基于Jeffreys散度的可变高斯核尺度主动轮廓模型在工业CT图像分割中的应用研究

本文提出了一种基于Jeffreys散度（JD）的可变高斯核尺度主动轮廓模型（VGJD），用于解决工业CT（ICT）图像中因光束散射、噪声等导致的弱边缘和伪影分割难题。该模型通过JD量化像素差异，结合动态高斯核策略融合全局/局部信息，显著提升了高密度复杂结构的细分精度，代码已开源。

　　

Highlight

本文亮点：

1. 1.

   基于LIC模型引入Jeffreys散度（JD）构建能量函数，通过量化拟合图像与真实图像的差异提升轮廓演化效能，并新增图像滤波权重以抑制ICT图像噪声干扰。

2. 2.

   设计高斯核尺度参数动态变化函数，协同利用全局与局部图像信息，使分割轮廓快速收敛至目标区域的同时保持精细分割能力，增强初始轮廓鲁棒性。

3. 3.

   优化长度项、正则化项及驱动函数，将水平集函数约束在[-1, 1]区间，增加零水平集附近的梯度陡度，进一步提升分割精度。

Discussion with parameter setting

参数设置讨论：

针对不同尺寸、噪声和对比度的图像，需动态调整驱动项α、均值滤波窗口k、初始高斯核尺度σ⁰及滤波权重s。通过实验验证，图15展示了常规条件下参数变化对ICT图像分割的影响规律。

Conclusion

本文提出的VGJD模型通过JD度量、动态高斯核尺度等创新设计，有效解决了ICT图像在伪影和噪声干扰下的分割难题，其性能优于RSF、LIC等传统主动轮廓模型及VM-UNet深度学习模型，为工业CT高精度分割提供了新方案。