基于改进Mask R-CNN的变电设备红外图像实例分割算法

红外图像中变电设备的分割精度直接影响着故障诊断的结果，针对复杂红外背景下变电设备边缘分割不精细、分割精度低的问题，提出了一种基于改进Mask R-CNN模型的变电设备红外图像分割方法。首先将ResNet特征提取网络中部分残差模块的标准卷积替换为可变形卷积，然后对空间注意力机制模块和通道注意力机制模块并行连接，并在这两个模块中加入可变形卷积，最后改进Mask R-CNN掩膜分支的损失函数，对目标边缘分割的精细度进一步优化。该方法能够有效提高模型对红外图像中变电设备几何特征多样性的适应能力，并减轻模型对背景等干扰特征的关注。在变电设备红外图像数据集上进行实验，结果表明，相比于Mask R-CNN基准模型，该方法的AP_50:95、AP₅₀和AP₇₅提高了3.5%、1.0%、4.2%,表明该方法能够显著提高红外图像中变电设备实例分割的准确率，有效解决边缘分割不精细的问题。     

基于RAPNet的脑肿瘤MRI图像三维分割

传统深度卷积神经网络方法在全自动脑肿瘤磁共振成像(MRI)图像分割中存在多尺度病变处理能力较弱的问题。对此，使用改进的三维递归残差卷积单元构建特征学习的主干网络，提高了特征学习的空间相关性并缓解因网络模型过于复杂造成的网络退化和梯度弥散。同时，采用具有不同膨胀率的三维空洞卷积和跨模型注意力机制构建分层特征金字塔，结合上下文特征，提高了整体模型对不同大小肿瘤的识别能力。结合多层特征图对肿瘤图像进行辅助预测，获得了最终图像的分割结果。在BraTS 2019数据集上进行实验的结果表明，用残差-空洞金字塔网络(RAPNet)的方法在分割浮肿区域、坏疽区域、增强肿瘤区域的平均Dice相似性系数分别为0.897,0.852和0.823。与现有高效脑肿瘤图像分割方法相比，新方法在学习病变的多尺度特征方面具有更好的效果。     

图像分割的分层处理方案

提出了一种分层处理的图像分割方案，该方案将分割过程分为两步：第一步，在低分辨率的条件下运用二维otsu阈值化方法对图像进行粗分割；第二步，在精细分辨率的条件下采用模糊C－均值算法对图像进行细分割，同时将第一步所得的结果融入第二步，以避免细分割中为求聚类中心所做的大量计算。实验结果表明，这一方案有利于提高分割质量和缩短分割时间。     

基于语义分割的活体检测算法

为了提高人脸识别系统的安全性,防止手机、照片中的人脸图像伪装攻击,提出了一种基于语义分割的活体检测算法。首先,通过全卷积神经网络(FCN)对局部人脸区域进行语义分割,并提出了一种带方向的卷积核对网络进行优化。其次,训练了一个快速分类器对语义分割网络的结果进行分类。最后,对深度学习网络进行串联,形成一个端到端的活体识别框架。试验结果表明:本文检测算法在Casia活体数据集和私有数据集上表现突出,在实际项目中泛化能力突出。     

嵌入卷积块注意力模块的人像自动抠图算法

针对常用人像抠图算法需要输入人工标注三分图及抠图精度不高的问题,提出一种嵌入卷积块注意力模块的人像自动抠图算法。该算法使用三分支网络进行学习：首先预分割分支网络将MobileNetV2与Unet相结合,减少网络参数,引入h-swish激活函数,保留更多有效特征,获取三分图;然后在Alpha抠图分支网络嵌入卷积块注意力模块(CBAM),更好地获取图像多尺度信息,实现Alpha图的初步预测;最后通过细节融合分支网络将以上两个分支的输出进行特征融合,得到Alpha图。实验对比本文算法与现有深度图像抠图(DIM)算法,结果表明,本文算法的绝对误差和(SAD)降低了7.5%、均方误差(MSE)降低了19.4%,实现了人像自动抠图,并获得了良好的抠图效果。     

多分支压缩和激励网络的蕈样肉芽肿细胞分类

基于中国医学科学院皮肤病研究所收集的77张早、中期皮肤蕈样肉芽肿全扫描切片，构建了多分支压缩和激励网络模型，实现了皮肤蕈样肉芽肿的淋巴样细胞与上皮细胞的分类。模型分为编码和解码2个阶段，编码阶段对应一个分支；解码阶段有3个分支，对应一个主任务和2个辅助任务。主任务分支输出细胞分类的结果，辅助分支I输出细胞与背景，辅助分支II输出水平垂直边界图谱。在训练阶段，从切片中选取576张图像块，由专业病理科医生进行标记，其中将464张图像块用于训练，将112张图像块用于验证，最后在全扫描切片上进行测试。模型的细胞分割准确率为0.943，F1值为0.728，细胞的分类平均准确率为0.943。实验结果表明，所提出的模型能够实现皮肤蕈样肉芽肿淋巴样细胞和上皮细胞的识别与分类，为皮肤蕈样肉芽肿的计算机辅助诊断奠定了重要基础。     

一种红外热图像目标区域分割的深度学习算法

为了解决复杂背景下红外热图像目标区域分割困难的问题,提出了一种利用全卷积网络和稠密条件随机场的深度学习分割算法。首先,利用全卷积网络进行像素级别特征提取,获得粗分割结果;然后,使用稠密条件随机场对粗分割结果进行上下文信息优化的精分割,最终实现目标区域的分割。将该算法应用于实际采集的太阳能板红外热图像数据集,五折交叉验证结果表明,该算法平均查准率为89.96%,平均查全率为94.55%,平均F₁指数为0.911 8,平均J指数为0.868 7。同时,最高查准率为93.35%,最高查全率为97.59%,最高F₁指数为0.956 2,最高J指数为0.912 5,均高于现有的主要算法。该算法耗时短且不需过多的人工干预,能实现复杂背景下红外热图像目标区域的有效分割。     

基于阈值区间的水平集算法在耳蜗分割中的应

为了获取独立的三维耳蜗模型，提出了一种交互式、半自动、由粗到细、结合三维显示反馈的耳蜗分割方法.浏览二维切片,调节图像强度区间并选取感兴趣区域,从颞骨螺旋CT(computed tomography)图像中对耳蜗进行粗分割;采用基于阈值区间的三维水平集（level set）分割算法对耳蜗进行细分割.应用可视化技术,对分割结果进行实时显示,显示结果作为用户进行参数调节的参考依据,经过多次人机交互,直至获得满意的分割结果.利用临床颞骨螺旋CT图像进行耳蜗分割实验,结果表明该方法适合于分割结构复杂且表面光滑的目标.     

基于三流卷积神经网络模型的图像分类方法

为了提高卷积神经网络在提取图像特征的充分性与有效性,提出了一种基于三流卷积神经网络模型的图像分类方法.第一个和第二个网络流的特征提取部分采用交叉"间隔"的方式训练提取图像的不同特征,第三个网络流的特征提取部分采用初始参数,以此来构建三流卷积神经网络模型,提取到更充分有效的图像特征.同时针对每个网络流训练一个分类器,然后运用分类器融合算法对每个网络流的分类器赋予不同权重,得到3个网络流的融合输出,实现最终的分类.在CIFAR-100、Stanford Dogs和UEC FOOD-100和数据集上的实验结果验证了该方法的有效性和鲁棒性.     

基于U-Dense-net网络的DSA图像冠状动脉血管分割

冠状动脉血管是研究心血管疾病的重要基础,为准确分割DSA(Digital subtraction angiography)图像冠状动脉血管,提高训练过程中血管特征的有效利用率,提出了一种基于U-Dense-net网络的分割方法。该方法首先对数据集进行限制对比度直方图均衡化预处理;然后对预处理结果进行图像粗分割,基于U-Dense-net网络,在解码器部分融合密集残差块和注意力机制实现深度神经网络模型,加强特征映射,充分提取局部特征,实现血管与背景的分类;最后利用形态学处理、阈值分割、基于多点区域生长的连通域分析进行图像细分割,实现血管的提取。将测试结果和3位专家手工标注的标准图进行对比分析,结果表明:该数据集的分割结果精确率、召回率、F_1分数分别为83.22%、89.81%、86.04%,3种特性曲线下的平均面积为0.9923。与其他方法比较,该方法提取到的血管信息较为完整,为精确分割冠状动脉血管提供了一种解决方案。     

基于特征金字塔网络的超大尺寸图像裂缝识别检测方法

基于图像分析的裂缝自动检测识别一直是桥梁结构健康检测的热点问题之一.深度学习作为裂缝检测的重要解决方法,需要大量数据支持.公开数据集提供的小尺寸裂缝图像不足以解决超大尺寸细长裂缝图像的检测问题.提出一个基于特征金字塔深度学习网络的超大尺寸图像中细长裂缝的检测方法.通过对编码器提取的4个不同层次的特征图分别进行预测,网络...     

手骨X光片骨龄预测中图像预处理的研究

骨龄预测时,手骨X光片经常存在标尺、伪影、噪声、曝光不当等缺陷. 采用常规的滤波加深度学习神经网络等模型进行预测往往正确率不高. 提出一种X光片骨龄辅助预测的预处理方法,包括使用专门用于生物医学图像分割的U-Net网络将X光片中手骨分割出来,使用图像二值化对U-Net生成的掩模进行去除背景处理,使用灰度直方图均衡的办法解决图像过亮或过暗的问题. 经上述精细预处理后,再进行深度学习神经网络预测,实验结果表明精细的预处理对实验结果有很好的改进作用.     

基于子波域自适应融合HMTseg算法的遥感图像分割

提出了一种具有自适应融合机制的HMTseg算法,用于遥感图像的分割.该算法充分利用图像子波系数尺度间的统计相关性,通过赋予各个尺度不同的背景权值,兼顾了粗尺度分割的区域一致性和细尺度分割的边界定位准确性,保持了图像各个同质区域的主体轮廓,增强了辨别图像小目标的性能.航拍图像和合成孔径雷达图像的分割结果表明,该算法可以在分割的区域一致性和边界准确性之间做到较好的折中,提高遥感图像分割的性能.     

快速的Otsu双阈值SAR图像分割法

在分析SAR图像的统计分布特征的基础上,根据SAR图像自动目标识别对SAR图像分割的要求,提出了一种适合SAR图像的Otsu分割算法。算法首先利用CFAR进行粗分割,然后利用Otsu进行细分割。实验结果表明,该算法分割准确且计算量小,客观评价值较高。     

基于水平集方法的胎儿3维超声图像交互分割算法

针对目前胎儿3维超声成像主要靠经验丰富的医生手动方式来分割母体部分的不足,提出了一种基于水平集演化的3维超声图像交互分割方法.该算法通过构造基于梯度方向和大小的演化控制函数来找到处于零水平集的物体边界,为了将水平集方法应用于3维超声,提出窄带方案将演化过程限定在与初始态曲线等距的2条曲线中,而不是在每次演化中更新3维图像中的每个点,提高了分割的速度和精度.实验中使用2种不同来源的超声图像集,它们是来自于不同位置、不同方向、不同时期的胎儿30幅图像.结果显示,该方法能对3维胎儿超声图像进行快速准确的分割,在处理器为dualcore 2.0 GHz的机器上能在5 s内完成对像素大小为255×255×128的图像进行分割.     

基于形状先验与轮廓预定位的目标分割

针对单帧图像中特定目标的分割一直面临着由于背景复杂和光照变化等因素带来的分割精度偏低的问题,提出一种基于轮廓预定位的先验局部二值拟合(local binary fitting,LBF)算法,用于人体上肢图像的分割.首先,利用浅层卷积神经网络对上肢形状模板进行筛选和预定位,得到分割目标的粗轮廓曲线;然后,利用基于先验形状的LBF算法对粗轮廓曲线进行演化,得到分割目标的精确轮廓曲线.实验结果显示算法的成功率在90%以上,表明该方法对于背景复杂和光照变化情况下的特定目标分割具有良好的效果.     

MRI脑图像海马自动分割方法研究进展

基于磁共振成像(magnetic resonance imaging,MRI)图像的海马分割是计算机辅助诊断神经系统疾病的重要手段.海马结构边界的精确描绘是计算其体积和对其进行形状测量的前提.手动分割海马过程高度耗时,缺乏重复性,因而发展自动化分割算法具有重要的意义.综述了MRI脑图像海马自动分割方法进展,剖析了每种算法的优缺点,并对今后海马分割方法的发展进行了展望.     

腿部磁共振图像自动分割算法研究

提出利用期望最大值分割算法的结果对水平集算法进行改进,实现腿部磁共振图像脂肪和其他组织的自动分割.实验结果表明,该方法能较好地分割出腿部皮下脂肪组织、肌肉间脂肪组织及其他组织.     

一种低分辨率视频实例分割算法的研究

由于图像采集设备的限制和采集条件不佳等原因,在现实中很难获得高质量的图像,尤其是视频图像。现有的实例分割算法在低分辨率(low resolution,LR)视频中达不到理想效果。另一方面,现有复杂的实例分割模型很难直接应用于移动设备上。该文基于MobileNet建立了一种高效的轻量化实例分割模型。同时,针对低分辨率视频,提出一种改进的超分辨算法(SCN)作为预处理,并建立一种基于运动矢量预测帧间掩码的后处理算法。通过对比实验说明,该算法应用于低分辨率实时场景时中精度高,内存小,且易于移植到嵌入式平台中。