Monotonic sequences for image enhancement and segmentation

Both image enhancement and image segmentation are important pre-processing steps for various image processing fields including autonomous navigation, remote sensing, computer vision, and biomedical image analysis. Both methods have their merits and their short comings. It then becomes obvious to ask the question: is it possible to develop a new better image enhancement method which has the key elements from both segmentation and image enhancement techniques? The choice of the threshold level is a key task in image segmentation. There are other challenges of image segmentation. For example, it is very difficult to perform the image segmentation in poor data such as shadows and noise. Recently, a homothetic curves Fibonacci-based cross sections thresholding has been developed for the de-noising purposes. Is it possible to develop a new image cross sections thresholding method, which can be used for both segmentation and image enhancement purposes? This paper a) describes a unified approach for signal thresholding, b) extends cross sections concept by generating and using a new class of monotonic, piecewise linear, sequences (slowly or faster growing than Fibonacci numbers) of numbers; c) uses the extended sections concept to the image enhancement and segmentation applications. Extensive experimental evaluation demonstrates that the newly proposed monotonic sequences have great potential in image processing applications, including image segmentation and image enhancement applications. Moreover, study has shown that the generalized cross techniques are invariant under morphological transformations such as erosion, dilation, and median, able to be described analytically, can be implemented by using the look up table methods.     

肝脏及肿瘤图像分割方法综述

肝脏肿瘤是一种发病率高且恶化概率高的疾病,为了快速地诊断肝脏疾病,需要从计算机断层扫描(CT)中准确地分割出肝脏及肿瘤。为了分析肝脏及肿瘤图像分割领域的现状及发展趋势,针对肝脏及肿瘤图像的分割方法进行了研究,总结了近些年肝脏及肿瘤图像的分割方法。肝脏及肿瘤图像分割方法包括传统方法以及深度学习方法。传统方法需要较多的人工参与,不能实现完全自动化。深度学习方法从分割网络的维度可分为2D、2.5D以及3D方法,这些方法分割精度高,硬件需求高。在考虑深度学习与传统方法优缺点的同时,它们的结合也被不断探索,图割法和条件随机场等传统方法经常被用于细化深度学习方法的分割结果。     

基于Canny边缘检测的车牌字符分割方法

在对其它车牌字符分割方法研究的基础上,提出一种基于Canny边缘检测和数学形态学处理的车牌字符分割方法。该方法以获得真实明确的车牌字符位置信息为着眼点,采用Canny边缘检测、数学形态学运算和同态滤波等处理方法,判断决策的依据充分、方法简单明确,实验中获得了较好的效果。     

改进的Sobel算子彩色图像边缘检测

为了解决传统灰度图像边缘检测中容易出现的边缘定位偏差、边缘丢失以及边缘不连续等问题,结合传统的Sobel梯度边缘检测方法和图像阈值分割技术,提出了一种改进的Sobel算子彩色图像边缘检测方法。通过对比试验结果表明,该方法可以有效地降低色彩边缘的误检率,一定程度上提高了边缘检测器的性能。     

常用数字图像分割算法研究

图像分割是图像处理中的一项关键技术,发展至今没有一个通用的方法和标准,是一个图像处理领域的经典难题。对数字图像处理中的图像分割作了简要介绍,对常用的数字图像分割算法进行了概括和阐述,并用VC＋＋工具进行了实现和展示,对从事该领域工作的人员有一定的启发作用。     

快速图像处理中阈值选取方法的比较研究

图像分割是图像处理中的一个重要问题。阈值法计算简单,具有较高的运行效率,这使得其在实时图像处理系统中得以广泛的应用。本文选取在实时性强的系统中使用较好的几种阈值化方法进行分析,阐述了各种方法的基本思想,以及各自的优缺点和适用范围,并对相应的改进算法进行了综述,对进行图像分割研究的科研人员具有一定的参考价值和启发作用。     

Histology image analysis for carcinoma detection and grading

This paper presents an overview of the image analysis techniques in the domain of histopathology, specifically, for the objective of automated carcinoma detection and classification. As in other biomedical imaging areas such as radiology, many computer assisted diagnosis (CAD) systems have been implemented to aid histopathologists and clinicians in cancer diagnosis and research, which have been attempted to significantly reduce the labor and subjectivity of traditional manual intervention with histology images. The task of automated histology image analysis is usually not simple due to the unique characteristics of histology imaging, including the variability in image preparation techniques, clinical interpretation protocols, and the complex structures and very large size of the images themselves. In this paper we discuss those characteristics, provide relevant background information about slide preparation and interpretation, and review the application of digital image processing techniques to the field of histology image analysis. In particular, emphasis is given to state-of-the-art image segmentation methods for feature extraction and disease classification. Four major carcinomas of cervix, prostate, breast, and lung are selected to illustrate the functions and capabilities of existing CAD systems.     

基于深度学习的心脏图像分割研究现状

面对严重的医学影像分析缺口,深度学习的发展能够满足国内医疗行业的需求。心脏图像的处理方法可大致分为传统的图像处理技术、基于图谱的方法（atlas-based methods）、基于模型的方法（model-based methods）以及目前热门的采用机器学习和深度学习的方法。在深度学习兴起之前,传统的机器学习技术如模型法和图集法在心脏图像分割中有良好表现,但通常需要大量的特征工程知识或先验知识才能获得令人满意的精度。而基于深度学习的算法能从数据中自动发现复杂的特征以进行对象检测和分割。得益于先进的计算机硬件以及更多可用于训练的数据集,基于深度学习的分割算法已超越了以往的传统方法。本文回顾了2012—2022年有关心室、心外膜和心包脂肪的图像处理的各项方法、衡量指标及其目前的研究现状,并结合分割技术的发展,讨论了心脏分割的发展趋势。     

基于Canny边缘检测的车牌字符分割方法

在对其它车牌字符分割方法研究的基础上，提出一种基于Canny边缘检测和数学形态学处理的车牌字符分割方法。该方法以获得真实明确的车牌字符位置信息为着眼点，采用Canny边缘检测、数学形态学运算和同态滤波等处理方法，判断决策的依据充分、方法简单明确．实验中获得了较好的效果。     

基于参数型模糊熵的图像分割新方法

直方图阈值法因其简单性和抗噪性在图像处理中得到了广泛应用。针对传统模糊熵阈值法对图像分割最佳阈值选取缺乏鲁棒性的问题,提出了参数型模糊熵图像分割新方法。该方法对图像分割最佳阈值选取具有良好的鲁棒性,适当调整参数可获得满意的视觉分割效果。实验结果表明,提出的方法是可行的。     

植物根系原位CT图像分割方法的研究进展

植物根系原位CT图像的分割是植物根系三维重建和定量分析的基础.在综述了有关领域常见图像分割算法的基础上,分析了植物根系原位CT序列图像分割研究中存在的问题,提出了原位根系CT序列图像分割算法研究的新思路.指出原位根系CT序列图像分割算法的研究应针对CT序列图像的特点、结合根系空间构型的先验知识,综合利用数学形态学、模糊理论以及神经网络等理论方法,重点在提高算法的精度和鲁棒性.     

图像分割方法综述

图像分割是图像处理与计算机视觉的基本问题之一 ,是图像处理图像分析的关键步骤。对传统的图像分割方法和近年来出现的一些新方法进行了综述。具体介绍了基于区域的分割方法、基于边界的分割方法 ,基于区域和边界技术相结合的分割方法及基于特定理论的分割方法。     

数字人彩色图像的交互分割平台设计

采用ITK提供的各类高效分割算法,利用MATLAB图像处理工具包,实现了一个针对数字人彩色图像交互分割平台。根据所需分割的器官,先从原始数据中裁剪出包含该器官的最小体数据,减少所需处理的数据量。然后根据提出的交互分割步骤,逐一对每层图片进行交互分割,最终获得该器官的三维轮廓。该交互分割平台为数字人的深入应用和其它类似图像分割应用提供了一个高效的工具。     

变精度最小平方粗糙熵的图像分割算法

图像处理是获取信息的重要途径且被广泛地应用到军事、医学和交通等重要领域,图像分割在图像处理中占有重要地位。针对图像处理分割过程中的不确定性,为获取更加精确的图像分割效果,提出变精度最小平方粗糙熵和粒子群的图像单阈值分割算法。该单阈值分割算法用变精度粗糙集表示图像,以变精度最小平方粗糙熵求解最佳分割阈值,借助粒子群优化算法提高分割效率。实验表明,该单阈值分割算法明显优于最大平均信息熵法,且说明了变精度粗糙熵能够处理图像分割过程出现的不确定性。     

图像分割中的超像素方法研究综述

目的 超像素(superpixel)是近年来快速发展的一种图像预处理技术,它将图像快速分割为一定数量的具有语义意义的子区域,相比于传统处理方法中的基本单元——像素,超像素更有利于局部特征的提取与结构信息的表达,并且能够大幅度降低后续处理的计算复杂度,在计算机视觉领域尤其是图像分割中得到了广泛的应用,为使国内外研究者对超像素理论及其在图像分割中的应用有一个比较全面的认识,对其进行系统综述.方法 以图像分割为应用背景,在广泛调研文献特别是超像素最新发展成果的基础上,结合对比实验,对每种方法的基本思想、方法特点进行总结,并对超像素分割目前存在的局限性进行说明,对未来可能发展方向进行展望.结果 不同的超像素分割算法在分割思想、性能特点上各不相同.当前的超像素方法普遍在超像素数量、紧密度与分割质量、算法实用性之间存在相互制约,同时对于某些特殊目标的分割也难以取得较好的结果.结论 超像素作为一种有效的图像预处理手段具有较高的研究价值,但针对目前超像素存在的一些局限性还需要进行深入的研究.     

基于分数阶微分和形态学多级合成的岩石节理裂隙图像分割

岩石节理裂隙形状复杂且无规则,图像中带有大量噪声,利用传统的图像分割方法很难达到很好的分割效果。提出了一种基于分数阶微分和数学形态学多级合成的边缘检测方法。首先对岩石裂隙图像进行噪声滤除、图像分割、空腔填充、短枝去除等操作,然后使用分数阶微分的方法进行预处理,最后采用改进形态学多级合成方法得到结果。实验结果表明,该方法与传统算子相比,对岩石节理裂隙图像具有较好的边缘检测能力和抗噪性。     

Improving image segmentation based on patch-weighted distance and fuzzy clustering

Image segmentation is the basis of image analysis, object tracking, and other fields. However, image segmentation is still a bottleneck due to the complexity of images. In recent years, fuzzy clustering is one of the most important selections for image segmentation, which can retain information as much as possible. However, fuzzy clustering algorithms are sensitive to image artifacts. In this study, an improved image segmentation algorithm based on patch-weighted distance and fuzzy clustering is proposed, which can be divided into two steps. First, the pixel correlation between adjacent pixels is retrieved based on patch-weighted distance, and then the pixel correlation is used to replace the influence of neighboring information in fuzzy algorithms, thereby enhancing the robustness. Experiments on simulated, natural and medical images illustrate that the proposed schema outperforms other fuzzy clustering algorithms.

     

Improved artificial bee colony algorithm and its application in image threshold segmentation

Multimedia Tools and Applications - Image segmentation is a key problem in the field of computer vision, especially in these fields, such as image processing, analysis and understanding. The key of...     

基于对象的最优尺度建筑物信息提取方法

针对基于像素分析方法不适用于高分辨率影像信息提取的问题,提出一种基于对象的图像分析方法来进行城市建筑信息提取。采用多分辨率图像分割方法得到图像对象,提出非监督的最优尺度判定方法解决单尺度分割造成的欠分割和过分割问题。在对象分类提取过程中,结合LiDAR数据的地形表面高程信息和光谱信息对建筑物进行提取,并利用尺寸、空间位置等信息进行误分类修正。实验区域共提取出18个建筑目标,结果表明所提出的方法有效可行。     

MRI脑肿瘤图像分割研究进展及挑战

脑肿瘤分割是医学图像处理中的一项重要内容,其目的是辅助医生做出准确的诊断和治疗,在临床脑部医学领域具有重要的实用价值。核磁共振成像（MRI）是临床医生研究脑部组织结构的主要影像学工具,为了使更多研究者对MRI脑肿瘤图像分割理论及其发展进行探索,本文对该领域研究现状进行综述。首先总结了用于MRI脑肿瘤图像分割的方法,并对现有方法进行了分类,即分为监督分割和非监督分割;然后重点综述了基于深度学习的脑肿瘤分割方法,在研究其关键技术基础上归纳了优化策略;最后介绍了脑肿瘤分割（BraTS）挑战,并结合挑战中所用方法展望了脑肿瘤分割领域未来的发展趋势。MRI脑肿瘤图像分割领域的研究已经取得了一些显著进展,尤其是深度学习的发展为该领域的研究提供了新的思路。但由于脑肿瘤在大小、形状和位置方面的高度变化,以及脑肿瘤图像数据有限且类别不平衡等问题,使得脑肿瘤图像分割仍是一个极具挑战的课题。由于分割过程缺乏可解释性和透明性,如何将全自动分割方法应用于临床试验,还需要进行深入研究。