舌图像自动分割方法

提出了一种基于亮度信息和形态特征的舌图像自动分割方法。该方法首先利用大津法在亮度范围内自动选取阈值，进行二值化，然后通过对图像的像素进行标记，剔除非目标区域。最后利用数学形态学的方法获得最终的分割结果。试验结果表明，本方法具有令人满意的分割性能。     

深度学习的图像实例分割方法综述

实例分割是一项具有挑战性的任务,需要同时进行实例级和像素级的预测,在自动驾驶、视频分析、场景理解等方面应用广泛.近年来,基于深度学习的实例分割方法迅速发展,如两阶段检测器Faster R-CNN扩展出的聚焦于网络的精度而非速度的强大实例分割基准Mask R-CNN,一度成为实例分割的标杆.利用高速检测的单阶段检测器延伸出的实例分割算法YOLACT填补了实时实例分割模型的空白,具有较高的研究和应用价值.本文首先对实例分割算法进行了类别划分,然后对一些代表性的算法及其改进算法进行了深入分析,并阐述了相关算法的优缺点,最后对实例分割方法未来的发展进行了展望.     

相似背景下的苹果图像分割方法仿真研究

研究基于图像的苹果分割问题.针对传统基于背景颜色像素的区别,利用像素相减的方法进行苹果图像的分割,当图像中,苹果颜色和树叶颜色相近的时候,边缘像素相减的结果变化不明显,算法根据结果不能完整的分割苹果图像的问题.本文提出基于改进的主成分分析算法的苹果图像分割方法.通过像素概率知识,将苹果图像的颜色特征进行归类,运用边 缘像素排序的方法,描述苹果图像边沿的细节信息.排除相似边沿像素的干扰.实验证明,这种改进后的方法实现了在与自身颜色相似情况下苹果图像的完整分割,取得了满意的效果.     

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.     

肝脏磁共振图像分割方法的研究

肝脏磁共振图像分割是诊断肝脏疾病的重要手段之一,偏移场是肝脏磁共振图像中通常存在的灰度不均匀现象,导致图像分割效果不理想.采用正则化相邻局部灰度聚类算法对肝脏磁共振图像进行偏移场矫正,在能量函数中加入辅助变量来解决非凸隶属函数,通过迭代计算得到最优偏移场矫正结果,并采用基于水平集的图像分割算法对矫正后图像进行分割.通过...     

粘连颗粒分割方法研究

颗粒图像的分割中,经常遇到颗粒粘连、重叠在一起的现象,需要将它们分离为单个颗粒目标。本文提出了一种基于灰度形态学重建的图像分割新算法,实验结果表明,该算法既能更有效地分割粘连颗粒,其应用于图像处理也有着较好的应用前景。     

模糊B样条基神经网络磁共振图像分割方法

针对磁共振图像分割的特点,提出了一种基于模糊B样条基神经网络的磁共振图像分割方法。该方法采用B样条基函数作为模糊隶属函数,利用神经网络实现模糊推理,并采用反向误差传播算法对网络进行训练。实验结果表明,这种基于模糊B样条基神经网络的磁共振图像分割方法与普通神经网络分割方法相比,具有更高的分割精度和更快的训练收敛速度。     

基于背景检测的图像分割方法

通过对阈值法单阀值和多阀值的研究,针对其难以处理包含多个前景物体的现状,提出了一种基于统计像素信息自适应地选择背景像素区域的图像分割方法.该方法采用单元格作为像素统计单位、直方图表示各层的像素分布情况,根据像素统计信息确定每一层的背景像素区域,通过相连层单元格背景像素相同或相近的关系自适应地在下一层直方图中修改背景像素区域.实验结果表明,该方法对于图像分割具有很好的通用性和有效性,是一种实用的、有前途的图像分割方法.     

图像分割方法研究

图像分割是图像分析和模式识别的首要问题,也是图像处理的经典难题之一.文中对图像分割方法进行了系统研究论述,先对图像分割的定义、要求进行简单介绍,然后对阙值化、基于边缘方法、基于区域的方法、基于模型的方法和基于人工智能的方法等主要的图像分割方法进行研究论述,比较了它们的优缺点.在实际应用中,这些分割方法往往相互结合,以期达到单一图像分割方法所不能取得的效果,提高分割效率.     

面向多模态磁共振脑瘤图像的小样本分割方法

针对脑肿瘤磁共振成像(MRI)模态多、训练数据少、类别不平衡以及各个私有数据库差异大等导致分割困难的问题,引入小样本分割方法,并提出基于U-net的原型网络(PU-net)模型用以对脑肿瘤磁共振(MR)图像进行分割.首先对U-net的结构进行调整来提取各类瘤体的特征用以计算原型;然后在原型网络的基础上,逐像素利用原型对...     

基于形态学重建滤波的脑部磁共振图像分割

在阐述形态学基本原理、形态学重建滤波原理和方法的基础上,提出了形态学交变序列重建滤波,并应用于脑部磁共振图像分割。试验结果表明,该方法能有效地滤除无用的信息而保留图像原始形状不变。再应用形态学梯度运算、测地距离和流域变换方法就能准确地分割出脑部磁共振图像的头盖骨和脑膜。     

基于支持向量机的磁共振脑组织图像分割

脑组织图像分割在医学图像分析中具有重要的理论和应用价值。由于支持向量机被看作是对传统学习分类器的一个好的替代,特别是在小样本、高维情况下,具有较好的泛化性能,因此可采用支持向量机方法对磁共振脑组织图像进行分割研究。为了验证支持向量机分割磁共振脑组织图像的效果,利用支持向量机进行了脑组织图像分割实验。实验结果表明:核函数及模型参数对支持向量机的分割性能有较大的影响;支持向量机方法适合作为小样本情况下的学习分类器;对目标边界模糊、目标灰度不均匀及目标不连续等情况下的图像(如医学图像)分割,支持向量机方法也是一个好的选择。     

基于局部-全局自适应信息学习的脑肿瘤磁共振图像分割

针对脑肿瘤磁共振成像(MRI)勾画数据少、类别不平衡以及各个私有的数据库具有较大差异导致脑肿瘤MRI图像分割困难的问题,提出了一种基于局部—全局自适应信息学习(ALGIL)分割算法.该方法只需要少量的勾画数据,解决了传统监督学习中对勾画数据数量的依赖问题.通过融合图像的空间域信息和频域信息,利用小波变换将图像从空间域转...     

基于超椭球模糊聚类的人脑磁共振图象分割

通常使用的聚类分割方法认为样本的分布是超球形的，然而,这并不符合人脑磁共振MR(magnetic resonance)图象的真正特点.针对这一缺陷，提出了一种基于超椭球模糊聚类的人脑MR图象分割方法.实验结果表明，这种分割方法能有效地将人脑MR图象分割为灰质和白质两种组织，并具有较高的效率和分割精度.     

基于局部熵最小化的核磁共振脑图像二次分割算法

医学图像分割在医学图像处理,尤其是在临床诊断的核磁共振图像分析中起着重要的作用.偏移场的存在使核磁共振脑图像中的局部统计特性发生变化,这成为自动化分割的一个主要障碍.为了克服偏移对分割造成的影响,提出了一种基于局部熵最小化的核磁共振脑图像二次分割算法.首先采取基于组织的分块算法和局部熵最小化以获得脑图像分割的聚类块,再以每个聚类块为中心进行动态搜索;利用模糊C均值算法对每个搜索窗口进行分割.将所有分割结果与原始聚类块的分割结果进行比较,对满足二次分割条件的像素进行二次分割.模拟数据和真实数据的实验结果表明,提出的二次分割方法准确、可靠.     

采用K-means的脑肿瘤磁共振图像分割与特征提取

大脑肿瘤分割对于医师判断肿瘤恶化程度非常重要。然而,由于肿瘤的不规则形状、与周围组织的低对比度以及出现位置的不固定,给脑肿瘤的精确分割带来很大的困难。传统的K-means分割方法仅仅利用图像的灰度特征,很难准确分割肿瘤边界。利用灰度共生矩阵提取出的纹理特征,并结合图像几何不变矩特征对分割出的脑肿瘤图像进行特征提取。灰度共生矩阵定义为像素对的联合概率分布,是一个对称矩阵,它不仅反映图像灰度在相邻的方向、相邻间隔、变化幅度的综合信息,也反映了相同的灰度级像素之间的位置分布特征,是计算纹理特征的基础;几何矩（不变矩）具有旋转、平移、尺度等特性,能将图像分解为有限特征值,并且通过对比所提取出的同一病人的肿瘤图像的不变矩参数,可以获得该肿瘤几何形状变化程度。实验结果表明,该方法可以同时从纹理和几何特征对图像特征进行描述,与分别采用灰度共生矩阵和不变矩方法进行特征提取相比较,降低了算法计算量,同时提升了算法的抗噪性。     

基于随机森林的多谱磁共振图像分割

应用分类树和自助法重采样技术,结合随机特征选取,使用随机森林这种组合分类器方法对多谱磁共振图像进行分割,实验证明此方法有很好的分割性能。     

基于图卷积网络的脑胶质瘤核磁共振图像分割

近年来基于卷积神经网络(CNN)的图像分割应用已十分广泛, 在特征提取的部分取得了很大进展. 然而随着卷积层数越来越深, 感受野不断增大, 使模型丢失局部特征信息进而影响模型性能. 使用图卷积网络(GCN)处理图数据结构的信息, 能够在保留局部特征同时不随层数的加深而丢失局部信息. 本文主要研究将基于CNN结构的对称全卷积网络(U-Net)特征提取与基于GCN的图像分割结合, 提取全局与局部、浅层与深层的多尺度特征集应用于多模态脑胶质瘤核核磁共振(MR)序列图像分割, 可分为两个阶段: 第1阶段利用 U-Net 对多模态脑核磁共振胶质瘤MR序列图像进行特征提取, 通过多个池化层实现多尺度特征提取及上采样进行特征融合, 其中底层输出较低级别特征, 高层输出更加抽象的高级特征; 第2阶段通过膨胀邻域及稀疏化处理将 U-Net 获得的特征图数据转化为 GCN 所需的图结构数据, 将图像分割问题转化为图节点分类问题, 最后通过余弦相似度量对图结构数据进行分类. 在BraTS 2018公开数据库上的实验结果取得分割准确度0.996、灵敏度0.892的效果. 相比其他深度学习模型, 本方法通过多尺度特征融合, 利用GCN建立高低级别特征的拓扑连接, 确保局部信息不丢失以取得较好的分割效果, 能够胜任临床脑胶质瘤核磁共振图像的分析需求, 进而有效提高脑胶质瘤诊断精度.     

基于继承PSO算法的动态脑磁共振图像配准

提出了一种用于动态图像配准的混合角点继承PSO算法。该方法采用混合角点检测算子来提取角点,并将继承最优种群的思想引入到PSO优化算法中,即对当前图像配准得到的最优种群进行动态继承与变化后,再用于指导后续图像的配准。实验表明：所提出的算法不仅克服了传统的随机重启方式的脑磁共振图像配准算法中随机设定参数导致配准速度慢的问题,而且提高了图像的配准精度和稳定性。     

在线生物文献磁共振图像识别方法

为实现在线生物文献磁共振成像(MRI)图像库的构建,利用图像特征的塔式梯度方向直方图(PHOG)和塔式关键词直方图(PHOW)进行互补特征表示,使用支持向量机对MRI图像与非MRI图像以及脑部MRI与非脑部MRI图像进行自动分类。实验结果表明,空间形状信息与局部分布信息融合的特征能提高图像分类的准确率,为构建在线文献中MRI图像库的知识系统提供技术支持。