改进的ChanVese活动轮廓模型

J4 ›› 2011, Vol. 29 ›› Issue (03): 263-.

改进的ChanVese活动轮廓模型

赵宇^a| 吴立竹^b

四平职业大学 a科研处；b计算机工程学院|吉林四平 136002

出版日期:2011-05-20 发布日期:2011-06-27
通讯作者: 吴立竹（1971— ），女，吉林四平人，四平职业大学副教授，主要从事数据挖掘研究，(Tel)86-434-3304468 E-mail:jlspwlz@163.com。
作者简介:赵宇（1970— ）|男|吉林四平人|四平职业大学副教授|主要从事数字图像处理研究|(Tel)86-434-3304186(E-mail)weidachuan2010@163.com；通讯作者：吴立竹（1971— ）|女|吉林四平人|四平职业大学副教授|主要从事数据挖掘研究|(Tel)86-434-3304468(E-mail)jlspwlz@163.com。
基金资助:
吉林省自然科学基金资助项目(20080317)

Improved ChanVese Active Contour Model

ZHAO Yu^a| WU Li-zhu^b

aScientific Research Department|bSchool of Computer Engineering, Siping Professional College, Siping 136002, China

Online:2011-05-20 Published:2011-06-27

摘要/Abstract

摘要：

针对ChanVese模型计算量大和分割时间长的问题，提出了一种改进的ChanVese活动轮廓模型。该模型将水平集规则式融入ChanVese模型中，使水平集函数始终保持在符号距离函数附近，避免了重新初始化过程，减少了模型的计算量，同时改变了水平集函数的初始化函数，这更有利于新曲线的产生。实验结果表明，该改进模型具有一定的抗噪性，收敛速度快，分割时间少，且能得到全局最优的分割结果。

关键词: 计算机应用, 图像分割, ChanVese模型, 重新初始化

Abstract:

Because the complexity of ChanVese model is expensive and its segmentation time is long, an improved ChanVese active contour model is presented. In the model, a level set regularization term is introduced into ChanVese model, which can force level set function close to a signed distance function so that reinitialization can be avoided，and the complexity of ChanVese model is less expensive，and we also change the function which is set as the initial level set function, so that new contours emerge more easily. Finally the experimental results demonstrate that the improved ChanVese model is robust to noise, converges more quickly, and can achieve global segmentation.

Key words: computer application, image segmentation, ChanVese model, reinitialization

中图分类号:

TP391

赵宇| 吴立竹. 改进的ChanVese活动轮廓模型[J]. J4, 2011, 29(03): 263-.

ZHAO Yu| WU Li-zhu. Improved ChanVese Active Contour Model[J]. J4, 2011, 29(03): 263-.

[1]	王莉, 蔡路路. 对称差分算法下人体运动轨迹图像分割技术 [J]. 吉林大学学报(信息科学版), 2025, 43(6): 1222-1229.
[2]	薛晶晶, 徐摇翔. 复杂背景下无线传感器网络图像显著性目标辨识算法[J]. 吉林大学学报(信息科学版), 2025, 43(5): 1078-1084.
[3]	朱彦华. 基于改进CNN 的弱边缘超声图像分割方法[J]. 吉林大学学报(信息科学版), 2024, 42(6): 1018-1024.
[4]	何婧, 邱欣欣, 温强 . 基于边缘检测的数字媒体深度交互式图像分割算法 [J]. 吉林大学学报(信息科学版), 2024, 42(5): 952-958.
[5]	冷泽琪, 谭振江, 王坤昊, 丁婷婷. 基于超级帐本和手指静脉的 PHR 共享方案[J]. 吉林大学学报(信息科学版), 2021, 39(5): 569-575.
[6]	孙晖, 杨艾炯, 李康博, 孟浩楠, 牛立刚. 基于深度学习的眼角膜图像自动化分析研究[J]. 吉林大学学报(信息科学版), 2021, 39(5): 609-616.
[7]	王凌燕. 中文字符识别系统的研究与实现[J]. 吉林大学学报(信息科学版), 2020, 38(2): 199-205.
[8]	霍凤财, 孙雪婷, 任伟建, 杨迪, 于涛. Lab 空间的改进k-means 算法彩色图像分割[J]. 吉林大学学报(信息科学版), 2019, 37(2): 148-154.
[9]	金兰依, 郭树旭, 马树志, 刘晓鸣, 孙长建, 李雪妍. 基于半监督阶梯网络的肝脏CT 影像分割[J]. 吉林大学学报(信息科学版), 2018, 36(2): 158-164.
[10]	李松, 罗代洪. 有机分析实验室 LIMS 系统的开发与应用[J]. 吉林大学学报(信息科学版), 2018, 36(1): 85-89.
[11]	王昕,李亮,才晓东 . 改进 LIC 模型的甲状腺结节超声图像分割算法[J]. 吉林大学学报(信息科学版), 2017, 35(1): 68-75.
[12]	刘乐, 徐玉蕊, 王刚刚, 侯阿临. 基于熵结合的活动轮廓分割模型[J]. 吉林大学学报(信息科学版), 2016, 34(2): 278-282.
[13]	郭树旭, 李枭, 朱麒, 张明阳. 改进的快速C-V模型指静脉图像分割算法[J]. 吉林大学学报(信息科学版), 2014, 32(3): 288-292.
[14]	仲崇峰, 刘智, 杨阳, 刘丹. 改进的基于邻域隶属度约束的FCM图像分割算法[J]. 吉林大学学报(信息科学版), 2013, 31(6): 627-633.
[15]	胡亮, 金日浩, 赵阔, 李洁. 快速图像分割和抠图技术研究[J]. 吉林大学学报(信息科学版), 2013, 31(6): 568-574.