基于三端注意力机制的视网膜血管分割算法

视网膜血管的结构和形态是计算机辅助系统诊断眼科疾病的重要依据.针对细小血管分割精度低的问题,提出一种融合残差密集模块与三端注意力模块的改进型U-Net算法.首先,将残差模块与密集模块相结合,充分利用每层的特征,提高网络提取细小血管特征的能力.在解码阶段引入三端注意力模块,利用空间注意力机制自适应地对特征进行空间校正,抑制背景噪声,突出目标区域.同时,通过多尺度特征融合的方式,利用高级语义特征改善网络对细小血管的分割效果.最后,为获取血管的多尺度特征, 在编码-解码网络结构中加入空洞卷积,在不增加参数的情况下增加感受野.基于DRIVE和STARE数据集的实验结果表明,所提出网络的灵敏度、特异性、准确率和AUC(area under curve)分别为81.26%/82.57%、98.20%/98.37%、96.70%/97.51%和98.12%/98.41%,优于现有先进算法.     

多尺度卷积神经网络的噪声模糊图像盲复原

图像盲复原是从一幅观测的模糊图像恢复出模糊核和清晰图像,传统盲去卷积算法采用简化模型估计模糊核,导致预测模糊核与真实值误差较大,最终复原结果不理想。针对此问题提出一种基于改进残差模块的多尺度卷积神经网络模型,采用端到端模式,无需估计模糊核。提出了一种基于限制网络输入的改进Wasserstein GAN （WGAN）,增加了一层输入限制层,能够限定参数初始值,提高了网络收敛速度。设计了多重损失函数,融合了基于多尺度网络的感知损失和基于条件式生成对抗网络的对抗损失。实验结果表明:所提方法在定量和定性评价指标上优于已有的代表性方法,并且运行速度比相近算法快了4倍。     

利用排序聚类的局部滤波框架

针对传统局部滤波框架存在边缘模糊的问题,提出利用排序聚类的局部滤波框架.首先,将局部窗口分为4个子窗口,并且将待处理点放置在4个子窗口的交汇处,从策略上实现保持边缘的目的;其次,通过排序提高类内相似度与类间差异,并利用子窗口内像素值之间的相似性,提出一种排序聚类算法,聚类之后,只利用子窗口内与待处理点相似的像素点进行滤波;最后,取4个滤波结果中与待处理点差异最小的作为最终滤波结果,进一步提高算法保持边缘的能力.基于SSID数据集的实验结果表明,基于该框架的滤波算法有着更高的PSNR和SSIM值;该框架有效地提升了传统局部滤波框架保持边缘与平滑滤波的能力,且具有一定的鲁棒性.