导读:本文包含了双水平集论文开题报告文献综述及选题提纲参考文献，主要关键词:医学图像,NL-Means,双水平集,偏移场矫正
双水平集论文文献综述
唐文杰,朱家明,徐丽[1]（2018）在《基于NL-Means的双水平集脑部MR图像分割算法》一文中研究指出针对脑部MR图像中通常伴有灰度不均、高噪声的缺点,且传统水平集无法有效分割的问题,提出了一种基于NL-Means的双水平集算法。首先,利用改进型NL-Means算法对带有噪声的医学图像进行去噪处理,再通过双水平集算法对图像进行分割,提取多目标区域,为了去除医学图像中灰度不均对分割效果的影响,所提算法引入了偏移场拟合项,进一步改进了双水平集模型,进而对去噪图像分割效果进行了优化处理。实验结果表明,所提算法能有效地解决灰度不均与高噪声的问题,能够将伴有灰度不均的高噪声脑部MR图像完全分割出来,从而获得预期的分割效果。(本文来源于《计算机科学》期刊2018年S2期）
徐丽,朱家明,唐文杰[2]（2018）在《基于NLM的双水平集医学图像分割算法》一文中研究指出针对医学图像的复杂多样性,易受到各种外在和内在因素的干扰,提出了基于非局部均值算法的双水平集医学图像分割模型。对于图像含有高噪声的问题,引入非局部均值方法对图像进行去噪处理,并在传统DCV中引入偏移场能量项,利用水平集算法对去噪后的图像再进行分割,得出最终的分割效果图。实验结果显示,该模型有较强的抗噪性,可强化图像边缘信息,得到较好的分割效果。(本文来源于《无线电通信技术》期刊2018年04期）
张辉,朱家明,吴杰[3]（2016）在《基于模糊核聚类的双水平集医学图像分割》一文中研究指出在实际的医学图像中,除目标和背景区域外,还存在两个以上的目标区域,传统的Chan-Vese模型一般只适用于两相图像分割,不能很好地分割多相图像。提出了一种基于模糊核聚类的改进型双水平集的医学图像分割,利用KFCM聚类算法降低图像噪声和双水平集模型的敏感性,对双水平集模型进行改进,对聚类后图像再分割。该方法具有较好的抑制图像噪声能力,充分利用图像边缘信息,无需初始化水平集函数,减少计算量和算法迭代次数,并能有效地实现多相目标区域的分割。(本文来源于《无线电通信技术》期刊2016年04期）
陈静,朱家明,吴杰[4]（2015）在《基于图像层的双水平集图像分割》一文中研究指出传统C-V模型可以将待分割图像分割成目标和背景两区域,但无法实现对多目标图像的分割。多相C-V模型能够对多目标图像进行分割,但需要多次迭代,计算量较大。为了解决上述问题,提出一种基于图像层的双水平集分割算法,该算法通过引入背景填充技术来改变图像背景,从而形成新的图像层,双水平集不断地在新的图像层中进行分割,直到所有目标被分割。这样通过双水平集就可以实现对多目标图像的分割。实验结果表明:该算法能够实现多目标分割,且迭代次数较少,同时具有较强的抗干扰能力和较快的收敛速度。(本文来源于《计算机科学》期刊2015年06期）
姚昌辉,贾尚晖[5]（2012）在《双水平集逼近油藏模型特征的数值模拟方法》一文中研究指出本文使用双水平集函数逼近油藏模型特征,构造出Uzawas算法进行数值模拟.对于两相流渗透率的数值求解问题,可以通过测量油井数据和地震波数据来实现.将构造出来的带限制的最优化问题使用变异的Lagrange方法求解.如果使用双水平集函数逼近渗透率函数,则需要对Lagrange函数进行修正,从而将带限制的最优化问题转化成无限制的最优化问题.由于双水平集函数的优越性,进一步构造出最速梯度下降Uzawas算法和算子分裂格式Uzawas算法进行求解对应的最优化子问题.数值算例表明设计的算法是高效的、稳定的.(本文来源于《中国科学:数学》期刊2012年05期）
秦绪佳,郑琴,张素琼,韩军[6]（2012）在《改进的双水平集医学图像分割方法》一文中研究指出由于基于简化M_S模型的多相水平集图像分割模型仅仅利用了图像的区域信息,对图像的另一个重要信息(边缘信息)没有有效的利用,同时在分割的过程中需要对水平集函数不断进行重新初始化.为了解决上述模型的不足,本文提出改进的双水平集医学图像分割方法.该方法主要是在基于简化M_S模型的多相水平集图像分割模型的基础上将图像的边界信息项和为避免重新初始化水平集函数的惩罚项加入模型中.实验结果表明,添加了边界信息后的模型能够在边界位置定位更容易,同时改进后的双水平集模型在实现多目标分割时,无需重新初始化水平集函数,减少了计算量,简化了算法实现的复杂度.(本文来源于《小型微型计算机系统》期刊2012年04期）
杨建功,汪西莉[7]（2012）在《一种结合图割与双水平集的图像分割方法》一文中研究指出针对水平集方法在图像分割中需要多次迭代,且计算量大的问题,提出一种基于图割与双水平集的图像分割方法。首先在目标边界内外部各设置一条初始轮廓线和一个阈值,通过双水平集方法对轮廓线进行演化。当轮廓线的能量变化率小于给定阈值时,终止水平集演化。将得到的两条轮廓线化为源点和汇点,通过图割方法得到最终目标边界。该方法有效减少了水平集迭代次数,提高了分割效率,而且给出了一种终止水平集迭代的方式。实验表明该方法具有较好的分割效果和较高的分割效率。(本文来源于《计算机工程与应用》期刊2012年03期）
葛琦,张建伟[8]（2009）在《基于贝叶斯分类模型的双水平集算法的大脑图像分割》一文中研究指出针对大脑图像中灰质和白质边界结构的复杂性以及拓扑细长部分目标和弱边界目标分割存在的问题,提出了基于贝叶斯分类模型的双水平集分割算法。鉴于传统的水平集有分割过度、泄漏边界的缺点,可通过贝叶斯分类模型计算出水平集曲线位于边界的概率,并将此概率相关联的区域决策因子添加在水平集函数方程中,从而实现利用图像的区域信息提高水平集曲线识别边界能力的目的。将基于贝叶斯分类模型的双水平集算法应用到大脑图像的分割,通过内外两条水平集共同演化作用,得到了比贝叶斯分类模型的单水平集方法更完整的分割效果,并明显提高了分割效率。(本文来源于《计算机应用与软件》期刊2009年08期）
詹天明,张建伟,陈允杰,王宇,吴玲玲[9]（2009）在《快速CV双水平集算法的人脑MR图像分割》一文中研究指出针对CV模型的多水平集算法需要较高的数值稳定性以及曲线演化速度慢的缺点,根据人脑MR图像的特征,提出一种快速CV双水平集算法,统计被2条曲线划分成4类的直方图,构造符号矩阵,依次将直方图上的点放入其他类中,根据能量的变化更改该点对应点的符号,得到粗分割结果,并对粗分割结果进行优化。对MR图像进行的分割实验表明,其分割效果更好,速度有大幅度的提高。(本文来源于《计算机工程》期刊2009年14期）
张建伟,夏德深[10]（2006）在《基于双水平集的图像分割模型》一文中研究指出针对水平集模型对于具有细长拓扑部分的目标和弱边界目标进行分割时存在的问题,提出了双水平集方法·在新的方法中通过两条水平集之间的相互吸引来加速解的收敛,同时提出了一种快速有符号距离函数生成方法,提高了计算效率·传统的水平集通常利用图像边界信息来构造速度函数进行求解,但在待分割目标具有很强噪音或具有弱边界时往往得不到真实解,对此,提出了一种新的基于区域信息的速度构造方法·将双水平集模型应用到合成图像与左心室MR图像的分割实验,结果表明该方法具有较好的分割效果和较高的分割效率·(本文来源于《计算机研究与发展》期刊2006年01期）
双水平集论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对医学图像的复杂多样性,易受到各种外在和内在因素的干扰,提出了基于非局部均值算法的双水平集医学图像分割模型。对于图像含有高噪声的问题,引入非局部均值方法对图像进行去噪处理,并在传统DCV中引入偏移场能量项,利用水平集算法对去噪后的图像再进行分割,得出最终的分割效果图。实验结果显示,该模型有较强的抗噪性,可强化图像边缘信息,得到较好的分割效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
双水平集论文参考文献
[1].唐文杰,朱家明,徐丽.基于NL-Means的双水平集脑部MR图像分割算法[J].计算机科学.2018
[2].徐丽,朱家明,唐文杰.基于NLM的双水平集医学图像分割算法[J].无线电通信技术.2018
[3].张辉,朱家明,吴杰.基于模糊核聚类的双水平集医学图像分割[J].无线电通信技术.2016
[4].陈静,朱家明,吴杰.基于图像层的双水平集图像分割[J].计算机科学.2015
[5].姚昌辉,贾尚晖.双水平集逼近油藏模型特征的数值模拟方法[J].中国科学:数学.2012
[6].秦绪佳,郑琴,张素琼,韩军.改进的双水平集医学图像分割方法[J].小型微型计算机系统.2012
[7].杨建功,汪西莉.一种结合图割与双水平集的图像分割方法[J].计算机工程与应用.2012
[8].葛琦,张建伟.基于贝叶斯分类模型的双水平集算法的大脑图像分割[J].计算机应用与软件.2009
[9].詹天明,张建伟,陈允杰,王宇,吴玲玲.快速CV双水平集算法的人脑MR图像分割[J].计算机工程.2009
[10].张建伟,夏德深.基于双水平集的图像分割模型[J].计算机研究与发展.2006