MATLAB环境下基于距离正则化水平集演化方法的图像分割
水平集图像是通过曲线演化理论构建的一种数学工具，在图像是曲线的有效表示方式上具有显著优势。这种技术不仅能够有效应对曲线形态的变化，在数值实现上也展现出较高的稳定性。与之相比，在医学超声成像过程中由于成像原理的原因会导致较大的噪声干扰，并且存在部分区域对比度较低的问题使得传统图像是难以处理这类挑战的技术手段。传统的基于传统算法的图像是无法满足现代医学应用需求的表现。尽管深度学习与神经网络驱动下的图像是展现出良好的鲁棒性和高效的分割能力但这类技术体系最大的缺点在于需要消耗大量的人力物力来进行数据预训练工作而目前获取高质量医学超声图像是一个亟待解决的关键问题。值得注意的是该种基于水平集的方法则无需面对这一困境因为它可以通过整合图像统计信息与梯度信息等多维度特征来构建更为完善的分割框架因此这一优势使得许多学者开始致力于开发新型基于水平集的方法并将它们成功应用于各类超声图像是当前的研究热点之一
医学超声图像融合了声学、光学、电子学以及医学技术等多学科知识，在应用过程中存在边界模糊不清、对比度较低以及噪声较大的问题。基于超声成像技术本身存在的局限性，在进行医学超声图像分割时传统图像分割算法往往难以获得理想的效果；而水平集图像分割算法通过将图像特征信息与一些先验知识整合到分割框架中实现了较好的效果；该模型通过补充距离正则化项保证了区域邻近部分的空间规则性，在保持分割曲线光滑的同时可避免周期性初始化过程；此外还引入长度项与面积项来引导轮廓曲线向收敛状态发展，并允许水平集在演化过程中采用更加灵活的初始化策略以及更为稳定可靠的数值计算方法。
在此基础上, 该代码应用距离正则化的水平集演化算法来进行图像分割, 并在以下方面进行优化: 程序运行环境设置为 MATLAB R2018a; 其中包含以下部分代码:
close all; clc;
im_rgb = im2double(imread('DRIVE/Test/images/03_test.tif'));
im_mask = im_rgb(:,:,2) > (20/255); % Extract green channel
im_mask = double(imerode(im_mask, strel('disk',3)));
figure
subplot(2,2,1),imshow(im_rgb),title('general image');
subplot(2,2,2),imshow(im_mask),title('Mask after erosion');
im_green = im_rgb(:,:,2);
subplot(2,2,3),imshow(im_green),title('Green Channel')出图如下：
工学博士，在《Mechanical System及Signal Processing》期刊上承担了学术评审工作，并担任了《中国电机工程学报》等重要学术期刊的优秀期刊评审人。此外，在《Control and Decision》、《System Engineering and Electronics》、《Power System Protection and Control》以及《Aeronautical Journal》等EI类核心刊物中也均参与了编辑评审 duties。
擅长领域：现代信号处理技术、机器学习算法、深度学习模型、数字孪生应用、时间序列分析方法、智能化缺陷检测系统与异常检测系统、智能化故障诊断与健康管理技术（PHM）等