基于多尺度带限的自适应直方图均衡和数学形态学的医学X射线图像对比度增强算法

医学X射线图像是临床上应用最广泛的影像之一。由于需要采用低剂量的X射线进行成像,而X射线图像存在一个本质的缺陷,就是低对比度。所以,在临床应用中,往往需要对图像对比度进行增强处理。根据X射线图像特性,文章提出了基于多尺度带限的自适应直方图均衡和数学形态学的X射线图像对比度增强算法。首先,采用拉普拉斯高斯金字塔变换把图像分解成高频和低频的不同尺度子波段图像;然后对每塔层高频子图像应用对比度带限的自适应直方图均衡进行处理,相应的各塔层低通子图像使用数学形态学进行增强处理;最后,各塔层经过增强处理的高频和低频系数,通过拉普拉斯高斯金字塔的逆变换重构出对比度增强的图像。增强图像再经全局非线性算子进行对比度的增益调整,获得自然的视觉效果。实验结果表明该算法有效地增强了医学X射线图像的对比度,并通过图像对比度评价标准和对比度改进索引度量算法来分析及对比了算法的性能。     

基于多尺度带限的自适应直方图均衡和数学形态学的医学 X 射线图像对比度增强算法

医学 X 射线图像是临床上应用最广泛的影像之一。由于需要采用低剂量的 X 射线进行成像,而 X 射线 图像存在一个本质的缺陷,就是低对比度。所以,在临床应用中,往往需要对图像对比度进行增强处理。根据 X 射线图像特性,文章提出了基于多尺度带限的自适应直方图均衡和数学形态学的 X 射线图像对比度增强算法。首 先,采用拉普拉斯高斯金字塔变换把图像分解成高频和低频的不同尺度子波段图像;然后对每塔层高频子图像应 用对比度带限的自适应直方图均衡进行处理,相应的各塔层低通子图像使用数学形态学进行增强处理;最后,各 塔层经过增强处理的高频和低频系数,通过拉普拉斯高斯金字塔的逆变换重构出对比度增强的图像。增强图像再 经全局非线性算子进行对比度的增益调整,获得自然的视觉效果。实验结果表明该算法有效地增强了医学 X 射线 图像的对比度,并通过图像对比度评价标准和对比度改进索引度量算法来分析及对比了算法的性能。     

尺度空间二维形状描述的一种算法

尺度空间形状描述属计算机视觉与模式识别领域内一个重研究课题,文章将介绍作者在这方面所做的工作。首先给出用形状特征曲线表示二维形状方法,然后用不同尺度的高斯拉普拉斯算子和高斯梯度算子求形状特征曲线过零点,最后用这些过零点,得到从粗到精确表示二维形状边界的多边形。实验结果表明,该方法既有效又简单。     

一种层级模糊隶属度的X射线医学图像增强算法

X射线医学图像存在不同程度的边缘模糊以及对比度低等缺点,严重影响了医学图像细节质量,亦常导致医生对病灶的误判与漏判。传统的医学图像增强算法主要针对单一尺度下的边缘消噪增强以及对比度增强而展开,在抑制噪声的同时也削弱了图像的细节部分。针对这一问题,提出一种层级模糊隶属度的X射线医学图像增强算法。所提算法首先采用拉普拉斯金字塔方法将图像分解为多尺度下的子图像,然后对其分层计算模糊隶属度并实现多尺度下的图像加权增强与重构,最后利用双边滤波器对图像实施保边去噪,实现对X射线医学图像的有效增强。与传统方法的实验对比结果表明,所提算法对X射线医学图像具有较强的增强效果,具有一定的理论和实际应用价值。     

一种快速鲁棒的LOG-FAST角点算法

基于高时间效率的FAST算法,提出了一种快速鲁棒的FAST-LOG角点算法。使用直方图均衡化方法对图像进行增强,提高图像成分的清晰度并消除图像中光照强度的影响;运用拉普拉斯-高斯函数对图像进行卷积,实现图像的高斯平滑和增强边缘,及对噪声最大化的抑制;最后使用FAST算子检测角点。对比实验证明,新算子对于添加高斯噪声的分辨率为640*480的图像,其检测时间可达到0.05s;对光照不同的图像具有相近的检测性能;角点重复率可达98%。该算子可应用于实时视频图像的处理,为开发基于视觉的实时智能车辆预警系统提供了新的研究思路。     

基于形态学多尺度算法的肺部CT图像边缘检测

医学图像边缘检测是医学图像处理和分析的基础,传统边缘检测算子对噪声敏感,检测到的图像边缘效果较差.本文提出了一种基于形态学多尺度算法的肺部CT图像边缘检测方法.首先对形态学边缘检测算子进行改进,然后利用形态学多尺度算法检测各尺度下的图像边缘,最后采用非均匀权值方法合成最终边缘.实验结果表明:该方法在检测出肺部图像边缘的同时能够很好地抑制噪声,是一种有效的肺部CT图像边缘检测方法.     

基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法

针对现有梯度算子在图像边缘检测中存在的对噪声比较敏感的问题,提出了一种基于改进高斯-拉普拉斯算子的图像边缘检测方法。噪声图像中的边缘检测是一项关键任务,然而目前常用的几种梯度算子,包括已经提出的高斯-拉普拉斯算子都没能取得理想效果。提出的方法对传统的拉普拉斯边缘检测算子做了改进,并与高斯滤波器相结合。首先,应用高斯滤波器来平滑图像,抑制噪声。然后基于拉普拉斯梯度边缘检测器进行边缘检测。最后在标准图像上进行评估,评估结果显示,提出的边缘检测方法所获得的峰值信噪比(PSNR)和均方误差(MSE)均优于其他几种对比方法。     

储粮害虫图像边缘检测算法研究*

阐述了基于机器视觉的在线粮库虫情测报系统的系统结构,论述了害虫图像边缘检测是该系统的关键模块。在此基础上详细分析了Roberts算子、Sobel算子、Krisch算子、高斯-拉普拉斯算子在害虫图像边缘检测中的应用。在VC++ 60平台上实现了这四种方法对粮样图像的边缘检测算法程序的同时,还分析比较了这四种算法对特定粮虫图像边缘检测处理效果的优劣。     

仿射不变特征提取算法在遥感影像配准中的应用

提出了一种面向影像配准应用的仿射不变特征算法。首先选取图像中拉普拉斯算子和尺度空间微分算子同时取得最大值的点为特征点,使用仿射参数模板对特征点邻域进行重采样以补偿投影变换造成的形变。随后对采样区域求取尺度不变特征变换(SIFT)构造特征矢量。在此基础上,构造相似性判据匹配特征点,通过RANSAC(random sample consensus)算法迭代消除错配生成修正的特征点集,并精确估计变换参数。利用仿真数据,测试了所提算法在仿射变换、局部遮挡、灰度对比度变化、高斯噪声等影响因素下的性能,并用异时相卫星遥感影像验证该算法的实用价值。     

基于高斯变换的多尺度SUSAN角点检测方法

针对传统SUSAN算子只能在单一尺度下检测图像中角点的不足,提出一种基于高斯变换的多尺度SUSAN角点检测方法。该方法利用高斯变换获得待检测图像的多尺度分层图像,以构建高斯金字塔,结合自适应阈值的SUSAN算子检测出不同尺度下的角点作为候选角点,将其还原到原始图像中的相应位置构成候选角点集,在候选角点集中经小邻域信息筛选获得最终角点。实验结果表明,该方法不仅能够在不同尺度下有效获取有用的角点信息,而且提高SUSAN算子正确率的同时,降低了角点的伪检率。     

深度卷积神经网络胸片肺结节分类识别研究

针对肺结节特征复杂且不明显,难以精确诊断出胸片中是否含有肺结节的问题,提出将深度神经网络应用于肺结节分类识别之中。首先通过将胸片灰度一致化,减少由于不同设备导致胸片亮度与灰度的差异;其次采用不同的数据扩增方法使得深度卷积神经网络可以充分提取肺结节的特征;最后通过改进的神经网络架构对肺结节进行分类识别。提出的算法有效地避免了在对胸片图像进行分割时造成图像特征部分丢失的现象,同时克服了由于胸片图像的复杂造成的肺结节特征不明显的缺点。最终通过实验研究证明胸片肺结节分类识别的平均准确率达到84.2%,在医学胸片肺结节的分类识别领域上具有一定的应用价值。     

基于高斯尺度空间的核相关滤波目标跟踪算法

核相关滤波（KCF）跟踪算法因其计算效率及速度的优势在目标跟踪领域受到了极大关注,但是该算法仍无法实现尺度自适应,针对此问题提出了一种基于高斯尺度空间的解决方法。根据KCF跟踪算法估计目标位置,将目标及其周围的区域作为搜索区域,并与高斯核卷积建立高斯尺度空间。对高斯尺度空间进行双线性插值,得到目标的多尺度估计图像。用平均绝对误差（MAD）作为匹配准则,将模板与图像匹配,从而得到目标的缩放比率。实验结果表明,与CSK算法、KCF算法等相比,所提出的基于高斯尺度空间的KCF在跟踪精确度上有了显著提升。     

基于多尺度和特征融合的肺癌识别方法

针对病人肺结节大小各异、结节征象复杂造成的结节检测困难问题,基于迁移学习提出一种多尺度和特征融合的肺癌识别方法,根据CT图像预测病人未来一年内患肺癌的概率。根据肺结节和肺肿块大小,采用3种不同尺度的图像块输入三维结节检测网络,避免小尺度输入的结节检测网络难以获取大区域病灶整体特征的问题;在多尺度输入基础上采用特征融合策略,将网络提取的瓶颈层特征和输出层特征融合,充分描述病灶的详细特征。在Kaggle Data Science Bowl 2017数据集上的实验结果表明,所提方法降低了肺癌预测的损失值,提高了肺癌识别精度。     

Spatially guided local Laplacian filter for nature image detail enhancement

Nature images make up a significant proportion of the ever growing volume of social media. In this context, automatic and rapid image enhancement is always among the favorable techniques for photographers. Among the image representation models, the Gaussian and Laplacian image pyramids based on isotropic Gaussian kernels were once considered to be inappropriate for image enhancement tasks. The recently proposed Local Laplacian Filter (LLF) updates this view by designing a point-wise intensity remapping process. However, this model filters an image with a consistent strength instead of a dynamical way which takes image contents into account. In this paper, we propose a spatially guided LLF by extending the single-value key parameter into a multi-value matrix that dynamically assigns filtering strengths according to image contents. Since it is still very challenging to recognize arbitrary image contents with machine learning methods, we propose a simple but effective technique, which only approximates the richness of image details instead of specific contents. This trade-off between concrete semantics and algorithm efficiency enables filtering strengths to be spatially guided in the LLF process with little extra computational cost. Experimental results validate our method in terms of visual effects and a conditionally faster LLF implementation.     

基于统计量的加权函数图像重建方法

针对图像重建的问题,提出了一种基于统计量的加权函数图像重建方法.考虑到退化图像不仅含有高斯噪声,且含有拉普拉斯噪声,利用最大似然估计的思想估计高斯噪声和拉普拉斯噪声的方差构造基于统计量的高斯和拉普拉斯权重函数;由于在图像重建过程中,噪声分布发生变化,整合L1,L2范数,设计了一种自适应加权函数;结合双边全变差(BTV)正则化算法,设计了一种自适应加权函数图像恢复方法.实验结果表明:相比基于L1-L2混合误差模型(HEM),方法的峰值信噪比(PSNR)和结构相似度(SSIM)分别平均提高了约2.07 dB,0.02,对含有多种噪声的退化图像能够取得比较理想的结果.     

基于多尺度HOG的草图检索

草图检索是图像处理领域中的重要研究内容。提出了一种将高斯金字塔和局部HOG特征融合的特征提取改进方法,并将其用于草图检索。采用高斯金字塔将图像分解到多尺度空间,在所有尺度上进行兴趣点提取,获得基于兴趣点的多尺度HOG特征。利用图像的多尺度HOG特征集生成视觉词典,最终形成与视觉词典相关的特征描述向量,通过相似度匹配实现草图检索。将该算法与单一尺度下的HOG算法及其他几种算法比较,实验结果表明了其可行性和有效性。     

基于RPCA和视觉显著性的风机叶片表面缺陷检测

摘 要：针对风机叶片表面缺陷检测问题,提出了一种基于鲁棒主成分分析(RPCA)和视觉 显著性的表面缺陷检测方法。在 RPCA 的基础上,通过增加噪声项和考虑像素的空间关系,以 利于缺陷的分割,即通过 F 范数正则项抑制高斯噪声和光照不均,利用 Laplacian 正则项约束像 素的空间关系,以保持显著图中具有相似显著值且空间相邻超像素的局部一致性和不变性。首 先,对输入的风机叶片表面图像进行超像素分割和特征提取,得到图像的特征矩阵;然后,利 用改进的 RPCA 法得到稀疏矩阵,根据稀疏矩阵和视觉显著性方法计算出缺陷区域的显著图; 最后,优化显著图并采用自适应阈值分割实现缺陷的检测。通过实验仿真和对实验结果定性定 量分析,表明该方法具有较高的准确率。     

高斯颜色模型在瓷片图像分类中的应用

由于RGB颜色空间不能很好贴近人的视觉感知,同时也缺少对空间结构的描述,因此采用兼顾颜色信息和空间信息的高斯颜色模型以获取更全面的特征,提出了一种基于高斯颜色模型和多尺度滤波器组的彩色纹理图像分类法,用于瓷器碎片图像的分类。首先将原始图像的RGB颜色空间转换到高斯颜色模型;再用正规化多尺度LM滤波器组对高斯颜色模型的3个通道构造滤波图像,并借助主成分分析寻找主特征图,接着选取各通道的最大高斯拉普拉斯和最大高斯响应图像,与特征图联合构成特征图像组用以进行参数提取;最后以支持向量机作为分类器进行学习和分类。实验结果表明,与基于灰度的、基于RGB模型的和基于RGB_bior 4.4小波的方法相比,本文方法具有更好的分类结果,其中在Outex纹理图像库上获得的分类准确率为96.7%,在瓷片图像集上获得的分类准确率为94.2%。此方法可推广应用到其他彩色纹理分类任务。     

Acoustic image enhancement using Gaussian and laplacian pyramid – a multiresolution based technique

Acoustic images captured by side scan sonar are normally affected by speckle noise for which the enhancement is required in different domain. The underwater acoustic images obtained using sound as a source, basically contain seafloor, sediments, living and non-living resources. The Multiresolution based image enhancement techniques nowadays play a vital role in improving the quality of the low resolution image with repeated patterns. Image pyramid is the representation of an image at various scales. In this work, a three level Gaussian and Laplacian pyramids are constructed to represent the image in different resolution. The multiscale representation requires different filters at different scales. The contrast of each image in Gaussian and Laplacian pyramids are improved by applying both histogram equalization and unsharp masking method. The sharpened images are used to reconstruct the enhanced image. The performance measure, peak signal to noise ratio proves that the unsharp masking method applied to difference images of Laplacian pyramid outperforms the other image enhancement methods.