Level set evolution with convexity-preserving regularization for image segmentation

doi:10.1016/j.compeleceng.2026.111487

Level set evolution with convexity-preserving regularization for image segmentation

2026-09-03

0

PRE

AI

DOI：10.1016/j.compeleceng.2026.111487

原文链接

原文求助

摘要

En 中文

在自然和医学图像分析中，近似凸物体的精确分割具有重要意义。然而，传统的水平集方法在演化过程中可能会产生不期望的局部凹陷，导致边界不准确或不稳定。为解决此问题，我们提出了一种保凸正则化（CPR）项，以促进几何规则轮廓演化。我们首先在局部梯度幅值恒定条件下建立了曲率-拉普拉斯关系，并阐明对于局部符号距离函数，拉普拉斯可用于零水平集附近的符号曲率条件近似。基于此观察，CPR项惩罚与局部凹陷边界配置相关的负拉普拉斯值，同时避免硬凸性约束。该正则化项被整合到距离正则化水平集演化（DRLSE）和区域可缩放拟合（RSF）框架中，得到CPR-DRLSE和CPR-RSF模型。合成实验验证了CPR项在两种框架中的有效性。在ACDC和BUSI数据集上的定量和定性评估进一步表明，CPR-DRLSE在分割精度和稳定性方面优于对比的水平集方法，并为左心室和乳腺超声图像产生更平滑、更几何一致的轮廓。

Level set evolution with convexity-preserving regularization for image segmentation

摘要

期刊

机构

引用论文