/L/C1987ESAR德国P/L/C/X1988EMISAR丹麦L/C1995Pi-SAR日本L/X1996F-SAR德国P/L/S/C/X2006UAVSAR美国L2006高分辨率全极化系统中国X2008表2 典型星载极化SAR系统星载极化SAR系统国家波段启用年份(年)SIR-C/X-SAR美国L/C1994ALOS-1/PALSAR日本L2006TerraSAR-X姊妹星德国X2007 Radarsat-2加拿大C2007RISAT-1印度C2012 ALOS-2/PALSAR-2日本L2014高分三号中国C2016本文结构安排如下: 第1节对近几年极化SAR图像地物分类方法及其应用进行总结和论述, 第2节对极化SAR图像地物分类的发展趋势进行分析, 第3节对本文进行总结.1 极化SAR图像地物分类的方法当雷达发射的电磁波接触地物时, 不同地物对应的雷达回波信息也不同, 所以极化SAR图像中每个像元所展示的信息也不同. 对极化SAR图像进行地物分类的实质是将图像的所有像元按其性质分为若干个类别的过程, 从而达到对地物进行分类的目的.极化SAR图像进行地物分类的基本步骤为: 预处理→特征提取→分类处理. 预处理通常包括斑点滤波、几何校正和去取向角等. 特征提取一般为纹理特征提取和极化特征提取. 纹理特征的提取方法有局部傅立叶变换、曲波变换、Gabor小波和灰度共生矩阵等[16]. 极化特征可以通过目标分解获得, 其中比较著名的分解有Pauli分解[17]、Cloude分解[17]、Krogager 分解[18]、Freeman分解[19]、SSCM分解[20]、Yamaguchi四分量分解[21,22]、Touzi分解[23]和六分量分解[24]等.对极化SAR图像进行地物分类处理的方法多种多样, 根据所用特征信息的不同, 可以将分类方法归结为基于极化目标散射特性的分类、基于统计分析的分类、基于目标散射特性和统计方法相结合的分类. 根据分类过程中是否需要人工标记样本, 可以分为监督分类、无监督分类和半监督分类3大类. 根据处理对象的不同可以分为基于像素级和基于对象级的分类.根据采用的技术方法的不同可以将极化SAR图像地物分类方法分为6种, 分别是主动轮廓模型法、马尔可夫随机场模型法、模糊理论法、支持向量机法、神经网络法和融合算法, 如图1所示.是否需要人工标记样本所用特征信息处理对象技术方法极化 SAR 图像地物分类方法基于统计分析的分类基于极化目标散射特性的分类基于目标散射特性和统计方法相结合的分类非监督分类监督分类半监督分类基于主动轮廓模型的分类基于马尔可夫随机场模型的分类基于模糊理论的分类基于支持向量机的分类基于神经网络的分类基于融合算法的分类基于像素级的分类基于对象级的分类图1 极化SAR图像地物分类方法计算机系统应用2020 年第 29 卷第 11 期本节从技术方法的角度出发, 对近年来不同极化SAR 图像地物分类方法进行总结和论述.1.1 基于主动轮廓模型的分类1988年, Kass 等提出了一种主动轮廓模型(Active Contour Model, ACM), 该模型主要原理是通过初始化曲线, 构造能量方程式, 最小化曲线的内外部能量, 使曲线逐渐接近待检测物体的边缘, 分割出目标. ACM 方法中, 按照不同的轮廓曲线表达式可分为参数主动轮廓模型(Parametric ACM, PACM)和基于水平集的几何主动轮廓模型(Geometric ACM, GACM); 按照曲线的演化方式又可分为基于边界的主动轮廓模型(Edge-based ACM, EACM)和基于区域的主动轮廓模型(Region-Based ACM, RACM)[25]. ACM 方法有很强的抗噪声能力, 所以也被应用于极化SAR 图像分类中[26–30].但是该方法的缺点是计算量大, 效率低.2014年, 清华大学的杨健团队采用多时相水平集主动轮廓模型对AIRSAR 获取的荷兰弗莱福兰极化数据进行分类处理[30]. 图2为分类结果, 其中图2(a)为C 波段、L 波段和P 波段的波段合成图, 图2(b)为ACM 分类结果.(a) C+L+P 波段融合(b) 分类结果图2 基于ACM 的分类结果[30]1.2 基于MRF 模型的分类由于相干斑噪声的存在, 基于单个像素所提供的信息对极化SAR 图像进行地物分类, 通常不能得到令人满意的结果. 为了获得可靠和满意的结果, 分类最好是基于集群的统计度量, 而不是基于单个像素的度量.马尔可夫随机场(Markov Random Field, MRF)模型是一种概率图形模型, 它可以统计像素之间的空间上下文信息, 是处理图像分类问题的强有力工具. 在MRF 模型中, 图像特征被提取为特征场, 图像中所有像素类别标记的集合为标记场, 在已知特征场的前提下, 分类结果通过最大标记场概率获得. MRF 因其固有的抗噪声能力和减少类内差异的影响而被广泛采用. 针对极化SAR 图像地物分类问题, 各国学者提出了一系列基于MRF 模型的分类方法[31–35].2014年, Doulgeris 以Radarsat-2在C 波段采集的美国旧金山海湾极化SAR 图像为实验数据, 采用MRF 模型提取上下文信息, 对地物进行分类[35]. 图3为MRF 分类结果, 其中图3(a)为Pauli 图像, 图3(b)为分类图像, 从分类图像中可以看出有取向角的建筑物和森林植被可以被区分开来, 提高了分类精度.(a) Pauli 分解图(b) 分类结果图3 基于MRF 的分类结果[35]1.3 基于模糊理论的分类传统的极化SAR 图像地物分类方法是为每个像元指定一个特定的类, 但是极化SAR 图像中的一个像元可能包含多个地物类别, 对这类像元的分类会影响最终的分类精度, 采用模糊理论可以较好的解决此问题. 模糊理论思想是用0–1之间的值表示每个像元属于每个类的程度, 这些值被称为隶属度, 每个像元属于所有类的隶属度之和为1, 最终用隶属度的大小确定像元所属的分类. 经过多年发展, 模糊理论已经广泛用于极化SAR 图像地物分类[36–40]. 本节将介绍FCM (Fuzzy C-Means, FCM)和最近邻方法在极化SAR 图像地物分类中的应用.1.3.1 基于FCM 的分类FCM 算法的思想是把n 个数据集合A ={a 1, a 2, ···,an }分成C 个模糊组, 对每个数据集可用值在0~1之间的隶属度来确定其属于各个组的程度, 通过迭代使得非相似性指标的价值函数达到最小, FCM 流程图如图4所示.2009年, 杨然等用模糊分类方法下的FCM 算法与Yamaguchi 分解相结合, 提出了一种新的分类模型[39].2020 年第 29 卷第 11 期计算机系统应用该模型把四个散射分量组成一组归一化的特征矢量,进行FCM 聚类分析, 并且用日本机载L 波段PiSAR 数据验证了该算法具有较高的分类精度和较好的视觉效果. 图5是FCM 分类结果, 其中图5(a)为Niigata 地区的极化合成图, A 区为森林, B 区为人工建筑, C 区为河流, D 区和E 区都是耕地. 图5(b)是FCM 分类结果.计算隶属度矩阵进行隶属度划分, 选择新的聚类中心检查收敛情况是否否输出聚类中心是初始化: 基本参数, 聚类中心, 隶属度函数迭代次数 T ＜Loop图4 FCM 流程图(a) 极化合成图(b) 分类结果A 区B 区D 区E 区C区图5 基于FCM 的分类结果[39]1.3.2 基于最近邻的分类最近邻分类的原理是通过确定分类类别, 选择正确的不同类别样本, 计算测试样本与所有样本之间的距离, 并将距离转换为0–1之间隶属度, 如果隶属度大于设定的隶属度阈值, 则测试样本属于与它距离最近的样本所属的类别.2018年, 陆翔等采用极化目标分解得到的极化散射特性和用灰度共生矩阵提取的纹理信息作为特征,应用模糊分类方法下的最近邻分类器对TerraSAR-X 在X 波段采集的云南西双版纳勐腊县极化SAR 图像进行地物分类, 图6为分类结果[40]. 其中图6(a)是勐腊县光学影像, 图6(b)为地物分类结果图, 图6(c)为不同地物的颜色表示.(a) 光学图像(b) 分类图像城区裸地裸地农地天然林地橡胶林地(c) 地物颜色编码图6 基于最近邻的分类结果[40]1.4 基于支持向量机的分类支持向量机(Support Vector Machines, SVM)是一种性能很强的分类器, 它的基本思想为: 建立一个分类超平面作为决策曲面, 使得不同样本的隔离边缘最大.如图7所示, 圆圈和正方形分别代表了两种类型的样本, H 为分类超平面, H1与H2为通过各类样本中最边缘的点, 且与H 相互平行、距离相等的平面, 它们之间的距离是分类间隔. 最优分类超平面就是以最大间隔将两类样本分开的超平面. 1999年, Vapnik 团队第一次将SVM 用到图像的分类当中[41]. 经过多年的发展,SVM 也广泛用于极化SAR 图像的分类中[42–47].2019年, 张腊梅提出了一种改进的SVM 算法, 该算法结合了Pinball 损失函数, 并将多成分目标分解,计算机系统应用2020 年第 29 卷第 11 期ααH/A/分解以及灰度共生矩阵方法分别提取到的12种极化特征和纹理特征作为SVM 的训练样本[42]. 这里的12种特征分别是奇次散射功率Ps 、偶次散射功率Pd 和体散射功率Pv 、极化散射熵H 、极化各向异性度A 、平均散射角、能量ENY 、熵ENT 、对比度CON 、反差矩IDM 、相关度COR 及和平均SAV. 并对EMISAR 在Foulum 地区获取的L 波段极化SAR 数据进行分类处理, 把地物分为建筑物、森林、裸地、细径作物、阔叶作物5种类型. 图8为分类结果,其中图8(a)为Pauli 图像, 图8(b)为改进SVM 分类图像, 图8(c)为不同地物的颜色表示.HH 1H 22margin=W图7 最优分类超平面示意图(a) Pauli 分解图(b) 分类结果阔叶作物建筑物细径作物森林裸地(c) 地物颜色编码图8 基于SVM 的分类结果[42]1.5 基于神经网络的分类传统分类算法在进行极化SAR 图像地物分类时,需要人工提取分类特征, 而神经网络是一种以人脑为模型的机器学习算法, 可以自动的提取分类特征, 在特征学习时不需要过多的人工干预, 通过对大量样本进行内部特征分析, 可以得到更好的分类效果. 1991年,Pottier 等第一次利用人工多层感知神经网络对极化SAR 图像进行了分类研究. 经过多年的发展, 神经网络算法已经广泛用于极化SAR 图像的分类当中[48–59].2018年, 张腊梅等将传统卷积神经网络改进为三维卷积神经网络(3D CNN)[57]. 并对UAVSAR 系统采集的美国旧金山海湾某港口极化SAR 图像进行地物分类, 该地区地物种类丰富, 共有11种地物类型, 包括浅海、海洋、森林、人造目标、道路、植被、平坦裸地、粗糙裸地及3种农田地区, 分类结果如图9所示,其中图9(a)是Pauli 图像, 图9(b)是三维卷积神经网络分类图像.(a) Pauli 分解图(b) 分类结果图9 基于3D CNN 的分类结果[57]2019年, 刘旭等提出了采用极化卷积神经网络(Polarimetric Convolutional Network, PCN)对极化SAR 图像进行地物分类的方法[58]. 该方法采用极化散射编码方式来处理极化散射矩阵, 该编码模式可以完全保持散射矩阵的极化信息, 避免了将矩阵分解成一维向量, 并获得一个二维矩阵. 针对这种编码模式, 刘旭等人设计了一种基于卷积神经网络的算法, 并将其命名为PCN, 用于对极化SAR 图像进行分类处理. 图10展示了RadarSat-2在C 波段获取的荷兰弗莱福兰极化SAR 图像进行分类处理的结果. 其中图10(a)是荷兰弗莱福兰Pauli 分解图像, 图10(b)是PCN 分类结果, 图10(c)为不同地物的颜色表示. 结果表明该方法取得了较好的分类效果, 具有巨大的极化SAR 数据分2020 年第 29 卷第 11 期计算机系统应用类潜力.1.6 基于融合算法的分类上述各种算法都有其固有的特点, 在极化SAR 图像地物分类中也都取得了有效的研究成果, 推动了极化SAR 图像地物分类的发展, 基于上述分类方法的不同特点, 研究者们提出将两种或多种算法进行融合, 以提高分类精度[60–66].(a) Pauli 分解图(b) 分类结果城市森林水农田(c) 地物颜色编码图10 基于PCN 的分类结果[58]2018年, Xie 等提出了一种新的极化SAR 图像分类模型, 该模型首先结合Wishart 分布与自动编码器(Auto-Encoder, AE)神经网络提出了WAE (Wishart-Auto-Encoder)分类模型, 之后又结合K-means 聚类算法提出了Clustering-WAE 分类模型以提高分类能力[62].并对RadarSat-2采集的西安地区极化SAR 图像进行地物分类处理, 结果如图11所示. 其中图11(a)是西安地区Pauli 分解图, 图11(b)~图11(e)分别是K-means 算法、Wishart 算法、AE 算法、WAE 算法分类结果,图11(f)是Clustering-WAE 融合算法分类结果, 图11(g)为不同地物的颜色表示. 分类结果表示, Clustering-WAE 融合算法分类效果要优于其他算法.2018年, Guo 等将模糊理论应用到超像素提取中,采用FCM 算法并对ESAR 获取的德国奥伯菲芬-霍芬地区极化SAR 图像进行模糊超像素提取, 之后采用SVM 对图像进行地物分类[63], 结果如图12所示. 其中图12(a)是Pauli 图像; 图12(b)是地面真实图; 图12(c)超像素提取结果图; 图12(d)为分类结果与地面真实地物比较图, 图中黑色部分表示分类结果与地面真实地物不一致;图12(e)是不同地物的颜色表示.1.7 各方法优缺点上述各方法在极化SAR 图像地物分类中都有其优缺点, 具体如表3所示.(a) Pauli 分解图(b) K-mean(c) Wishart(d) AE(e) WAE (f) Clustering-WAE城市河流裸地(g) 地物颜色编码图11 西安地区地物分类图[62]这些方法中, 主动轮廓模型因考虑了轮廓内外部信息, 可以获得较为平滑的分割轮廓, 但是其计算量大,且易受噪声影响, 该方法适用于较均匀, 场景较小的图像. MRF 模型在图像分类时考虑了像素点的空间上下文信息, 所以其抗噪声能力强, 但是计算量较大, 也只适用于场景较小的图像. 模糊理论可以解决图像中的模糊像素问题, 但只适用于分辨率较低的图像. 神经网络整体分类精度高, 对噪声有很强的鲁棒性, 但是需要大量样本集进行训练, 所以适用于有大量样本集的场景. 相比于神经网络, 支持向量机适用于小样本集的场景, 但是该方法中的一些参数需要凭实验和经验来进行设置. 融合算法可以综合多种算法的优点, 但是其算法复杂度较高, 根据其算法的不同, 不同的融合算法也适用于不同的场景.计算机系统应用2020 年第 29 卷第 11 期(e) 地物颜色编码(a) Pauli 分解图(b) 地面真实图(c) 模糊超像素分割(d) 比较图建筑林地开阔地图12 奥伯菲芬-霍芬地区地物分类图[63]表3 分类方法优缺点算法优点缺点适用场景主动轮廓模型考虑了轮廓内外部信息, 可获得较为平滑的分割轮廓计算量大, 效率低,在非均匀图像中易受噪声干扰较均匀, 场景较小的图像MRF 模型可以统计空间上下文信息计算量大, 只能描述较小邻域间的交互场景较小的图像模糊理论可以解决图像中的模糊性问题不适用于分辨率高的图像分辨率较低的图像支持向量机能较好的解决小样本,非线性, 高维数据和局部极小值等实际问题样本训练时间长,一些参数需要凭实验和经验来设置小样本集的场景神经网络分类准确度高, 对噪声有较强的鲁棒性, 能提取高级特征不能观察之间的学习过程, 需要大量样本集有大量样本集的场景融合算法可以综合多种算法优点算法复杂度高根据融合算法的不同, 适用于不同的场景2 极化SAR 图像地物分类发展趋势在极化SAR 图像分类中, 基于SVM 、MRF 模型、模糊理论、神经网络等的分类方法仍是主流方法,也取得了不错的分类效果, 但是仍然存在一些困难, 如计算量大、分类特征不多、不适用于复杂环境等. 而且在进行分类时, 分类的效果会与相干斑噪声、雷达的工作波段以及地物的类型等因素有关. 随着极化SAR 图像地物分类技术的发展, 更多研究人员将深度学习技术, 多波段融合技术引入到极化SAR 图像地物分类当中, 并着力于发现新的分类特征. 这些不断涌现的新思路、新方法指示着未来极化SAR 图像地物分类的发展趋势, 大致可以归为以下几点.2.1 新的分类特征在极化SAR 图像地物分类中, 特征提取是其中重要的步骤, 常用的分类特征有纹理特征和极化特征. 基于这些特征, 研究者们结合着分类器对极化SAR 图像进行地物分类, 近年来, 一些新的分类特征不断涌现,以提高分类性能.2014年, Uhlmann 等利用伪彩图提取强大的颜色特征, 并首次将其用于极化SAR 图像地物分类, 结果表明, 颜色特征具有较好的鲁棒性, 受图像的噪声等因素的影响非常小[67]. 之后, 研究者们也逐渐将颜色特征引入到极化SAR 图像的分类当中. 如沈璐等于2017年提取颜色特征和极化特征组成特征向量, 采用SVM 分类器对极化SAR 图像进行分类[68]. 除颜色特征外,Liu 等于2019年利用极化散射编码提取稀疏散射编码特征, 这种特征可以保持数据的空间结构[58].以上研究者们所提出的新的分类特征在实际应用中都取得了非常显著的分类效果, 所以新的分类特征的发现与引入将是极化SAR 图像地物分类中的主要发展趋势.2.2 深度学习采用传统的神经网络对极化SAR 图像进行地物分类虽然能提取出分类特征, 但是没有考虑到图像本身的二维空间信息, 而深度学习使用多层神经网络对图像进行特征学习, 可以提取出更高级的特征, 充分挖掘数据信息, 很大程度上提高了分类精度, 分类结果也表现更加稳定. 深度学习也是目前极化SAR 图像地物分类中, 最常用和分类效果最好的方法.目前, 有大量研究者们采用深度学习方法对极化SAR 图像进行地物分类. 如2016年, Liu 等采用深度置信网络(Deep Belief Network, DBN)对西安地区极化SAR 图像进行地物分类[69]. 2016年, Jiao 等结合深度堆叠网络(Deep Stacking Network, DSN)和Wishart 距离提出了W-DSN 模型, 并对荷兰弗莱福兰极化SAR 图像进行分类[60]. 2019年, Liu 等采用生成对抗网络2020 年第 29 卷第 11 期计算机系统应用(Generative Adversarial Network, GAN)对西安地区极化SAR图像进行地物分类[70]. 这些深度学习方法在极化SAR图像地物分类过程中都取得了非常精确的分类效果.由上述可知, 深度学习方法已经成为目前极化SAR图像地物分类的主流方法. 可是深度学习依靠大量样本的学习, 目前公开的极化SAR图像地物样本数据集少之又少, 研究者们应首先考虑如何做出一个具有代表性的极化SAR图像地物样本数据集.2.3 多波段融合极化SAR图像成像信息不仅与地物类型有关, 还与雷达发射波的波长有关, 不同波段的极化SAR其传输特性、目标回波的后向散射特性等不同, 相同的物体也有可能呈现不同的表现形式[71]. 在地物分类方面, 不同波段的极化SAR数据, 在实际测量中有着不同的优势, 如高频波段极化SAR图像对地物的纹理描述清晰,有利于区分纹理差异较大的地物, 如城区和裸地等. 低频波段极化SAR图像对地物湿度和植被情况比较敏感,有利于区分具有不同含水量的地物, 如旱地和沼泽地等.综上所述, 不同波段的极化SAR系统在实际测量中都有其特点和优势, 因此研究者们利用信息融合技术将多波段极化SAR图像进行波段融合, 获取更丰富的目标信息以获得更好的地物分类效果. 如2014年,杨健团队将C波段、L波段和P波段极化SAR图像进行融合, 之后采用水平集方法对地物进行分类, 结果表明相比于单波段极化SAR数据, 采用组合多波段数据进行地物分类的效果更好[30]. 因此, 将同一地区多波段数据进行融合也是未来极化SAR图像地物分类中的重要发展方向.但是, 由于目前绝大多数星载极化SAR系统的工作波段只有一个, 所以获取同一地区的星载极化SAR 多波段数据就变得尤为困难, 就极化SAR系统的发展趋势而言, 多波段星载极化SAR系统是未来的主要发展趋势.3 结束语本文首先介绍了采用极化SAR图像进行地物分类的好处和重要性, 总结了近年来在国内外公开发表的基于极化SAR图像进行地物分类的研究成果, 并对其研究成果进行了简要概述. 基于这些方法的大量研究, 许多创新方法也在不断涌现, 如引入新的分类特征;将深度学习技术引入到分类当中; 利用信息融合技术将多波段数据进行波段融合, 这些方法都极大推动了极化SAR图像分类的发展.纵观极化SAR图像地物分类史, 新的研究成果在不断增加地物分类的准确度, 也在不断增强着地物分类的实用性. 但是仍然存在一些问题, 如怎样选取最适合的分类特征、同一地区多波段数据不多、如何更好地去除相干斑噪声等, 因此要加强对极化SAR技术的研究, 获取更深层次的成果. 相信在不久的将来, 极化SAR图像分类方法研究会越来越完善, 分类效果越来越精确.参考文献王超, 张红, 陈曦, 等. 全极化合成孔径雷达图像处理. 北京: 科学出版社, 2008.1Van Zyl J, Carande R, Lou Y, et al. The NASA/JPL three-frequency polarimetric AIRSAR system. Proceedings of 1992 International Geoscience and Remote Sensing Symposium. Houston, TX, USA. 1992. 649–651.2Rosen PA, Hensley S, Wheeler K, et al. UAVSAR: A new NASA airborne SAR system for science and technology research. Proceedings of 2006 IEEE Conference on Radar.Verona, Italy. 2006. 22–29.3黄铁青, 赵涛, 翟金良, 等. 发挥空间信息技术优势, 服务汶川抗震救灾决策——中国科学院利用遥感与地理信息技术为汶川地震抗震救灾和恢复重建提供决策服务纪略. 遥感技术与应用, 2008, 23(4): 486–492. [doi: 10.11873/j.issn.1004-0323.2008.4.486]4Horn R, Nottensteiner A, Reigber A, et al. F-SAR-DLR’s new multifrequency polarimetric airborne SAR. Proceedings of 2009 IEEE International Geoscience and Remote Sensing Symposium. Cape Town, South Africa. 2009. II-902–II-905. 5Uratsuka S, Satake M, Kobayashi T, et al. High-resolution dual-bands interferometric and polarimetric airborne SAR (Pi-SAR) and its applications. Proceedings of IEEE International Geoscience and Remote Sensing Symposium.Toronto, ON, Canada. 2002. 1720–1722.6Horn R. The DLR airborne SAR project E-SAR. Proceedings of 1996 International Geoscience and Remote Sensing Symposium. Lincoln, NE, USA. 1996. 1624–1628.7Christensen EL, Dall J, Skou N, et al. EMISAR: C- and L-band polarimetric and interferometric SAR. Proceedings of 1996 International Geoscience and Remote Sensing Symposium. Lincoln, NE, USA. 1996. 1629–1632.8Melsheimer C, Bao MQ, Alpers W. Imaging of ocean waves 9计算机系统应用2020 年第 29 卷第 11 期。

医学图像分割算法分类及特点

随着医学图像在临床诊断中的广泛应用，图像分割在医学图像处理与分析中的地位愈加重要，病变组织的定位、分割后的图像正被用于各种场合，如组织容积的定量分析、解剖结构的研究、计算机辅助诊断、治疗规划、功能成像数据的局部效应校正和计算机引导手术。

因此，对医学图像分割方法的研究具有重要的理论价值和广泛应用前景。

1医学图像分割技术分类医学图像分割是图像分割在医学领域的应用，准确的分割可以辅助医生判断病情、量化分析病灶区域，为正确的疾病诊断提供可靠的依据。

此外，医学图像分割作为病变体区域提取、特定组织测量以及三维重建的必要手段，对现代医学发展具有重要的科学意义。

为了更加清晰地了解医学图像的分割方法，可以根据不同的理论原理、不同的图像类型或不同的分割定义方式进行分类。

依据图像灰度值的不连续性和相似性及处理策略的不同，将分割技术分为：并行边界类、串行边界类、并行区域类和串行区域类四种。

本文从具体方法出发将现有的医学图像分割算法分为三大类，包括：基于形变模型（Model-based）的分割方法、基于区域(Region-based)的分割方法和基于统计学的分割方法。

下面，简要介绍各种方法，分析它们的应用范畴及优缺点。

1.1基于形变模型的图像分割方法基于形变模型的分割算法综合利用图像的区域和边界信息，是目前研究最多、应用最广的方法。

该方法的主要优点是能够直接产生闭合的参数曲线或曲面，并对噪声和伪边界有较强的鲁棒性。

最重要的形变模型是主动轮廓（Active contour）模型，可分为参数主动轮廓模型（Parametric ACM）和几何主动轮廓模型（Geometric ACM）两类。

1．1．1参数活动轮廓模型参数活动轮廓模型直接用参数来表达待分割的图像，通过形变来接近实际的形状，如血管图像分割中使用的椭圆参数模型。

基于物体边缘能量最小的事实，Kass等提出的Snake模型是参数形变模型的典型代表。

参数活动轮廓模型就是在图像内力和外力的共同作用下最小化目标函数，并收敛到物体边缘的曲线。

计算机视觉常用术语中英文对照

---------------------------------------------------------------最新资料推荐------------------------------------------------------ 计算机视觉常用术语中英文对照计算机视觉常用术语中英文对照（1）人工智能 Artificial Intelligence 认知科学与神经科学Cognitive Science and Neuroscience 图像处理Image Processing 计算机图形学Computer graphics 模式识别 Pattern Recognized 图像表示 Image Representation 立体视觉与三维重建Stereo Vision and 3D Reconstruction 物体（目标）识别 Object Recognition 运动检测与跟踪Motion Detection and Tracking 边缘edge 边缘检测detection 区域region 图像分割segmentation 轮廓与剪影contour and silhouette1/ 10纹理 texture 纹理特征提取 feature extraction 颜色 color 局部特征 local features or blob 尺度 scale 摄像机标定 Camera Calibration 立体匹配stereo matching 图像配准Image Registration 特征匹配features matching 物体识别Object Recognition 人工标注Ground-truth 自动标注Automatic Annotation 运动检测与跟踪 Motion Detection and Tracking 背景剪除Background Subtraction 背景模型与更新background modeling and update---------------------------------------------------------------最新资料推荐------------------------------------------------------ 运动跟踪 Motion Tracking 多目标跟踪 multi-target tracking 颜色空间 color space 色调 Hue 色饱和度 Saturation 明度 Value 颜色不变性 Color Constancy（人类视觉具有颜色不变性）照明illumination 反射模型Reflectance Model 明暗分析Shading Analysis 成像几何学与成像物理学 Imaging Geometry and Physics 全像摄像机 Omnidirectional Camera 激光扫描仪 Laser Scanner 透视投影Perspective projection 正交投影Orthopedic projection3/ 10表面方向半球 Hemisphere of Directions 立体角 solid angle 透视缩小效应 foreshortening 辐射度 radiance 辐照度 irradiance 亮度 intensity 漫反射表面、Lambertian（朗伯）表面 diffuse surface 镜面 Specular Surfaces 漫反射率 diffuse reflectance 明暗模型 Shading Models 环境光照 ambient illumination 互反射interreflection 反射图Reflectance Map 纹理分析Texture Analysis 元素 elements---------------------------------------------------------------最新资料推荐------------------------------------------------------ 基元 primitives 纹理分类 texture classification 从纹理中恢复图像 shape from texture 纹理合成 synthetic 图形绘制 graph rendering 图像压缩 image compression 统计方法 statistical methods 结构方法 structural methods 基于模型的方法 model based methods 分形fractal 自相关性函数autocorrelation function 熵entropy 能量energy 对比度contrast 均匀度homogeneity5/ 10相关性 correlation 上下文约束 contextual constraints Gibbs 随机场吉布斯随机场边缘检测、跟踪、连接 Detection、Tracking、Linking LoG 边缘检测算法（墨西哥草帽算子）LoG=Laplacian of Gaussian 霍夫变化 Hough Transform 链码 chain code B-样条B-spline 有理 B-样条 Rational B-spline 非均匀有理 B-样条Non-Uniform Rational B-Spline 控制点control points 节点knot points 基函数 basis function 控制点权值 weights 曲线拟合 curve fitting---------------------------------------------------------------最新资料推荐------------------------------------------------------ 内插 interpolation 逼近 approximation 回归 Regression 主动轮廓Active Contour Model or Snake 图像二值化Image thresholding 连通成分connected component 数学形态学mathematical morphology 结构元structuring elements 膨胀Dilation 腐蚀 Erosion 开运算 opening 闭运算 closing 聚类clustering 分裂合并方法 split-and-merge 区域邻接图 region adjacency graphs7/ 10四叉树quad tree 区域生长Region Growing 过分割over-segmentation 分水岭watered 金字塔pyramid 亚采样sub-sampling 尺度空间 Scale Space 局部特征 Local Features 背景混淆clutter 遮挡occlusion 角点corners 强纹理区域strongly textured areas 二阶矩阵 Second moment matrix 视觉词袋 bag-of-visual-words 类内差异 intra-class variability---------------------------------------------------------------最新资料推荐------------------------------------------------------ 类间相似性inter-class similarity 生成学习Generative learning 判别学习discriminative learning 人脸检测Face detection 弱分类器weak learners 集成分类器ensemble classifier 被动测距传感passive sensing 多视点Multiple Views 稠密深度图 dense depth 稀疏深度图 sparse depth 视差disparity 外极epipolar 外极几何Epipolor Geometry 校正Rectification 归一化相关 NCC Normalized Cross Correlation9/ 10平方差的和 SSD Sum of Squared Differences 绝对值差的和 SAD Sum of Absolute Difference 俯仰角 pitch 偏航角 yaw 扭转角twist 高斯混合模型Gaussian Mixture Model 运动场motion field 光流 optical flow 贝叶斯跟踪 Bayesian tracking 粒子滤波 Particle Filters 颜色直方图 color histogram 尺度不变特征转换 SIFT scale invariant feature transform 孔径问题 Aperture problem。

脑部肿瘤图像分割技术的研究

医学图像分割方法 ...............................................................................6 不含噪声的 MRI 脑部肿瘤图像分割结果........................................14 含噪声的 MRI 脑肿瘤图像分割结果................................................15 粒子群优化算法流程图 .....................................................................21 不含噪声的 MRI 脑部肿瘤图像分割结果........................................22 含噪声的 MRI 脑部肿瘤图像分割结果............................................23 平面曲线演化 .....................................................................................27 曲线的曲率演化 .................................................................................27 闭合曲线的常量演化(V=1) ...............................................................28 “曲线变短流” 和“面积减小流”的对比 ............................................28 演化的水平集及嵌入的曲面 .............................................................30 具有不同初始轮廓的 MRI 脑部肿瘤图像分割结果........................39 初始轮廓不完全包含脑肿瘤的分割结果 .........................................39 含噪声的 MRI 脑部肿瘤图像分割结果............................................39 不含噪声的 MRI 脑部肿瘤图像分割结果........................................45 初始轮廓不完全包含脑肿瘤的分割结果 .......................................46 分析法工作流程 .................................................................................49 实验法工作流程 .................................................................................50 本文研究算法的分割结果 .................................................................52

快速二维累积剩余Tsallis_熵阈值分割方法

第 38 卷第 11 期2023 年 11 月Vol.38 No.11Nov. 2023液晶与显示Chinese Journal of Liquid Crystals and Displays快速二维累积剩余Tsallis熵阈值分割方法黄聪1，2，邹耀斌1，2*（1.三峡大学水电工程智能视觉监测湖北省重点实验室，湖北宜昌 443002；2.三峡大学计算机与信息学院，湖北宜昌 443002）摘要：对灰度直方图呈现为双峰的图像，传统的二维直方图阈值分割方法虽然比较有效，但在灰度直方图呈现为无峰、单峰或多峰模式时，它们的分割结果较差。

考虑到经过二维直方图映射得到的二维生存函数存在密度连续和形态统一等优点，本文基于图像二维生存函数提出一种快速二维累积剩余Tsallis熵阈值分割方法。

该方法首先基于二维直方图构造二维生存函数，然后在二维生存函数的基础上定义计算分割阈值的二维累积剩余Tsallis熵目标函数。

通过递推算法将计算目标函数的时间复杂度降为O(L2)。

最后，基于递推形式的二维累积剩余Tsallis熵准则得到最优阈值向量以进行阈值分割。

在26幅合成图像和76幅真实世界图像上将提出的方法与2种快速二维阈值分割方法、2种聚类分割方法以及1种活动轮廓分割方法分别在时间和误分类率（Misclassification Error，ME）2个指标下进行了比较。

实验结果表明，在合成图像和真实世界图像中，相比于性能第2的方法，本文方法的时间平均缩短0.013 s，ME值平均降低0.051~ 0.089。

提出的快速二维累积剩余Tsallis熵阈值分割方法不仅在计算效率方面优于对比的5种方法，而且在分割适应性和分割精度方面具有明显优势。

关键词：阈值分割；二维直方图；二维生存函数；累积剩余Tsallis熵；快速递推算法中图分类号：TP391 文献标识码：A doi：10.37188/CJLCD.2022-0427Fast 2D cumulative residual Tsallis entropy thresholdsegmentation methodHUANG Cong1，2，ZOU Yao-bin1，2*（1.Hubei Key Laboratory of Intelligent Vision Based Monitoring for Hydroelectric Engineering，China Three Gorges University， Yichang 443002， China；2.College of Computer and Information Technology， China Three Gorges University， Yichang 443002， China）Abstract：For images with bimodal gray-level histogram，the traditional two-dimensional histogram threshold segmentation method is more effective， but when gray-level histogram is non-peak， unimodal or multimodal，their segmentation results are poor.Considering that the two-dimensional survival function obtained by two-dimensional histogram mapping has the advantages of continuous density and uniform morphology， a fast two-dimensional cumulative residual Tsallis entropy threshold segmentation method is proposed based on the two-dimensional survival function of images.The method firstly constructs a 文章编号：1007-2780（2023）11-1600-15收稿日期：2022-12-22；修订日期：2023-03-01.基金项目：国家自然科学基金（No.61871258）Supported by National Natural Science Foundation of China（No.61871258）*通信联系人，E-mail：zyb@第 11 期黄聪，等：快速二维累积剩余 Tsallis 熵阈值分割方法two-dimensional survival function based on the two-dimensional histogram，and then a two-dimensional cumulative residual Tsallis entropy objective function is defined to compute the segmentation threshold on the basis of the two-dimensional survival function.Further，a recursive algorithm is used to reduce time complexity of calculating the objective function to O(L2). Finally， based on the two-dimensional cumulative residual Tsallis entropy criterion in recursive form，an optimal threshold vector is obtained for threshold segmentation.In 26 synthetic images and 76 real-world images，the proposed method is compared with two fast two-dimensional threshold segmentation methods， two clustering segmentation methods and one active contour segmentation method respectively under two indicators of time and misclassification error （ME）.Experimental results show that the time is shortened by 0.013 s，and ME value is reduced by 0.051~0.089 on average in comparison with the method of performance 2 in both synthetic and real-world images.The proposed fast two-dimensional cumulative residual Tsallis entropy threshold segmentation method is not only superior to the 5 comparison methods in computational efficiency， but also has relatively obvious advantages in segmentation adaptability and segmentation accuracy.Key words： threshold segmentation；two-dimensional histogram；two-dimensional survival function；cumulative residual Tsallis entropy； fast recursive algorithm1 引言阈值分割因其高效、易于实现而被广泛应用于工业缺陷检测［1］、SAR图像目标识别［2］和目标检测［3］等诸多实际领域。

核磁共振图像脑组织自动提取方法

核磁共振图像脑组织自动提取方法张海燕;李海云【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)016【摘要】核磁共振图像的脑组织提取是神经图像处理研究中的一个重要步骤。

将传统的几何活动轮廓模型与二值水平集函数相结合，提出了一种新型的二值水平集活动轮廓模型，并基于该模型提出了一种能够自动、准确实现MRI脑组织提取的方法。

该方法在脑组织内部自动设定最优初始轮廓曲线，将该演化曲线隐含地表示成一个高维函数的零水平集，零水平集在基于区域的图像力驱动下不断演化并达到待分割脑部图像的边缘。

将基于该方法的脑组织提取结果与作为金标准的专家手动分割结果和其他流行算法相比较，结果表明提出的脑组织提取方法能够自动、准确和快速地提取MRI脑组织，是一种鲁棒性较好的MRI脑组织提取方法。

%The segmentation of brain region from non-brain region in magnetic resonance images, also referred to brain tissue extraction, is an important and difficult task due to the convoluted brain surface and weak boundaries between brain and non-brain tissue. This paper proposes an accurate and automatic method of brain tissue extraction based on a novel binary level set active contour model. An initial contour, which is automatically set inside the brain, is driven by a region-based image force until it well fit the brain and non-brain boundaries. Quantitative evaluation of the new method is performed by comparing the result of the new method to those obtained using manual segmentation in 10 sets normal adult MR brainimages. Experimental results demonstrate that the proposed method can provide accurate and automatic brain tissue extraction results.【总页数】5页(P168-172)【作者】张海燕;李海云【作者单位】首都医科大学生物医学工程学院，北京，100069;首都医科大学生物医学工程学院，北京，100069【正文语种】中文【中图分类】TP391【相关文献】1.基于3D-CSC的核磁共振脑组织图像分割方法 [J], 王浩军;张改英2.一种鲁棒的人脑组织核磁共振图像分割算法研究 [J], 林盘;郑崇勋;杨勇;阎相国;顾建文3.支持向量机在核磁共振脑组织图像分割中的应用 [J], 刘白林;雷行行4.基于区域生长算法的MR脑组织图像半自动提取方法 [J], 陈通5.基于区域生长算法的MR脑组织图像半自动提取方法 [J], 陈通因版权原因，仅展示原文概要，查看原文内容请购买。

双活动轮廓模型

双活动轮廓模型王少荣;上官大堰;陈毅松【期刊名称】《计算机应用研究》【年(卷),期】2011(028)010【摘要】One of the problems of active contour model is that how to choose the press force. If the press is too high, the active contour may across the weak boundary or the active contour can' t be driven by press. This paper introduced a novel deformable model based on double active contours. Correspondence and constraint was set up between the inner and outer contours. Then the active contours evolved under the contour constraint. The novel deformable model could catch the boundary of the concave region,and determined weak boundary by the coupled active contours.%针对形变模型方法存在压力太大活动轮廓容易从弱边界处溢出,压力太小则不能推动活动轮廓移动的压力项选择,提出基于双活动轮廓的形变模型.该模型建立内外活动轮廓的对应和约束,根据约束控制内外活动轮廓的演化；并可捕捉凹陷区域边界,且通过内外活动轮廓界定出弱边界区域.【总页数】3页(P3989-3991)【作者】王少荣;上官大堰;陈毅松【作者单位】北京林业大学信息学院,北京100871;北京林业大学信息学院,北京100871;北京大学机器感知与智能教育部重点实验室,北京100871【正文语种】中文【中图分类】TP391【相关文献】1.参数活动轮廓模型和几何活动轮廓模型之比较 [J], 朱丽青;张天米2.基于超像素/像素协同约束和稀疏分解活动轮廓模型 [J], 刘国奇;董一飞;李旭升;茹琳媛;常宝方3.基于活动轮廓模型的人脸特征信息标定方法 [J], 杨光熠;徐平平4.基于活动轮廓模型的人脸特征信息标定方法 [J], 杨光熠;徐平平5.结合混合符号压力函数的活动轮廓模型 [J], 郑婕;唐利明因版权原因，仅展示原文概要，查看原文内容请购买。