水平集算法原理介绍

图像分割 - 水平集算法 水平集介绍 水平集分为三种: 1 . 基于图像边缘灰度梯度信息 ,适用于边缘强的图像分割 2 . 基于区域特征 ,利用区域信息引导曲线慢慢靠近 ,比如分割曲线区域的内外灰度均值,分割曲线内部区域面积(例如 Chan-Vase) 3 . 混合型 水平集关键 :曲线的演变 首先设置一个初始轮廓,也就是初始轮廓,通过将这个初始轮廓演变成图像中需要分割出来的形状,那具体是如何演变的呢 ?我用自己的理解来解释一下: 既然曲线在演变,那曲线的每一个点一定有一个演化的方向,如何确定演化方向? 用最优方 阅读详情
本篇文章,解释的是水平集算法最基础的原理。

水平集方法的解释
有一个表面S,它与一个平面P相交,得到一个曲线C,这个C就是我们通过水平集得到的轮廓。
在图像分割中,表面S是随着由图像派生得到的势(force)来更新。
本文的思路是:
1提出问题
2提出解决方法
3方法的局限性

跟踪界面
首先,我们来想象水从一个小山的山顶往下流的画面。我们的目标是,在水往下流的时候,跟踪水前(water front,每一个点的水下一秒流动的方向叫作水前,我们跟踪的是所有点的水前。并且我们的初始条件是,所有初始位置点构成的曲线)。

如下图所示,这是一个V型小山,黑色部分是山顶,越往白色的地方,海拔越低。
这里写图片描述
红色箭头是水前。

问题来了,如何在给定时间T时刻,得到所有的水前?

显式轮廓方法
一个方法是,跟踪一系列点,沿着它们的法线方向(normal direction)来演化水前,并且猜测水前的停止位置。

如下图所示,在t=0时刻点集的水前位置,当t=1的时候,点集运动到了虚线位置。
这里写图片描述

显式演化一个点集的水前,听起来是个好主意,但是它有很大的缺陷,使得我们不得不放弃这种可以直观理解的方法。

那究竟是什么缺陷呢?
如下图所示,这个倒V型的曲线,在它的顶端是一个角(corner)。离角最近的那两个点有着各自的水前,它们方向不一致。随着水前的演化,该角最后的状态将无法得知。红色是0时刻的点状态,粉色是1时刻的点状态。
这里写图片描述
另外,如果水前是向外扩展的,那么初始的点集可能不够用来得到演化后的水前。需要使用插值法或者在演化出现冲突的时候删掉一些点。并且,点之间的距离要保证足够小,才能得到平滑的水前。这种得到演化水前的机制在应用时是很麻烦的。

在应用上,拓扑变化需要关注的问题更多,比如在分裂和合并的情况下。在我们的小山流水的例子中,左图的中间的红色矩形方框是初始点集,圈住的是山顶最高位置,即将向上下的白色山谷流下去。
在右图中,我们看到,初始点集演化到一定阶段,就会分裂,并且分裂后会与本来在山谷里的曲线合并~问题很明白了,这个方法要解决的挑战是,如何确定在分裂时该插入的点,以及在分裂时该删掉的点呢?
这里写图片描述 这里写图片描述
所以,追踪点集的水前,尽管是一个很直观的办法,但却有很难解决的缺陷。

隐式轮廓方法
这个方法的本质是演化一个表面S,而不是一个水前曲线C,且我们用隐式轮廓法得到的水前定义为这个表面S在高度h=0的所有点构成的集合(没有删除和插值这么麻烦的事情了,开心~)。于是根据定义,水前曲线就是零水平集φ=0。如下图所示,是从一个演化的表面得到轮廓。
这里写图片描述
当表面φ(x,y,t)在演化时,它将呈现杯状,过后杯口或将变窄,或将消失。下图中的零水平集显示了轮廓曲线合并和分裂的情况,z=0表示的是山谷。
这里写图片描述 这里写图片描述
(a)t=50,合并开始 (b)t=52,合并结束
这里写图片描述 这里写图片描述
(c)t=90,分裂开始 (d)t=120,分裂结束

对于拓扑变化,我们不用再过多关注其它问题了。
那么问题在于,我们如何确定函数φ呢?

水平集方程
首先,我们来看看这个方法背后的数学理论~
点x(x,y)属于一个随着时间演化的曲线,x(t)为它在t时刻的位置。在任意时刻t,对于每一个点x(t)都是表面φ在高度为0的曲线上的点,即:
φ(x(t),t) = 0

问题还是,这个函数φ到底是什么呢?
只要它给得出我们需要的零水平集,那么它可以是任何定义。。。(这就糟了,怎么造呢)

举个栗子,上面有一幅图,显示的初始轮廓是一个矩形。该表面的高度等于(x,y)到轮廓上点的最近距离,于是有φ(x,y,t=0)=±d,+d表示在轮廓外,-d表示在轮廓内。只要φ的零水平集可以匹配初始轮廓,那它可以被定义成任何函数。
在时刻t=0处,给定初始函数φ,根据运动方程∂φ/∂t我们可以得到任意t时刻的φ。对于此,利用链式法则,有:
这里写图片描述
把∂φ/∂x记作▽φ,速度x_t 的方向由表面的法向量给定,因此x_t =F(x(t))n,其中这里写图片描述。上面的运动方程可重写为:
这里写图片描述
最后一个方程定义了φ的运动。给定t=0时的φ以及它随时间演化的运动方程,我们可以通过演化初始函数这里写图片描述得知任何t时刻的这里写图片描述。这样我们就回答了最初的问题,即我们知道了φ是什么。
φ有个有趣的特征,就是我们可以用下式得到表面的曲率:
这里写图片描述
我们可以用这个来控制水前曲线的平滑度。

应用
在计算机的世界,图像是具有的像素,而函数需要被离散化。也就是说,这里写图片描述在 像素(i,j)处的值由这里写图片描述估计。这个梯度由有限差分法(finite difference scheme)来估计,比如下:
这里写图片描述
其中,对于给定点x,这里写图片描述表示左有限差分,这里写图片描述表示右有限差分。如下图所示,梯度计算的方式因水前方向的不同而不同,有点差分法也会考虑到水前方向。
这里写图片描述
于是,之前的运动方程可化作:
这里写图片描述
从此,我们可以用下式来更新表面这里写图片描述:
这里写图片描述
当我们计算曲率的时候,只依赖于表面φ。于是可以使用中心差分法:
这里写图片描述
曲率的数值计算可利用下式:
这里写图片描述

为了使水前曲线平滑,高的曲率应该被惩罚。为了使零水平集扩展,我们不通过减小φ,而是利用高曲率使得水前运动反向。我们可以利用曲率来更新这里写图片描述:
这里写图片描述

结果
给定任意的初始函数φ,比如一个初始轮廓的距离转换,这里写图片描述的数值计算方法,我们来展示一些轮廓演化的例子。
第一个小栗子,一滴在扩展的水,前面有一个小障碍物,如下图所示:
这里写图片描述这里写图片描述这里写图片描述
水前运动被障碍物停止下来,并被扰动。
下面有个更复杂的例子。
这里写图片描述这里写图片描述这里写图片描述
初始轮廓仍旧是个圆~~随着表面的演化,轮廓开始分裂,从第三图可看到已经完全分裂。

下面这个例子,利用真实的图片。不使用连续的正势和负势,有无曲率皆可以,我们利用图像派生出势(force)。这个势值在物体内应该很高,在十分接近物体的边缘时,应该很低(我们是从物体内部去得到它的边缘的)。图像的梯度表现了它的边缘所在。
这里写图片描述 这里写图片描述
势可以是上面梯度图像这里写图片描述的逆,也可以是它的高斯部分,如下:
这里写图片描述
λ和σ是控制惩罚因子的参数。下图是使用梯度图像来演化轮廓:
这里写图片描述 这里写图片描述 这里写图片描述

到此为止,你应该了解,水平集方法是关于演化表面的函数,而不是演化曲线的函数~~(尽管我们的目的是得到轮廓)
这也是这个方法的优雅魅力之处!

水平集(简单理解,有些其他地方看不到)(针对图像分割) 从Level-set的字面意思能够理解到,set为集合,代表了一系列点集,一个函数上满足一定条件的一系列点集。例如:{x│f(x)=x^2+1=2},set为{-1,1}。Level为水平,既函数的取值,代表了f(x)的值。 用二维(x,y)表示一维(x),二维线表示一维点,{x│f(x)=x^2+1=2},Level为2,set为{-1,1}。 用三维(x,y,z)表示二维(x,y),三维面... 阅读详情

相关推荐

水平集(Level Set)的基本方法

水平集(Level Set)的基本方法 水平集(Level Set)的基本方法-曲线演化的直观解释 映射C(p),p∈[a,b]:R→R2定义了一个平面的曲线,p是参数,对属于区间[a,b]内的每一个p0,我们得到曲线上的一点:C(p0)=[x(p0),y(p0)) 正则曲线:如果 例:单位圆 曲线的切线 弧长参数 如果曲线

科研学习笔记! 6万+

水平集方法的一个基本框架

水平集方法框架 水平集方法是现代图像处理中很重要的一个方法,为了说清楚这个东西,我们先介绍几个基本的概念。 零水平集 对于一个函数 ϕ(x⃗):Rn→R\phi(\vec x):{\mathbf{R}^n}\rightarrow \mathbf{R}ϕ(x):Rn→R(其中x⃗∈Rn\vec x \in {\mathbf{R}^n}x∈Rn ,下同),取其值域为零部分对应的定义域: Γ={x⃗∣ϕ...

LSEC小陆的博客 6514

【深度学习中的数学知识】水平集演化算法(Fast Level-Set Evolution Algorithm)用于图像分割、物体追踪、形态学分析等领域,附代码(一)

【深度学习中的数学知识】水平集演化算法(Fast Level-Set Evolution Algorithm)用于图像分割、物体追踪、形态学分析等领域,附代码(一)

2401_89898861的博客 1327

水平集——那些我膜拜过的牛人2

久违了,今天换到新部门,准备利用下班时间接住先前的班。本篇是迄今为止数学味最浓的,主要用于介绍一个方法以及一个牛人李春明。又来一个明(上次是何凯明),要是中国的小明都这么...

hacker_long的专栏 5769

多相Chan和Vese稀疏场水平集分割算法的实现

本文介绍了多相Chan和Vese稀疏场水平集分割算法的原理,并提供了相应的源代码实现。读者可以根据自己的需求和实际情况,调整算法中的参数和输入图像,以获得满足自己需求的分割结果。多相Chan和Vese稀疏场水平集分割算法是一种改进的水平集分割方法,能够有效地处理多相分割问题。多相Chan和Vese稀疏场水平集分割算法基于稀疏场水平集模型,通过最小化能量函数来实现图像分割。, cn表示不同区域的均值,n为区域的个数,φ(x, y)为水平集函数,λ为正则化参数,∇φ(x, y)为水平集函数的梯度。

2301_79326857的博客 355

单相Chan和Vese密集域水平集分割

水平集分割是一种常用的图像分割方法,它基于水平集函数的演化来实现目标区域的分割。Chan和Vese提出了一种改进的水平集分割方法,称为单相Chan和Vese密集域水平集分割。以上代码中,我们首先将彩色图像转换为灰度图像,然后初始化水平集函数。然后,我们通过迭代更新水平集函数来实现分割。最后,根据水平集函数的正负值生成二值化的分割掩模。步骤3:根据水平集函数生成分割结果。通过最小化能量函数来更新水平集函数,使其向着分割结果收敛。步骤4:重复步骤2和步骤3,直到水平集函数收敛或达到最大迭代次数。

ByteEchoX的博客 351

水平集(level set)算法原理介绍

本篇文章,解释的是水平集算法最基础的原理。 1 水平集方法的解释 有一个表面S,它与一个平面P相交,得到一个曲线C,这个C就是我们通过水平集得到的轮廓。 在图像分割中,表面S是随着由图像派生得到的势(force)来更新。 本文的思路是: 1提出问题 2提出解决方法 3方法的局限性 跟踪界面 首先,我们来想象水从一个小山的山顶往下流的画面。我们的目标是,在水往下流的时候,跟踪水...

thedha3ege的博客 2万+

主题068:水平集方法

水平集方法(Level Set Method)是由Osher和Sethian于1988年提出的一种数值技术,用于追踪移动界面。其核心思想是将界面定义为高维函数的零等值线,通过演化这个函数来追踪界面的运动。核心优势:界面表示: Γ(t)={x:ϕ(x,t)=0}\Gamma(t) = \{\mathbf{x} : \phi(\mathbf{x}, t) = 0\}Γ(t)={x:ϕ(x,t)=0}其中ϕ(x,t)\phi(\mathbf{x}, t)ϕ(x,t)为水平集函数。符号约定:符号距离函数: 理想情况

2401_87715305的博客 866

水平集算法

水平集算法原理介绍 http://blog.youkuaiyun.com/github_35768306/article/details/64129197

moonlightpeng的博客 2054

MATLAB实现的水平集图像分割项目

本文还有配套的精品资源,点击获取 简介:本项目将深入探讨水平集方法在图像分割领域的应用。水平集是一种数学工具,可以有效处理不规则边界的图像分割问题,适应形状和拓扑的变化。通过MATLAB脚本实现水平集算法的各关键步骤,包括图像预处理、水平集函数初始化、演化规则的更新、边界提取以及结果展示。该技术在医学、遥感等领域有广泛应用,并可以通过调整参数优化分割效果。 1. ...

weixin_42511373的博客 1440

水平集图像分割算法:灰度图像处理的实战解析

水平集算法源自几何测度理论,最初应用于曲线演化。算法利用隐式函数来表示动态曲线,通过演化隐式函数来实现图像分割。这种方法可以有效处理拓扑变化和边缘模糊等问题,使得它在医学图像处理、计算机视觉等领域受到青睐。偏微分方程(Partial Differential Equations,PDEs)是用来描述多个变量之间的关系的方程,这些变量间的关系通常涉及它们的偏导数。在图像处理的背景下,PDEs可用于模拟物理过程、流体动力学、热传导等问题。PDEs根据它们的线性性质可以分为线性和非线性方程。

weixin_32747681的博客 1004

水平集图像分割并行加速算法设计与实现(串行、OpenMP、CUDA)——CUDA GPU并行实现篇

本系列文章详细讲解了水平集图像分割的基本原理,并基于C++与OpenCV给出了相应的串行实现。在上述基础上,结合OpenMP与CUDA,分别在CPU与GPU层面,实现了针对水平集图像分割算法的并行化任务,且取得了优良的加速效果。文章内有源码与水平集相关论文原文提供,帮助读者进一步加深对于水平集图像分割算法与相应的并行化设计方案的理解与认识。

weixin_46007180的博客 2417

Matlab实现GAC水平集图像分割技术及源码解析

图像分割是计算机视觉和图像处理领域的一项基本任务,其核心目的是将图像分解成多个具有相同特征或属性的区域或对象。在这一过程中,图像的每个像素点被赋予一个标签,这些标签代表了像素所属的区域。图像分割技术在许多应用中都发挥着重要作用,例如在医学影像分析、交通监控、工业自动化检测等场景中,它帮助我们理解和解释图像内容。图像分割依据不同的标准可以分为不同的类型,如按照处理的方法可以分为基于阈值的分割、基于区域的分割、基于边缘的分割和基于特定模型的分割等。

weixin_36122351的博客 1124

ITK 了解区域生长算法和水平集算法

https://www.docin.com/p-1719176933.html 这个文章里介绍了ITK包含的所有的区域生长算法和水平集算法,了解完后,可以看看ITK的官方例子。深入理解下 ...

4月16!的博客 829

水平集方法与距离正规化程序实现

水平集方法是一种用于曲线演化和图像处理的强大数学工具。它基于偏微分方程,将曲线演化问题转化为水平集函数的演化问题。这种方法特别适用于处理几何形状的拓扑变化,如分裂与合并。在本章中,我们将首先介绍水平集方法的数学基础和基本概念,然后探讨其在图像处理和计算机视觉中的应用。我们还会讨论水平集方法如何处理各种复杂场景,包括如何保持演化过程的稳定性。水平集方法的原理可以概括为:通过在更高维的水平集函数中嵌入一个低维的初始曲线,并让这个曲线随时间按照预定的偏微分方程进行演化。

weixin_42113456的博客 962

图像分割算法及MATLAB实现:从边缘检测到水平集

图像分割是将图像划分为多个区域或对象的过程,是图像分析和理解的基础。它是将一张复杂图片中的关键信息提取出来的关键步骤。图像分割不仅有助于降低处理的数据量,还能增强图像分析的质量和效率。

weixin_36064575的博客 1004

基于水平集CV模型的图像分割完整Matlab实现

图像分割是计算机视觉中的核心任务之一,旨在将图像划分为多个具有特定语义的区域,为后续识别与分析提供基础。传统分割方法如阈值法、边缘检测等在处理复杂结构时存在局限,尤其在面对边界模糊或拓扑变化频繁的图像时表现欠佳。水平集方法(Level Set Method)通过将边界隐式表示为高一维函数的零等高线,能够自然处理边界分裂与合并等复杂拓扑变化。其核心思想是通过函数演化来驱动边界向目标区域逼近,具有良好的数值稳定性和几何灵活性。

weixin_42590539的博客 1060

配置 Druid 数据源及密码加密-SpringBoot 实战基础

在SpringBoot中配置 Druid 数据源及密码加密的方法前文集成 MyBatis Plus,实现了一组增删改查接口。在启动服务时,从控制台中可以看出 Spring Boot 默认使用 Hikari 作为数据库连接池,Hikari性能很优秀。在国内使用较多的连接池还属阿里开源的 Druid,中文发音为德鲁伊。Druid 结合了 C3P0、DBCP 等 DB 池的优点,同时还加入了日志监控,可以很好的监控 DB 池连接和 SQL 的执行情况。...

m0_67698950的博客 955
上一篇: 安装windows版caffe
下一篇: 图像分割资料分享
早安啊
博客等级 码龄10年 25粉丝 8原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值