Chan-Vese模型在图像分割领域正被广泛应用。然而,传统的水平集方法存在两个重要的数值问题:水平集函数不能隐式地保持为符号距离函数;由于采用梯度降方法求解使水平集演化速度缓慢。针对该问题提出两种快速分割方法加快演化速度:对偶方法和分裂Bregman方法。为了让水平集保持符号距离函数特性,利用投影方法加以约束,并采用增广Lagrangian方法加快收敛速度。实验结果表明,提出的两种快速分割方法比传统的梯度降方法分割效果好、计算效率高。

Chan-Vese 算法在 Julia 中的实现

在 C++ 中实现 Chan-Vese 分割算法的代码，以及在 Matlab 中的简化版本

陈维斯 在 C++ 中实现 Chan-Vese 分割算法的代码，以及在 Matlab 中的简化版本。 PDF 包含我关于这个项目的报告。 注意：看起来 .pgm 测试文件是垃圾。 会解决这个... 我为 2009 年在亚利桑那大学教授 Jeff Rodriguez 的研究生课程 ECE 532，图像分析编写了这段代码和报告。

Chan-Vese算法是一种图像分割算法，Python实现代码，有注释，方便理解和修改。 在CV模型之前，传统的活动轮廓模型都是依赖图像的梯度信息来停止曲线的演化，而CV模型是第一个完全脱离了梯度信息，依靠区域信息建立了相应的的能量函数，可以说是开创了活动轮廓模型的新方向。

这是chan-vese模型的matlab代码实现，对于c-v模型想了解的用户还是很有帮助的。

Python中的Chan-Vese水平集 creaseg（ ）的Chan-Vese水平集代码的大量改编。 原始源代码中的相关文件位于creaseg/文件夹中。 执行此调整时，Burak Bayramli的代码（ ）非常有用。 Chan-Vese水平集模型旨在最大程度地减少能耗： 其中I是图像，C是分割区域的边界，c_1和c_2是分别在C内外的I的平均值，而kappa是C的曲率。 例子 python chanvese.py 参考 T. Chan和L. Vese。 “无轮廓的有效轮廓”。 IEEE图像处理事务。 第10卷，第266-277页，2001年2月。

chan-vese算法代码，又称cv模型代码，搞图像处理的会有用 chan-vese算法代码，又称cv模型代码，搞图像处理的会有用

经典的Chan-Vese（CV）模型已在许多应用中采用。 为了提高其适用性和效率，已经开发了许多概括，例如Chan和Vese的矢量值图像两阶段模型。 矢量CV模型使用类似于将彩色图像转换为灰色图像的方法集成多通道信息。 当对象及其背景的强度接近时，此参数无效。 在这项研究中，经典的CV模型通过使用从通道到通道分割图像的策略将其用于彩色图像。 提出了一种多通道分段组合（MSC）方法来集成多级集合的信息。 为了克服通常的从信道到信道的方法不能很好地考虑不同信道之间的相关性的缺点，引入了一种新颖的多信道比率变换（MRT）。 并提出了一种变体HSV（VHSV）色彩空间，以使每个通道反射区域信息而不会失真。 实验结果表明，该方案可以更准确地进行分割，并且在时间成本上具有优势。 此外，该方法仅在具有八段彩色图像的情况下才有效，但是可以通过使用多相模型对其进行增强。

图像分割代码，作者V. Lempitsky, A. Blake, C. Rother. Image Segmentation by Branch-and-Mincut. In proceedings of European Conference on Computer Vision (ECCV), October 2008.