搜索资源列表
image_Split
- 水平集分割方法（分割轮廓） -Level set segmentation method segmentation contour level set segmentation method (segmentation contour)
segmentation
- 利用水平集的方法，参考国外的论文，对图像进行预处理后再经过曲线演化获得轮廓-Level set method, refer to the foreign papers, image pre-processing and then obtained through curve evolution contour
Active-contour-3-d-image
- 对具高噪声和低对比度三维图像的识别和分割算法进行了研究。基于活动轮廓模型,用Gabor变换提取图像的纹理特征,根据统计学信息假设,通过偏微分方程水平集和窄带方法求解,获得较基本活动轮廓的算法分割更光滑精确的物体轮廓-To a high noise and low contrast 3 d image recognition and segmentation algorithm was studied. Based on the active contour model, with Gabor t
Improved-cv
- 当红外图像中包含较强噪声时, C-V 模型水平集分割方法会产生大量冗余轮廓 同时, C-V 水平集采用偏 微分方程( PDE) 实现, 存在计算量大、分割速度慢的缺点。为此, 本文提出了改进的快速算法, 该算法保留了C-V 模型的全局优化特性, 并通过窗口滤波整合图像邻域空间信息来构建曲线进化的外部速度, 从而提高C-V 模型 的抗噪性并减少分割中产生的冗余轮廓 采用基于双链表的快速水平集算法来实现曲线的演化, 去除了传统算 法中的重新初始化和PDE 求解的过程, 减少了迭代步数
Variational-andPCA
- PCA和水平集的结合，实现图像分割，实在是很好的方法。-The combination of PCA and level set image segmentation, it is a good method.
LiGAC
- Li等人提出了一种无须重新初始化的水平集演化方法，更准确的说，可以称为距离保持的水平集演化。它针对于传统的水平集曲线演化理论的缺点，提出了一种新的几何活动轮廓的变分方法-Li put forward a kind of need to initialize level set evolution method, more accurately, can maintain the level set evolution of called distance. It in view of the s
Chan-Vese
- 水平集演化中的C-V方法实现源码，包括程序说明，所用图片，帮助文档-The evolution of the level set method to achieve a CV source, including descr iption of the procedures, the use of pictures, help documentation
C_V
- 采用半隐式方案实现变分水平集图像分割方法-Active contour without edge, image segmentation
FastMarchingImageFilter
- 水平集是跟踪轮廓和表面运动的一种数字化方法。不直接对轮廓进行操作，而是将轮廓 设置成一个高维函数的零水平集，这个高维函数叫做水平集函数：Ψ(X,t) 。然后水平集函数 运动成为一个微分方程。在任何时候，通过从输出中提取零水平集 (( ), ) { ( , ) 0} Xt Xt Γ =Ψ = 来 得到运动的轮廓。使用水平集的主要优点是可以对任何复杂的结构进行模式化和拓扑变换， 比如暗中操作融合和分离。-The paradigm of the level set is that
cv2
- 本程序采用半隐式方案实现变分水平集图像分割方法中的“C-V”模型(Active contour without edge)-This program uses the program to achieve semi-implicit variational level set image segmentation methods " CV" model (Active contour without edge)
shuipingji_cv
- 基于水平集和偏微分方法的C-V模型分割灰度图像-CV model gray image segmentation level set method and based on partial differential
LevelSet_v0
- 使用水平集的方法对图像进行分割。写的代码重要用于对医疗CT图像的分割。当然水平集的分割方法也可以用于别的图像分割。-Using the level set method of image segmentation. Write the code is important for the medical CT image segmentation. Of course, the level set segmentation method can also be used for other ima
levelset
- 利用水平集的方法对医学图像进行分割，分割效果比较令人满意-Using the level set method for medical image segmentation, segmentation effect more satisfactory
lung-image-segmentation
- 本程序包，采用水平集和形态学相结合的方法，对实际采集的肺部单层层片进行分割，并对肺的枝节进行检测，达到很好的效果。-The package, using a combination of the level set and morphological method, the actual collection of the single-layer sheet of lung segmentation, and to detect lung minor, to achieve good resu
2
- 代码1结合阈值法的水平集分割方法 已经运行，成功对脑MR图像进行分割。-Code 1 level set segmentation method combines threshold method has been running successfully for brain MR image segmentation.
1
- 基于符号压力函数的自适应水平集图像分割方法。 包含源代码和目标图片，可实现：初始轮廓线可置于待分割区域内部、外部或一半内部一半外部，无需人工设置。-Adaptive level set image segmentation method based on symbolic function of pressure. Contains the source code and object images can be achieved: initial contour can be divided
bingyeCut
- 图像特征分割方法很多，在matlab环境中基于CV水平集的图像特征识别与分割可以高效实现图像目标部位提取。-Image segmentation method many features in matlab environment CV level set based image feature recognition and image segmentation can be achieved efficiently extract the target site.
DRLSEBasedMovingObjectSegmentation
- 一种基于改进DRLSE的运动目标分割方法,为了得到精准、连续的运动目标轮廓，提出将帧间差分法和改进的距离规则水平集演化(DRLSE)方法结合应用于运动目标分割。-In order to get an accurate and continuous contour of moving target, a novel method to segment moving object by combining the frame difference and an improved distance r
Chebyshev
- 无边活动轮廓模型(C-V模型)是水平集分割方法中的一种经典模型.传统的无边活动轮廓模型将灰度同质作为区域分割准则,这使其对于仅含两个同质区域且灰度变化不大的图像能够取得很好的分割效果,但对灰度渐变图像分割时,该模型往往无法得到正确结果.本文针对这一问题,通过引入Chebyshev距离构造一种新的相似度,以此来表征演化曲线内外灰度差异,修改了传统无边活动轮廓模型中均值取值的定义,使得演化曲线在图像灰度变化缓慢区域获得较大的驱动力.新模型克服了传统无边活动轮廓模型不能正确分割灰度渐变图像的不足.实验
level-set
- 利用水平集的方法进行图像处理，程序可读性强，配有图片，可直观的看到效果-Level set method for image processing, program readability, with pictures, you can visually see the effect