医学图像分割技术中变形模型方法的研究综述*

医学图像分割是医学图像处理中的一个经典难题。医学图像分割技术的发展不仅影响到医学图像处理中其他相关技术的发展,如可视化、三维重建等,而且在生物医学图像的分析中也占有极其重要的地位。近年来,由于一些新兴学科在医学图像处理中的应用,医学图像分割技术取得了显著的进展。对近年来兴起的基于变形模型的医学图像分割技术进行研究,综述了其发展历程和基本原理,分析和比较了基于变形模型的图像分割的各种技术的优缺点,展望了该技术领域以后一段时间内的发展趋势。     

基于细胞神经网络的灰度图像负片算法

提出了一种基于细胞神经网络的灰度图像负片算法。根据细胞神经网络高速并行的特点。提出并设计了单层细胞神经网络负片模板用于灰度图像的负片处理。为细胞神经网络在图像处理领域中的应用提供了一种优良的算法。实验证明了，该算法对灰度图像负片处理的有效性。     

图神经网络及其在图像处理领域的研究进展

图神经网络（graph neural network,GNN）是一种基于深度学习的图结构数据处理模型,因良好的可解释性和对图结构数据强大的非线性拟合能力而受到研究者广泛关注。随着GNN的逐步优化,GNN与图像处理技术实现融合发展,在图像分类、人体解析和视觉问答等方面取得重大突破。对图像处理技术和传统神经网络理论进行介绍,并对五类GNN的原理、特点和不足进行分析与总结;同时从数据集和性能评估指标两个角度对文中所述的常用模型进行对比与总结,并补充介绍了九种常见的图像处理领域公共数据集;最后深入分析了GNN在图像处理领域中有待改进的方面,并对其应用前景进行展望。     

Snake模型在医学图像分割中的应用

基于Snake模型的图像分割技术是比较成功的研究领域,也是近年来图像处理领域研究的热点之一。Snake模型将基于图像本身的底层的视觉属性和人们先验知识结合起来,针对各种图像的不同特点,从高层和底层两个方面约束图像分割的过程。通过对Snake模型的基本原理及其几种改进的概括研究,阐述了Snake模型在图像分割中的一些应用方法。     

基于小波神经网络的图像重构训练算法研究与实现

针对传统的图像重构算法的不足，提出一种基于小波神经网络的图像重建快速学习算法，运用小波神经网络对图像重构进行了仿真研究，实验表明，对于不同的误差模型，小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近，收敛速度快，近似精度高，而且网络规模也较小，计算量少，对计算机视觉和图像处理具有良好的应用价值。     

数字图像处理在火灾探测技术领域的应用

本文讨论了运用通用的图像分割技术、图像描述方法和模式识别技术进行火灾的识别和探测。首先对火灾火焰的图像特性作了分析，并根据火灾火焰蔓延时的面积、相似度的变化等来识别、判断火灾的发生，是图像处理技术在火灾探测报警领域中的应用，具有一定实际应用价值。     

图像处理与分析在作物水氮亏缺诊断中的应用进展

随着图像处理与分析技术的蓬勃发展,许多专家学者利用图像获取工具比人眼更精细的分辨能力,应用图像处理与分析技术进行信息诊断研究。简要介绍图像处理与分析技术在作物缺素判别、作物水分亏缺诊断中的应用现状,分析该研究领域存在的主要问题,对其未来发展进行展望,指出从复杂背景中识别出研究目标是前提、难点,高效的目标特征提取算法是关键。     

论图像分割技术在医学图像处理中的应用

随着科学技术的发展,医学图像更加精细且清晰,医学图像处理在医疗领域中的应用也越来越广泛.图像分割技术是专门用于图像处理的一门技术,通过将医学图像进行基于计算机算法的分割处理可以实现重点区域重点分析,最终完成对患者的辅助诊断.主要研究现有流行的图像分割技术,并结合显微镜成图的老鼠胎盘图像,分析图像分割技术在医学图像处理中的应用.     

海底声呐图像智能底质分类技术研究综述

海底声呐图像底质分类技术是指利用多波束、侧扫声呐等设备获取海底图像进行浅表层地质属性信息的反演和预测。综合运用水声学、图像处理以及机器学习的相关理论,声学海底底质分类技术能够快速、准确地识别海底底质类型。通过回顾国内外发展历程,对利用声学图像进行海底底质分类的关键技术进行了总结,从声学海底底质分类的关系模型、海底声呐图像的特征表达和分类模型构建三个方面介绍了领域内的研究进展和主要方法,重点分析了不同模型和方法的原理、技术特点和适用场合,并结合卷积神经网络对深度学习方法在海底底质分类中的应用进行了讨论。最后,对海底声呐图像底质分类技术的研究方向和发展趋势进行了归纳和展望。     

基于结构上下文的模糊神经网络自动目标检测方法

提出了一种基于结构上下文的模糊神经网络(SCFNN)自动目标检测方法。模糊神经网络方法既具有神经网络的自适应性、并行性、鲁棒性、容错性、优化等优点，又集成了模糊集理论运用知识、规则描述解决系统不确定性的优点，因此成为图像处理和模式识别的一种强有力工具。使用模糊测度作为神经网络的目标函数可以有效地描述像素类别的不确定性，从而通过使其最小实现图像分类优化。对网络神经元加权过程进行结构上下文信息约束可以充分减小图像信息尤其是目标边缘等特性包含丰富信息的损失，有效地保持目标的轮廓和形状等属性，改善目标检测的误检率。针对目标遥感图像的实验，验证了SCFNN方法具有很好的自动目标检测能力，而相对于传统神经网络方法，具有有效的不确定性解决能力和更好的目标形状保持能力。     

Image Compression by Layered Quantum Neural Networks

We have proposed the qubit neuron model as a new scheme in non-standard computing. Identification problems have been investigated on neural networks constructed by this qubit neuron model, and we have found high processing abilities of them. In this paper, we evaluate the performance of the quantum neural network of large size in image compression problems to estimate the utility for the practical applications comparing with the conventional network consists of formal neuron model.     

Pulse coupled neural networks and its applications

This paper surveys the extensive usage of pulse coupled neural networks. The visual cortex system of mammalians was the backbone for the development of pulse coupled neural network. PCNN (Pulse Coupled Neural Networks) is unique from other techniques due to its synchronous pulsed output, adjustable threshold and controllable parameters. is Hence the uniqueness of this network utilized in the fields of image processing. The basic model of PCNN and the consecutive changes implemented, to strengthen the pulse coupled neural network are discussed initially. Then the applications of PCNN are broadly discussed. The other miscellaneous applications utilizing pulse coupled neural networks are thrown light in the last section.     

神经网络图象原复方法的研究进展

对退化图象的复原问题，特别是对盲图象的复原问题，由于其有广泛的应用前景，因此引起了众多学者的研究兴趣，神经网络因其固有的优点，一直备受各领域研究者的重视，其在图像复原领域的应用也越来越受到广泛的关注，而且其发展正在从对“半盲图象”的复原逐步向对“盲图象”复原过渡，为了使人们对图象复原方法有一系统的了解，以便对从事该项研究的人员有所借鉴，首先简要介绍了图象复原的背景知识，因为只有了解这些基本的概念，理论和方法，同时了解了当前图象复原的其他方法的现状后，才能很好地理解神经网络图象复原的长处和不足，才能把握图象复原的全貌，然后，对神经网络图象复原的数学模型和方法进行了简短的叙述；最后，专注于神经网络图象复原，重点地对这一领域的背景，现有算法，研究进展和现状进行了综述，并展望了今后研究发展的方向。     

基于全景图像CNN的隧道病害自动识别方法

针对目前隧道衬砌病害检测过程中难以快速、方便地获取隧道内壁全景图像以及难以自动检测识别各种病害等问题,提出一种基于全景图像CNN的隧道病害自动识别方法。首先通过一种全景视觉传感器快速获取隧道内壁的全景图像;然后对全景图像进行处理,主要通过全景图像展开、图像预处理、二值化处理等操作来提取疑似病害区域;最后,采用卷积神经网络对病害进行自动检测分类识别。实验结果表明,所提方法极大程度地简化了检测装置在获取隧道内壁全景图像的结构,通过端对端的卷积神经网络实现了各种隧道病害特征的自动提取、检测和识别,并具有88%的检测识别精度,为隧道的维护、竣工验收提供了有效的技术支撑。     

多数据集深度学习模型的修图处理识别

图像处理软件的飞速发展,带动了移动应用领域一大批修图、美化应用的兴起。但是修图、美化软件的快速发展和普及也带来了一些社会问题和安全问题,如网恋对象严重失真,摄影作品造假等。针对手机中的修图处理APP软件,提出一种基于多数据集特征学习的神经网络模型,并给出其网络拓扑结构。区别于传统的多个神经网络并行操作,提出的网络模型具有共享模型参数的特征,能同时对多个特征数据集进行深度学习,使检测程序具备多特征识别能力。此外,还提出了一种针对多任务网络模型的损失函数,以增强深度特征学习的能力。实验结果表明,提出方法的准确率较传统方法有较大提升,同时泛化性能优越,能识别出经过多种美图、修图软件修复过的图像。     

基于多模态神经网络的图像中文摘要生成方法

图像的自然语言描述(image captioning)是一个融合计算机视觉、自然语言处理和机器学习的跨领域课题。它作为多模态处理的关键技术,近年来取得了显著成果。当前研究大多针对图像生成英文摘要,而对于中文摘要的生成方法研究较少。该文提出了一种基于多模态神经网络的图像中文摘要生成方法。该方法由编码器和解码器组成,编码器基于卷积神经网络,包括单标签视觉特征提取网络和多标签关键词特征预测网络,解码器基于长短时记忆网络,由多模态摘要生成网络构成。在解码过程中,该文针对长短时记忆网络的特点提出了四种多模态摘要生成方法CNIC-X、CNIC-H、CNIC-C和CNIC-HC。在中文摘要数据集Flickr8k-CN上实验,结果表明该文提出的方法优于现有的中文摘要生成模型。     

图像超分辨率重建的研究进展

图像超分辨率重建技术对于输入的低分辨率图像进行相关处理,从而重构出高分辨率图像,该技术已经成为图像处理研究领域的一个热点方向。对超分辨率图像重建的研究进展进行了综述。阐述了图像超分辨率重建的基本原理。对基于重建的图像超分辨重建中：IBP,POCS等算法,基于学习的图像超分辨率重建中：稀疏表示,基于深度神经网络等算法及一些相关改进的算法进行了综述。对图像超分辨率重建的研究提出了展望。     

利用脉冲耦合神经网络进行图像置乱效果评价

提出了基于脉冲耦合神经网络的图像置乱加密效果评价新方法。脉冲耦合神经网络直接来自于哺乳动物视觉皮层神经细胞的研究,已在图像处理的众多领域得到了广泛应用。首先利用脉冲耦合网络实现图像特征提取,然后分析置乱前后两图像所提取特征向量之间的差异程度,最后构造了图像置乱效果评价函数。实验结果表明,提出的评价方法是能够较好地刻画图像的置乱程度,反映了加密次数与置乱程度之间的关系,与人的视觉基本相符。而且对于不同的图像,该评价方法能在一定程度上反映所用的置乱变换在各置乱阶段的效果。     

地震剖面自动识别综合解释技术的应用

提出了综合运用机图像寺震剖面图象处理的方法,探讨了统计模式识别和神经网络模式识别的理论方法和实现技术,体现出综合技术在实际领域应用的有效性和泌要性,为大量复杂信息的图象处理和解释提供了一条新的思路。