基于加速健壮特征拟合算法和 ChanVese 模型的超声图像腔室分割方法
基于加速健壮特征拟合算法和 ChanVese 模型的超声图像腔室分割方法是最近发展起来的一种新的图像分割技术，旨在解决超声心动周期序列图的腔室自动分割过程中弱边缘轮廓难以有效提取的问题。
加速健壮特征拟合算法（Speeded Up Robust Feature，SURF）是一种基于机器视觉技术的图像特征检测算法，能够快速地检测和提取图像中的特征点。 SURF 算法可以应用于图像识别、目标检测和跟踪等领域。
ChanVese 模型是一种基于 Active Contour 模型的图像分割算法，能够对图像中的目标进行自动分割。 ChanVese 模型可以应用于图像分割、目标检测和跟踪等领域。
Delaunay 三角网格模型是一种基于计算几何学的图形处理技术，能够对图像中的几何形状进行建模和分析。 Delaunay 三角网格模型可以应用于图像分割、目标检测和跟踪等领域。
该方法首先对序列中第一帧图像进行人工标记弱边缘轮廓，然后提取弱边缘轮廓周围的 SURF 点，建立 Delaunay 三角网；接着，通过相邻两帧之间的特征点匹配，预测后续帧的弱边缘轮廓；之后，用 ChanVese 模型提取粗糙轮廓；最后采用区域生长算法得到精确的目标轮廓。
实验结果表明，该算法能较好地完整提取超声序列图像中含弱边缘的腔室轮廓，并且与专家手动分割结果相近。
该方法的主要贡献在于解决了超声心动周期序列图的腔室自动分割过程中弱边缘轮廓难以有效提取的问题，并且具有良好的鲁棒性和精度。
关键词：超声心动图； ChanVese 模型；Delaunay 三角网；加速健壮特征算法；腔室分割。
知识点总结：
1. 加速健壮特征拟合算法（Speeded Up Robust Feature，SURF）是一种基于机器视觉技术的图像特征检测算法。
2. ChanVese 模型是一种基于 Active Contour 模型的图像分割算法。
3. Delaunay 三角网格模型是一种基于计算几何学的图形处理技术。
4. 该方法结合 SURF 算法、Delaunay 三角网格模型和 ChanVese 模型，解决了超声心动周期序列图的腔室自动分割过程中弱边缘轮廓难以有效提取的问题。
5. 该方法具有良好的鲁棒性和精度，能够较好地完整提取超声序列图像中含弱边缘的腔室轮廓。
