基于改进形态学梯度和Zernike矩的亚像素边缘检测方法

为满足电荷耦合器件(CCD)图像测量系统的快速、高精度测量要求,提出了一种基于改进形态学梯度和Zernike矩算法的图像亚像素边缘检测新方法.基于CCD图像灰度和空间结构信息特点,该算法先利用改进的数学形态学梯度算子进行边缘点的粗定位,在像素级上确定边缘点的坐标和梯度方向;然后再根据构造的边缘点向量和参考阈值,用Zernike矩算法对边缘点进行亚像素的重新定位,实现图像的亚像素边缘检测.仿真图像和实际图像的边缘定位实验结果表明,与Zernike矩、LOG-Zernike矩及Sobel-Zernike矩算法相比,该方法具有更好的定位精度与抗噪性,且检测速度更快.     

基于PSO的Markov随机场在医学图像分割中的应用

研究了应用粒子群优化算法（PSO）优化Markov随机场方法对磁共振图像进行分割的算法。建立了基于马尔可夫随机场的图像分割模型,针对马尔可夫随机场图像模型的局部相关特性和最大后验概率估计,将粒子群优化算法应用于该模型,快速获得图像分割目标的全局最优解。实验数据表明该方法的高效性。     

基于深度学习的椎间孔狭窄自动多分级研究

椎间孔狭窄症的术前定性分级诊断对临床医生治疗策略的制定和患者健康恢复至关重要,但目前该方面临床上仍然存在很多问题,并且缺乏相关的研究和行之有效的方法用于辅助临床医生诊断。因此,为提高计算机辅助椎间孔狭窄症诊断准确率以及医生工作效率,本文提出一种基于深度学习的椎间孔狭窄图像自动分级算法。从人体矢状切脊柱核磁共振图像中提取脊柱椎间孔图像,并做图像预处理;设计一种监督式深度卷积神经网络模型,用于实现脊柱椎间孔图像数据集的自动多分级;利用迁移学习方法,解决深度学习算法在小样本数据集上的过拟合问题。实验结果表明,本文算法在脊柱椎间孔图像数据集上的分类精确度可达到87.5%以上,且其具有良好的鲁棒性和泛化能力。     

基于深度学习的乳腺癌病理图像自动分类

乳腺癌病理图像的自动分类具有重要的临床应用价值。基于人工提取特征的分类算法,存在需要专业领域知识、耗时费力、提取高质量特征困难等问题。为此,采用一种改进的深度卷积神经网络模型,实现了乳腺癌病理图像的自动分类;同时,利用数据增强和迁移学习方法,有效避免了深度学习模型受样本量限制时易出现的过拟合问题。实验结果表明,该方法的识别率可达到91%,且具有较好的鲁棒性和泛化性。     

基于遗传优化BP网络的汽轮发电机故障诊断

针对汽轮发电机组的振动故障诊断的特点,分析了BP网络和遗传算法原理和缺陷.为了克服BP算法中存在的网络学习速度慢,容易陷入极小的问题,在运用改进遗传算法的基础上,探讨了一种自适应遗传神经网络算法,并将其应用于汽轮发电机组故障识别.实验数据表明,该算法可以克服BP网络的不利影响,完成故障信号分析,收敛速度快,能有效地识别故障,具有一定的参考价值.     

肺实质CT图像细化分割

目的 由于肺部CT图像中各组织结构复杂、灰度分布不均匀,造成肺实质部分难以准确分割和提取。为了提高肺实质分割的准确率,本文提出了一种基于超像素的细化分割与模糊C均值聚类相结合的自动分割算法。方法 该算法充分利用肺部CT图像的灰度、纹理特征,同时为了正确标记超像素的分类,引入一种空间邻域信息来增强空间约束进而有效地解决灰度不均匀的问题,它能够对肺实质进行分割并除去其周围的主血管,然后利用形态学知识去除肺部的分支血管。结果 在临床患有四类疾病的患者CT图像数据集上采用改进的图像特征,使得肺实质分割的准确率提高了0.8%。同时,算法准确率提高到99.46%。结论 实验结果表明,本文算法能够实现肺部CT图像肺实质的自动细化分割,结果准确适用。该算法鲁棒性好、速度快,是一种精确有效的自动肺实质分割方法。     

淋巴瘤图像分类技术研究综述

淋巴瘤是源于淋巴造血系统的一类恶性肿瘤,基于医学影像及病理图像的精准诊断对临床治疗淋巴瘤具有重要价值。随着机器学习和深度学习技术的发展,利用人工智能技术对淋巴瘤图像分类已成为医学领域的研究热点之一。对淋巴瘤影像及病理图像分类技术的研究进展进行了系统总结与分析,并重点阐述了基于机器学习等新技术的图像分类方法与研究概况,对淋巴瘤图像分类的相关技术做了总结与展望。     

基于边缘特征点互信息熵的医学图像配准方法

基于互信息熵的图像配准方法已经被广泛应用于医学图像配准中,为克服互信息配准方法的不足,结合图像空间结构信息,本文提出一种基于边缘特征点互信息熵的医学图像配准方法,设计了包括互信息熵、图像空间结构和形状特征点等多信息融合的配准新测度。算法首先采用改进的形态学梯度提取医学图像边缘轮廓;然后构造了以边缘区域特征和梯度信息为基础的特征点互信息能量函数,并通过最小化能量函数来获取配准参数;最后,结合梯度下降法优化策略,实现图像配准。实验研究表明,该方法在保证了配准精度的同时,配准速度较快、鲁棒性较好、综合性能优良,具有一定的临床推广价值。     

基于BFOA和K-means的复合入侵检测算法

K-means算法对初始聚类中心及簇数K的选择敏感,导致聚类结果不稳定,会对IDS(intrusion detection system, IDS)的检测结果产生重要影响。针对该问题,提出一种基于细菌觅食优化算法(bacterial foraging optimization algorithm, BFOA)和K-means相复合的入侵检测算法(HIDS)。HIDS算法首先基于距离阈值方法动态确定簇数K,再利用BFOA优化生成初始聚类中心,使得选择的初始聚类中心达到全局最优,从而解决了K-means算法的聚类结果不稳定的问题,进而提高入侵检测的准确率。为验证算法的有效性和测试算法性能,将HIDS在KDD99数据集上进行试验测试,入侵检测率可达98.33%。试验结果表明该方法能够有效提高检测率并且降低误检率。     

融减自动编码器

自动编码器(AE)是深度学习领域中一种结构简单且应用广泛的无监督特征提取算法.在图像特征提取方面,现有自动编码器普遍存在特征提取不充分、模型参数量较多等问题.针对上述问题,提出了一种用于图像特征提取的融减自动编码器(MRAE).首先,在该算法中提出"融减网络结构",该结构在编码器中通过特征交叉传递实现了特征融合,在解码器中通过优化解码结构降低了特征损失并减少了模型参数量;其次,设计一种联合重构损失函数,该函数通过计算特征层之间的重构损失,在加强特征层之间联系的同时可有效避免模型早熟.实验结果表明:在肺部CT图像数据集上,基于融减自动编码器所提取的特征使用支持向量机(SVM)、K-means和分类回归决策树(CART)等分类器,肺炎筛查准确率均在97％以上;在CvD数据集上,基于融减自动编码器所提取的特征使用全连接分类的准确率均在90％以上.