生成对抗网络在医学图像处理中的应用

深度学习算法现在已经成为医学图像处理的最成功的模型,生成对抗网络将神经网络与对抗训练的思想相结合,已经开始应用于医学图像处理。该文主要介绍了几种典型的生成对抗网络,回顾了生成对抗网络在医学图像处理中的应用,包括图像的生成、转换、重建、分割等任务,并对生成对抗网络在智能诊断中的作用、目前存在的问题和未来的发展方向做了讨论。     

医学图像处理实验系统的设计

根据医学图像处理的需求,自主开发了一套医学图像处理实验平台软件,该软件可以进行病历信息管理,医学影像的存储与管理。整个系统实现了医学图像的预处理、多模态医学图像的配准、多模态医学图像的融合和医学图像的分割等算法,为医学图像处理的各种算法的实现提供了应用和实验平台。     

光学相干层析医学图像处理及其应用

由于人工分析光学相干层析（OCT）图像费时费力、主观及可重复性差,因而快速、精确与客观地检测与量化生物特征标记是OCT医学图像研究与疾病诊断的关键。本文综述了光学相干层析（OCT）医学图像处理技术与应用的研究进展。介绍了OCT成像技术的特点及其主要应用,OCT图像处理的难点、基本问题及主要研究内容;讨论了对时域OCT和频域OCT图像降噪、图像分类与图像分割的重要方法及应用,并分析了各种方法的优缺点及研究发展方向。此外,介绍了偏振敏感光学相干层析（PS-OCT）在医学图像分析中的应用。文中讨论的应用对象涉及到视网膜、角膜、冠脉、前列腺、牙齿、食道、结肠、膀胱、皮肤、乳腺等组织,可为人们综合了解OCT图像处理及其应用现状提供丰富的信息。     

基于边缘拐点的医学图像配准

利用控制点进行医学图像配准是医学图像处理领域的重要研究内容,其中控制点的选取是重点研究的一点.本文提出先将图像二值化,提取边缘,在边缘处利用边缘信息及其邻域内的信息提取拐点作为控制点.将变形图像和参考图像的拐点坐标分别作为网络学习的输入和输出样本,经过训练得到一组网络连接权参数,利用学习好的网络预测配准图像.以人脑CT图像为例,通过实验验证了算法的有效性.     

基于Alexnet的金相识别研究

对《机械工程材料综合实验》课程后期的金相组织图像处理,以深度学习代替人眼观察进行自动识别分类。通过建立金相组织图像库,分析各类材料金相组织的不同形态特征,结合Alexnet神经网络模型,研究面向不同组织金相识别的Alexnet迁移学习方法,实现金相图像的自动识别。在4类不同的金相组织图像样本库上进行图像识别实验,准确率达到99.63%,能够快速地实现不同材料的区分。与通过人眼观察的方法对比,可大大减少人工操作的工作量,且方法迅速准确。     

基于反馈学习的自适应图像处理方案

图像处理是机器鱼水球比赛中的关键环节,一个优秀的图像处理系统对比赛顺利进行起着至关重要的作用;但是在以往的机器鱼比赛中,图像处理系统都是在比赛开始之前进行环境的调节和设定,这种方式显然不适应机器鱼比赛中环境具有多变性的现实。文章提出了一种基于反馈学习的白适应式图像处理方案,通过分析提取图像处理得到的结果,不断对图像处理过程中的各种参数进行调整,以期程序参数能够最大化适应现场环境。实验表明,相对于传统的静态处理方案,基于反馈学习的自适应动态图像处理方案具有更强的适应性,适用于多变的机器鱼比赛环境。     

用IDL实现基于CT图像的三维表面重建

利用计算机断层(CT)图像进行人体组织三维重建,在医学、人体科学等领域拥有非常广阔的应用前景.IDL是近年来被广泛应用于医学图像处理的交互式数据语言.本文结合一组CT图像,介绍了一种用IDL语言实现CT图像形态学边缘检测、轮廓提取和三维表面重建的方法.并采用IDL中事件驱动的程序结构,设计了三维可视化程序.     

基于YOLOv3的轴表面荧光磁粉缺陷检测

在荧光磁粉缺陷检测中,为快速有效地对金属轴上的点状、线型以及摩擦型缺陷进行分类检测,引入了深度学习技术,并与图像处理技术结合设计了一种改进型金属轴表面缺陷检测系统,克服了传统识别方式人工选定处理区域的局限性。利用基于YOLOv3算法的神经网络模型,对CCD相机获取的轴表面图像数据集进行训练和测试,对不同缺陷进行精确目标识别;采用图像处理技术对识别的目标进行缺陷定量分析。实验结果表明:该方法对不同缺陷类型能进行有效识别,在检测精度与检测效率上具有较高的提升。     

数学形态学在医学眼睛图像处理中的应用研究

将数学形态学方法应用于医学眼睛图像处理,并在MATLAB里进行实验,实验结果表明:增强后的图像能较好地突出图像中的细节和微小目标;去除噪声后的图像能保持边缘和图像的真实性;边缘检测后的图像能有效抑制噪声,清楚地显示图像的边缘信息。     

深度卷积神经网络图像超分辨率重建方法研究

本文为了解决现有算法重建超分辨率算法,所需较长训练时间的问题,提出一种更加高效的深度卷积神经网络图像超分辨率重建方法。该方法可以在保证每层卷积层、非线性层基础上,包含20层卷积神经网络,每层级联构建神经网络结构,通过运用此方法于低分辨率图像中,可以提取图像特征,利用此算法残差学习获取高频信息,LIR结合预测高频信息即可重建高频率图像。训练中利用裁剪梯度避免爆破,保证训练平稳与图像重建的高效性。该方法经仿真表明较原始方法图像处理性能明显提升,有效改善主观视觉体验,获取的低分辨率图像重建后PSNR值最大可提升0.19,各客观评价指标也明显提升,证明该方法的有效性。     

基于改进BP算法在深度神经网络学习中的研究

深度学习能够使包含多个处理层的计算模型去学习含有多层次抽象表示的数据。这种学习方式在最先进的语音识别、视觉物体识别、物体检测以及许多其它领域,比如生物基因学和医学等都带来了明显的改善。深度学习能够发现大数据中的复杂结构,而卷积神经网络作为深度学习的重要模型之一在处理语音、图像、视频和文本等方面带来了新的突破。它是利用BP算法来引导机器如何从前一层获取误差来调整本层的参数,从而使这些参数更有利于模型的计算。针对传统BP算法存在的收敛速度慢、常陷入局部极小点的不足,提出了一种快速的BP改进算法。利用改进后的卷积神经网络分别在数据集MNIST、英文字符识别以及医学图像中做实验验证,仿真结果表明了该算法的有效性。     

多光谱3D成像方法

已有3D成像方法难以实现单目、单帧图像条件下同时获取场景图像及深度信息,也不能兼具时间效率高、体积紧凑、能耗低等优点。为此,创新地提出多光谱3D成像方法,通过具有纵向色散的光学成像镜头与快照式多光谱图像传感器两部分构成图像采集系统,使用离焦深度还原算法获取深度信息。其基本原理为:首先,增强纵向色差光学镜头使得同一物点在不同光谱波段图像上的成像离焦程度不同;其次,快照式窄带多光谱图像传感器单帧曝光同时获取多幅窄带光谱图像;再通过离焦深度还原算法根据多光谱图像边缘梯度获取3D信息。实验采用纵向色散增强型光学成像系统及快照式多光谱相机捕获450±10 nm、525±10 nm、620±10 nm 3通道光谱图像,对5 m内场景进行3D深度恢复,获得了深度误差不高于5 cm的测量结果。实验结果表明多光谱3D视觉方法可以实现单目、所提单帧图像的深度估计。该方法能同时获得视觉及深度信息且无需空间位置配准及预先深度刻度,单帧图像处理平均耗时0. 186 s,图像采集系统尺寸为120 mm×77 mm×65 mm,其工作功率约为10 W,兼具时间效率高、体积紧凑、能耗低等优点。因此,所提方法有望在无人驾驶及智能机器人等领域获得广泛应用。     

基于Access的CT医学图像管理系统的关键技术研究

本文利用Access在Visual C++2005平台上开发出了CT医学图像管理系统。首先提取了系列CT图片的文件信息,与此同时提取了文件所在的地址—并导入数据库。从而通过对图像信息的管理实现了对图片的管理,并通过双击数据表中的元素读取序列图像,从而使其成为了医学图像处理系统一部分。在此基础上实现了模糊查询和无重复批量添加,让管理系统更高效、更具人性化。     

基于图像处理技术的机械故障诊断研究进展

故障检测和诊断已经成为了当今的研究热点之一,图像信息是一类重要的故障信息形式,通过图像处理技术可以快速、准确的提取故障特征信号。文中介绍了基于图像处理的故障诊断方法的国内外研究现状,指出了基于图像处理的机械故障诊断的应用价值和发展潜力,总结归纳了图像的获取方法、故障图像特征的提取研究,展望了基于图像处理的机械故障诊断方法的发展趋势。     

基于HSI颜色空间的深度学习单幅图像去雾方法

针对传统的单幅图像去雾算法容易受到雾图先验知识制约导致颜色失真等问题,本文提出了一种基于HSI颜色空间的深度学习多尺度卷积神经网络单幅图像去雾方法,即通过设计深度学习网络结构来直接学习雾天图像与其无雾清晰图像色调、饱和度和亮度之间的映射关系,从而实现图像去雾.该方法首先将有雾图像从RGB颜色空间转换到HSI颜色空间,然后设计了一个端到端的多尺度全卷积神经网络模型,通过色调H、饱和度I、强度S三个不同的去雾子网分别进行多尺度提取,深度学习得到有雾图像与清晰图像之间的映射关系,从而恢复出无雾图像.实验结果表明,本文方法对于雾天图像具有良好的去雾效果,在主观评价和客观评价上均优于其它对比算法.     

基于扩散模型的图像去噪方法研究

随着图像处理领域的不断发展,图像噪声处理成为该领域中的主要研究问题之一。为了去除时频图像在获取和传输过程中的噪声,提高图像质量,对不同神经网络进行实验,以确定某种方法能够有助于更好地去除时频图形中的噪声。使用的深度学习方法包括变分自编码器（Variational Auto-Encoder,VAE）和扩散模型。变分自编码器可以学习到数据的特征表示,通过将输入数据映射到潜在空间中,从潜在空间中采样一个随机向量,将采样得到的潜在变量映射回重构空间,并在解码器中重构出去噪后的输出数据,学习数据的潜在分布,达到去除时频图像噪声的目的。另一种是基于LoRA(Low-Rank Adaptation of Large Language Models,LoRA)的扩散模型算法,不同于传统深度学习去噪模型,该方法通过引入Lo RA模块,将时频图像的噪声去除分为两个部分,分别学习时频图像的噪声分布以及时频图像的特征描述文本,从而减少网络在训练过程中的训练参数,实现了对时频图像的噪声去除。通过实验对比,去噪效果比较好的是基于LoRA的扩散模型,峰值信噪比和结构相似度均高于变分自编码器模型。     

基于区域选择网络的图像复原及其在计算成像中的应用

本文针对波前编码成像,单透镜计算成像等领域的全局一致模糊复原背景需求,提出了一种高效的基于区域选择网络的图像去模糊方法。与传统方法通过构建目标函数及各类先验信息实现模糊图像清晰化过程不同,本文方法则基于深度学习与传统方法的结合。传统方法负责图像复原的主体流程,深度学习方法则负责对传统方法中的关键步骤模糊核求取区域选择进行干预。基于深度学习的深度二元分类网络能够自动在全局图像中剔除平坦过曝、短小纹理等区域,并选取最优的用于模糊核求取的图块区域。传统复原方法则以此为基础实现模糊核求取,非盲图像复原及图像清晰化处理过程。实验结果表明:本文的复原方法能够实现良好的复原效果,纹理清晰,稳定可靠;所提出的区域选择网络能够在降低计算复杂度的同时,有效提升模糊核的估计准确度,进而提升图像清晰化的复原效果。在同等条件下,所提出的深度二元分类网络在误差率限定在1.5时,复原成功率较比现有方法提升了2.1%,同时复原图像的平均峰值信噪比较比现有方法提高了0.5 dB。     

医学CT反求工程中的图像处理关键技术研究

随着医学与计算机技术、快速成型制造技术的紧密结合,根据快速成型制造的要求,对医学CT图像的反求工程提出了迫切的需要.结合肘关节骨骼CT图片,探讨了图像处理的关键技术,并对其中各环节的数据处理算法进行了理论分析,在此基础上运用Visual C 6.0证明了这些算法的可行性.     

SOPC技术在图像处理中的应用与展望

SOPC技术在硬件上对图像进行实时处理是图像处理技术新的发展方向,FPGA是运用SOPC技术进行图像处理的核心器件,本文介绍了SOPC技术及常用图像处理算法的原理和特点,将传统DSP图像处理技术与嵌入NiosII软核处理器的FPGA芯片实现图像处理技术进行了比较,得出运用FP—GA能够提高图像处理的速度和工作频率,并对SOPC技术在图像处理中的应用现状进行了分析,指出应用SOPC技术进行图像实时处理和解决当前图像处理领域存在的问题有着重要意义,SOPC技术将引领图像处理技术向更高、更广泛的方向发展。     

基于双目立体视觉的IC板深度测量

为了测量批量生产的IC板深度,搭建了一套双目立体视觉系统,介绍了双目视觉测量原理和测量过程,结合HALCON视觉处理软件开发了图像处理算法,通过立体匹配获取到了左右相机的视差图,最终根据视差图像计算出了IC零件的深度,实现了对IC零件深度的准确测量。实验结果表明,该方法可较精确的测量出IC零件深度。