形状先验驱动的水平集图像分割关键技术研究

The image noise, motion blur and partially occluded objects can corrupt the low-level features, which complicates many problems in image segmentation. How to impose shape prior information into segmentation methods is the key to solving the problem. We use the partial differential equations based level set methods as the main research tool, and try to study the key technology of image segmentation with shape priors in terms of single shape analysis and multi-shape. For single shape analysis, we propose soft shape constraints from the following two aspects: for one thing, we establish local curvature based shape descriptor, which can overcome some negative influences of rotation, translation and scale variations, and control evolution of level set function; for another thing, we propose to use blur features and salient features as an initial contour for segmentation model, and unify image restoration and image segmentation into a framework and simultaneously restore and segment blur images. For multi-shape modeling, we firstly employ sparsity preserving projections algorithm to project the shape training set onto a low-dimensional subspace, then we use linear regression classification method to automatically determine the most similar class of shape priors with object shapes, finally we establish effective representation of object shapes to overcome the impact of occlusion. This research is expected to enrich the theory and algorithms of computer vision, and to provide technical supports for intelligent processing of medical images and natural scene images.

图像中的噪声、运动模糊以及目标遮挡会造成分割模型的图像低层特征不足或被破坏，直接导致图像分割算法失效。对感兴趣目标的形状进行建模，并与图像分割算法有机结合是该方向研究的重点和难点。本项目以基于偏微分方程的水平集方法为主要研究工具，拟从单形状和多形状两个角度研究形状先验驱动的图像分割关键技术。针对单形状建立“软”形状约束：构造局部曲率形状描述符，以克服目标形状的旋转、平移及缩放等影响，约束水平集函数的演化；融合图像模糊特征和显著度特征作为分割模型的初始轮廓，将图像复原和分割统一到同一框架中，对模糊图像同时进行复原和分割。针对多形状进行统计建模，将形状训练集向低维子空间进行稀疏结构保持投影，利用线性回归分类方法确定与目标最相似的类别，并建立目标形状的有效表示，以克服遮挡的影响。本项目的顺利开展有望丰富计算机视觉领域的理论和算法，并对医学图像和自然场景图像的智能处理提供技术支持。

本项目重点研究了形状先验驱动的图像分割关键技术，其目的是进一步提高图像分割方法在特定场景中的分割精度、鲁棒性和实用性。从图像的特征提取和特征融合两方面展开研究内容：1) 研究婴幼儿大脑MR图像分割中的空间特征提取以及部分容积效应的有效抑制问题，提出基于旋转驱动的二维魔方卷积机制，有效利用多轴面信息提取大脑的三维结构；2) 研究卷积神经网络优化中的梯度消失和模型泛化问题，提出基于多分支结构和协同学习的特征增强方法，增强网络的抗过拟合能力，以及增强浅层网络特征表达能力；3) 研究深度模型在MR脑图像大尺度形变配准中表现不佳的问题，提出基于特征解耦学习和累积增强的MR脑图像配准方法，在紧凑的网络布局下不断增强空间变换，建立更深刻的上下文相关性；4) 研究U-Net网络编码器数据流单一造成的特征多尺度依赖问题，提出基于多流特征主动融合变换的医学图像分割方法，在结构和语义特征之间建立有效连接，降低定制的深监督对网络完整性和灵活性的负面影响；5) 研究现有医学图像配准算法中缺乏主动的配准状态评估的问题，提出基于多粒度概率模型的配准-评估框架，能够根据匹配状态进行概率评估，有效降低不可信先验的影响。在国际公开数据集上与现有先进方法的对比实验表明了提出方法的有效性和可行性。本项目在理论研究方面有望进一步丰富图像分割的相关理论和算法，在实际应用方面有望为图像分割技术走向大规模应用提供技术支持。本项目在学术论文发表、专利申请、科技竞赛等方面均取得了一定的成果，研究计划执行顺利，完成预期目标。