排序方式: 共有107条查询结果,搜索用时 15 毫秒
71.
基于高斯混合模型的活动轮廓模型脑MRI分割 总被引:2,自引:0,他引:2
传统的活动轮廓模型用于图像分割往往基于目标的边界信息,在图像含有强噪音或目标具有弱边界时很难得到真实解.引入高斯混合模型构造新的约束项,在新的约束项作用下模型可以减少噪音的影响,并防止从弱边界泄漏.高斯混合模型求解通常使用Expectation-maximization(EM)算法,该算法是局部优化算法,且对初值敏感.因此引入粒子群算法,并提出一种改进的算法,利用该算法的全局优化性求解高斯混合模型的参数,以提高参数精度.对脑核磁共振图像(MRI)分割实验表明该模型具有较好的分割效果. 相似文献
72.
基于最大后验概率和鲁棒估计的图像恢复推广变分模型 总被引:1,自引:0,他引:1
基于最大后验概率和MRF理论的图像恢复描述框架,提出一个面向图像恢复的推广变分模型.模型中将噪声建模为广义正态分布,利用最大似然法估计形状参数自动选择合适的范数作为数据保真项;将图像梯度场的分布建模为混合密度类,利用鲁棒估计理论构造一个耦合全变差积分和Dirichlet积分的图像先验模型作为正则化项.利用推广泛函的凸性,讨论了该推广模型的最优解存在性.最后提出结合梯度加权最速下降和半点格式的数值迭代算法.实验结果表明,推广模型能自动区分污染图像中的噪声分布特性,对于高斯噪声和脉冲噪声的污染图像都能取得很好的恢复效果.通过计算峰值信噪比和边缘保护指数,分析和评价了推广模型与目前其他变分方法的性能. 相似文献
73.
提出一种新颖的变分耦合模型,同时实现配准与分割.模型中使用耦合函数将非刚性配准信息与基于区域信息的曲线演化理论结合在一起,构造总能量函数,通过求解该能量函数的极值达到配准-分割的目的.该方法可以分割多模态医学图像,即使在两图间的强度信息区别较大时,也可以得到较好的分割结果.实验结果表明该方法具有较好的鲁棒性. 相似文献
74.
基于图的数字全变差模型及其带噪图像任意精度放大 总被引:6,自引:0,他引:6
分析了利用Sobolev空间Tikhonov正则化模型对带噪图像进行放大的不足,基于图像的修复模型,提出带噪图像放大的数字全变差模型.利用有向图构造出兼顾噪声去除和图像放大的数字TV滤波器,并利用该滤波器提出一种新颖的图像放大算法.作为算法对比,利用Sobolev空间Tikhonor正则化模型,提出相对应的数字Tikhonov放大算法.结果表明:数字TV放大算法明显优于数字Tikhonov放大算法,不仅较好地抑制了噪声的影响,而且使得任意精度放大的图像边缘清晰、过渡自然,特别适合于目标边缘明显的一类非纹理的医学图像的放大。 相似文献
75.
76.
Chan-Vese模型以其能较好地处理图像的模糊边界和复杂拓扑结构而广泛运用于图像分割中。但对于灰度不均匀性和多目标的分割效果较差。模糊聚类(FCM)算法作为一种无监督聚类算法已成功应用到目标识别和图像分割等领域。然而FCM算法没有考虑像素的空间信息对噪声敏感。针对这些问题,提出一种结合改进FCM算法的多相位CV模型。首先,基于直方图统计灰度种类、并利用邻域内计算的空间信息修正隶属度函数,这样克服了灰度不均匀性和噪声的影响。再将改进后的FCM算法应用到CV模型的区域检测项,可较准确地使像素点归类,以此作为曲线的演化依据。在演化时采用一种各项异性的模板来控制轮廓线的及时分裂,在较短时间内分割出更多目标。 相似文献
77.
78.
目的:压缩感知理论突破了传统的Shanon-Nyquist采样定理的限制,能够以较少的采样值来进行原信号的恢复。针对压缩感知图像重建问题,本文提出了一种基于优化加权全变差(Total Variation, TV)的复合正则化压缩感知图像重建模型。方法:提出的重建模型是以TV正则化模型为基础的。首先,为克服传统TV正则化会导致重建图像的边缘和纹理细节部分模糊或丢失的缺点,本文引入图像的梯度信息估计权重,构建加权TV的重建模型。其次,利用全变差去噪(Rudin–Osher–Fatemi,ROF)模型对权重进行优化估计,从而减少计算权重时受噪声的影响。再次,本文将非局部结构相似性先验和局部自回归性先验引入提出的加权TV模型,得到优化加权TV的复合正则化重建模型。最后,结合投影法和算子分裂法对优化模型求解。结果:针对自然图像的不同特性,本文使用复合正则化先验进行建模,实验表明上述重建问题通过我们的方法得到了很好的解决,加权TV正则化先验使得图像的平坦区域和强边重建较好,而非局部结构相似性先验和局部自回归性先验能够保证图像的精细结构部分的重建效果。结论:本文提出了一种新的复合正则化压缩感知重建模型。与其它基于TV正则化的重建模型相比,实验结果表明本文模型的重建性能无论是在视觉效果还是在客观评价指标上都有明显的提高。 相似文献
79.
80.
基于稀疏表示的脑电棘波检测算法研究 总被引:2,自引:2,他引:0
提出了一种基于稀疏表示的脑电棘波检测算法,首先以高斯函数及其一、二阶导数为原子的生成函数构建了一个冗余多成份字典,再应用匹配追踪算法获取脑电信号在此字典下的M项稀疏逼近,由该逼近的导数信息与原子的结构参数可准确度量瞬时波形的形态结构特征,进而提出基于形态结构匹配的棘波检测算法,克服了Gabor字典不能识别周期化棘波序列的缺点,同时能够有效去除背景节律与伪迹的影响,检测结果表明该算法针对临床EEG信号的检测率高达93.9%,正确率高达88.0%. 相似文献