【图像分割和识别】活动形状模型 (ASM) 和活动外观模型 (AAM)(Matlab代码实现)

简介: 【图像分割和识别】活动形状模型 (ASM) 和活动外观模型 (AAM)(Matlab代码实现)

💥1 概述

提出了一种主动形状模型分割方案,该方案由最优局部特征引导,与原始公式中的归一阶导数轮廓相反[Cootes and Taylor, 1995, 1999, and 2001]。使用非线性 kNN 分类器代替线性马氏距离来查找地标的最佳位移。对于描述形状的每个地标,在分割优化过程中考虑的每个分辨率级别上,将确定一组不同的最佳特征。特征的选择是自动的,使用训练图像和顺序特征向前和向后选择。新方法在合成数据和四个医学分割任务中进行了测试:在包含230张胸片的数据库中分割左右肺野,并在MRI脑图像的90个切片数据库中分割小脑和胼胝体。在所有情况下,新方法在重叠误差测量(使用配对 T 检验时为 p<0.001)方面产生的结果明显优于原始活动形状模型方案。


这是Cootes和Taylor引入的基本活动形状模型(ASM)和活动外观模型(AAM)的一个例子,具有多分辨率方法,彩色图像支持和改进的边缘查找方法的2D和3D。对于生物医学对象的自动分割和识别非常有用。

.


基本思想 ASM:

ASM 模型是根据训练图像中手动绘制的轮廓(3D 表面)训练的。ASM 模型使用主成分分析 (PCA) 查找训练数据中的主要变化,这使模型能够自动识别轮廓是否为可能/良好的对象轮廓。此外,ASM模式还包含描述垂直于控制点的线纹理的矩阵,这些矩阵用于校正搜索步骤中的位置。


创建 ASM 模型后,通过查找控制点的最佳纹理匹配来变形初始轮廓。这是一个迭代过程,其中控制点的移动受到 ASM 模型从训练数据中识别为“正常”对象轮廓的限制。

.


基本思想AAM:

PCA用于查找训练数据的平均形状和平均形状的主要变化。找到形状模型后,所有训练数据对象都变形为主形状,并将像素转换为矢量。然后使用 PCA 来查找训练集中的平均外观(强度)和外观方差。

形状和外观模型都与 PCA 合并为一个 AAM 模型。

通过用已知量替换训练集中的参数,可以创建一个模型,该模型针对模型强度和正常图像强度的一定差异提供最佳参数更新。此模型用于搜索阶段。


参考文献:


- Ginneken B. et al. “Active Shape Model Segmentation with Optimal Features”, IEEE Transactions on Medical Imaging 2002.

- T.F. Cootes, G.J Edwards, and C,J. Taylor“Active Appearance Models”, Proc. European Conference on Computer Vision 1998

- T.F. Cootes, G.J Edwards, and C,J. Taylor “Active Appearance Models”, IEEE Transactions on Pattern Analysis and Machine Intelligence 2001


📚2 运行结果

部分代码:

%Add functions path to matlab search path
functionname='AAM_2D_example.m'; functiondir=which(functionname);
functiondir=functiondir(1:end-length(functionname));
addpath([functiondir 'AAM Functions'])
addpath([functiondir 'Functions'])
addpath([functiondir 'PieceWiseLinearWarp_version2'])
addpath([functiondir 'PieceWiseLinearWarp_version2/functions'])
% Try to compile c-files
cd([functiondir 'PieceWiseLinearWarp_version2/functions'])
try
    mex('warp_triangle_double.c','image_interpolation.c');
catch ME
    disp('compile c-files failed: example will be slow');
end
cd(functiondir);
%% Set options
% Number of contour points interpolated between the major landmarks.
options.ni=20;
% Set normal appearance/contour, limit to +- m*sqrt( eigenvalue )
options.m=3;
% Size of appearance texture as amount of orignal image
options.texturesize=1;
% If verbose is true all debug images will be shown.
options.verbose=true;
% Number of image scales
options.nscales=4;
% Number of search itterations
options.nsearch=15;
%% Load training data
% First Load the Hand Training DataSets (Contour and Image)
% The LoadDataSetNiceContour, not only reads the contour points, but
% also resamples them to get a nice uniform spacing, between the important
% landmark contour points.
TrainingData=struct;
for i=1:10
    is=num2str(i); number = '000'; number(end-length(is)+1:end)=is;
    filename=['Fotos/train' number '.mat'];
    [TrainingData(i).Vertices, TrainingData(i).Lines]=LoadDataSetNiceContour(filename,options.ni,options.verbose);
    filename=['Fotos/train' number '.jpg'];
    I=im2double(imread(filename));
    if(options.verbose)
        Vertices=TrainingData(i).Vertices;
        Lines=TrainingData(i).Lines;
        t=mod(i-1,4); if(t==0), figure; end
        subplot(2,2,t+1), imshow(I); hold on;
        P1=Vertices(Lines(:,1),:); P2=Vertices(Lines(:,2),:);
        plot([P1(:,2) P2(:,2)]',[P1(:,1) P2(:,1)]','b');
        drawnow;
    end

🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。

- Ginneken B. et al. “Active Shape Model Segmentation with Optimal Features”, IEEE Transactions on Medical Imaging 2002.

- T.F. Cootes, G.J Edwards, and C,J. Taylor“Active Appearance Models”, Proc. European Conference on Computer Vision 1998

- T.F. Cootes, G.J Edwards, and C,J. Taylor “Active Appearance Models”, IEEE Transactions on Pattern Analysis and Machine Intelligence 2001


🌈4 Matlab代码实现

相关文章
|
9天前
|
存储 编解码 算法
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
|
9天前
|
机器学习/深度学习 传感器 算法
【高创新】基于优化的自适应差分导纳算法的改进最大功率点跟踪研究(Matlab代码实现)
【高创新】基于优化的自适应差分导纳算法的改进最大功率点跟踪研究(Matlab代码实现)
91 14
|
9天前
|
机器学习/深度学习 算法
【概率Copula分类器】实现d维阿基米德Copula相关的函数、HACs相关的函数研究(Matlab代码实现)
【概率Copula分类器】实现d维阿基米德Copula相关的函数、HACs相关的函数研究(Matlab代码实现)
|
9天前
|
机器学习/深度学习 传感器 算法
【裂纹检测】检测和标记图片中的裂缝(Matlab代码实现)
【裂纹检测】检测和标记图片中的裂缝(Matlab代码实现)
|
9天前
|
传感器 机器学习/深度学习 编解码
【电缆】中压电缆局部放电的传输模型研究(Matlab代码实现)
【电缆】中压电缆局部放电的传输模型研究(Matlab代码实现)
|
10天前
|
算法 计算机视觉
【MPDR & SMI】失配广义夹角随输入信噪比变化趋势、输出信干噪比随输入信噪比变化趋势研究(Matlab代码实现)
【MPDR & SMI】失配广义夹角随输入信噪比变化趋势、输出信干噪比随输入信噪比变化趋势研究(Matlab代码实现)
|
10天前
|
编解码 人工智能 算法
【采用BPSK或GMSK的Turbo码】MSK、GMSK调制二比特差分解调、turbo+BPSK、turbo+GMSK研究(Matlab代码实现)
【采用BPSK或GMSK的Turbo码】MSK、GMSK调制二比特差分解调、turbo+BPSK、turbo+GMSK研究(Matlab代码实现)
|
10天前
|
机器学习/深度学习 编解码 并行计算
【改进引导滤波器】各向异性引导滤波器,利用加权平均来实现最大扩散,同时保持图像中的强边缘,实现强各向异性滤波,同时保持原始引导滤波器的低低计算成本(Matlab代码实现)
【改进引导滤波器】各向异性引导滤波器,利用加权平均来实现最大扩散,同时保持图像中的强边缘,实现强各向异性滤波,同时保持原始引导滤波器的低低计算成本(Matlab代码实现)
|
10天前
|
机器学习/深度学习 传感器 边缘计算
【故障诊断】基于时滞反馈随机共振的增强型旋转电机故障诊断(Matlab代码实现)
【故障诊断】基于时滞反馈随机共振的增强型旋转电机故障诊断(Matlab代码实现)
|
10天前
|
传感器 机器学习/深度学习 算法
【UASNs、AUV】无人机自主水下传感网络中遗传算法的路径规划问题研究(Matlab代码实现)
【UASNs、AUV】无人机自主水下传感网络中遗传算法的路径规划问题研究(Matlab代码实现)

热门文章

最新文章