基于LBP纹理特征的随机游走图像分割

本文通过求解融入纹理特征信息的对称、半正定线性方程组,提出一种新的基于随机游走(Random Walker)的纹理图像分割算法。为了构造该方程组,首先通过局部二元模式(Local binary pattern,简称LBP)算子来描述纹理,将图像映射至不同纹理之间有显著区别的LBP图(LBP map)上,进而将其与梯度和几何信息结合并构造倒数型像素相似度,形成方程所需的权值矩阵,在随机游走模型下使已标号区域向未知区域传递,从而实现纹理图像分割。最后以纹理图像、噪声合成图像、MRI、CT图像为实验对象来验证算法的有效性。定性及定量实验结果表明,在多目标分割任务下,本方法有更好的有效性和精确性。     

基于标准n元组分类器的二值人脸图象快速识别方法

人脸图象识别是模式识别和人工智能领域里一个活跃的课题,广泛地应用于身份鉴别等生物测定学领域。二值人脸图象识别又是其中的一项重要内容。该文介绍一种标准ｎ元组分类器方法,充分利用ｎ元组分类器的优点,实验表明,在二值人脸图象识别领域里,这是一种简易、高效、迅捷的方法。     

基于多尺度MRF的膝关节MRI图像快速分割

膝关节MRI图像中骨骼的精确分割是进一步分割与定量分析膝部软组织的前提。目前膝关节骨骼分割的方法比较耗时或需要一定的人机交互。为解决这一问题,将多尺度MRF方法引入到膝关节MRI分割中,以实现快速无监督的分割。首先建立高斯混合的灰度统计模型,运用MDL准则自动确定类别的数目。建立多尺度MRF的先验模型时,利用尺度间的因果性给出非迭代的计算方法,由细尺度往粗尺度传递统计信息,再由粗尺度往细尺度计算每个像素的最大后验概率,从而实现快速准确的分割。实验结果表明,与单尺度MRF相比,多尺度MRF分割膝关节MRI所需时间大大减少,且精度与专家手动分割标准相当。算法通过建立多尺度马尔可夫随机场模型,完成了低信噪比膝关节MRI图像快速准确分割,可作为进一步自动分割软骨与半月板等软组织的基础。     

联合骨架与边界特征的平面形状分解

在形状分析及其相关应用中,将形状分解成有意义的几个部分往往具有重要意义。骨架与轮廓都蕴含了丰富的物体形状全局与局部信息。提出一种联合骨架与边界特征的平面形状分解方法。该算法引入符合视觉特性的弯曲度比率作为约束,获得可控的分解结果以满足不同细节尺度的要求。算法充分利用对轮廓进行离散曲线演化时得到的信息,避免几个重要的部分被合并为一个整体。由于采用了鲁棒的骨架生成方法,使得算法对较高噪声干扰具有一定的鲁棒性,且能使得一个重要的部分不被进一步误分解。以MPEG7形状库等形状为实验对象,对算法的有效性进行了验证。分解实验结果均较为符合人类的主观感觉,同时对噪声污染的形状也具有较为鲁棒的结果。     

像素级的皮肤分割与面色分级

皮肤是人体最大的器官,面色相对于人体其他生物属性具有更便捷、更稳定的特性。因此,设计一个完整有效的面色分级系统是非常有意义的。本文中,面色分级系统被分为皮肤分割和面色分级2部分。针对皮肤分割任务,在生成对抗网络框架下搭建了一个多尺度特征融合网络,相对于传统的语义分割网络,本文的分割模型充分地利用了每一层特征图的信息。在面色分级实验中,首先在归一化rgb、HSV和Lab颜色空间下使用1 000幅图像分别训练了支持向量机(SVM)和BP神经网络分类器,128幅皮肤图像被用作测试集,正确率在73%～76%;之后将颜色特征与皮肤区域纹理特征融合进行学习,使用SVM分类的正确率为85%,使用BP神经网络分类的正确率达到了91%。     

结合深度残差学习和感知损失的图像去噪

目的 现存的去噪算法中很多在去除噪声的同时都存在边缘信息过光滑、易产生彩色伪影的问题,为了解决这些缺点,本文提出了一种基于联合感知损失的深度残差去噪网络。方法 首先利用低通滤波器将噪声图片分解成高频层和低频层,然后将包含噪声和边缘信息的高频层输入设计好的残差网络中,通过常规逐像素损失方法学习端到端的残差映射预测出噪声残差图片,再由一个从输入直接通往输出的全局跳跃连接处理得到初始较模糊的去噪结果,最后级联一个预训练好的语义分割网络用来定义感知损失,指导前面的去噪模型学习更多语义特征信息来增强被模糊的边缘细节,得到更清晰真实的去噪结果。结果 本文从定性和定量两个方面进行对比实验。以峰值信噪比（PSNR）作为量化指标来评价算法性能,结果表明所提出的网络在同其他对比方法一样使用逐像素损失训练时能产生最好的指标结果,在Set5、Set14和BSD100测试集25噪声级别时的结果分别为30.51 dB、30.60 dB和29.38 dB。在视觉定性分析上,本文提出的感知损失模型明显取得了更清晰的去噪结果,相比其他方法产生的模糊区域该方法保留了更多的边缘信息和纹理细节。此外还进行了盲去噪测试实验,对一张含有不同噪声级别的图片进行去噪处理,结果表明本文训练好的算法模型可以一次性处理多种未知级别的噪声并产生满意的去噪输出而且没有多余伪影。结论 基于边缘增强的感知损失残差网络的图像去噪算法在去除噪声的同时可以保留更多容易被模糊的边缘细节,改善去噪结果过平滑的问题,提高图像视觉效果。     

基于对抗学习和多尺度特征融合的前列腺MR图像分割

前列腺MR图像的自动分割已被广泛应用于前列腺癌的诊断和治疗过程中,然而,由于前列腺的形状变化显著且与相邻组织的对比度低,传统的分割方法仍存在精度低、速度慢等缺点.生成对抗网络GAN在计算机视觉任务中展示出了优越的性能,因此提出了一种使用对抗学习的概念来训练分割网络的方法,实现前列腺MR图像端到端的自动分割.模型框架主要由分割网络和判别网络构成,分割网络生成分割预测图,判别网络判断输入来自真实标签还是分割预测.同时,在分割网络中集成了感受野模块RFB来获取和融合深度特征的多尺度信息,提高特征的识别率和鲁棒性,以提升网络的分割性能.在PROMISE12数据集上的验证结果显示,该模型的DSC和HD分别为89.56％ 和7.65 mm.     

一种基于分形和金字塔算法的纹理综合方法

提出一种基于分形理论和Laplacian金字塔算法的纹理综合方法,该方法以目标纹理作为输入,通过金字塔算法和直方图匹配,生成与目标纹理视觉相似的任意大小的癸纹理图象。这种方法以人类感知纹理的视觉模型为基础,对计算机图形生成技术具有现实的意义。     

基于脊椎MRI中改进型ICA-AAMs椎体分割的腰椎图像分析

提出一种基于腰椎MRI分割的图像分析框架。针对PCA对数据细节描述能力的不足,用ICA代替PCA同时进行形状和纹理模型建模,并对独立分量快速排序,形成基于独立分量分析的改进型主动外观模型(ICA-AAMs),分割MRI中椎体;以分割结果基础,使用MDL准则获得腰椎生理曲线的最佳拟合函数,用该曲线曲率来计算腰椎前凸角,通过椎终板间的倾斜灰度投影来分析椎间盘退行性变化。实验表明,改进型ICA-AAMs的腰椎椎体分割具有更高的精度,在此基础上腰部生理参数定量分析也更为准确客观。系统不但以提供客观的量化信息的方式减轻了医生重复繁琐的工作,而且可以不断拓展,为计算机辅助诊断腰部疾病打下基础。     

基于H.264的子带DCT快速算法

DCT快速算法是H.264编码的关键问题之一。该文根据H.264中44块残差系数的分布特征及DCT系数的能量分布特性,提出一种基于DCT系数子带划分的子带DCT快速算法。该算法在DCT和量化前预判出为零的DCT系数,节省了这些系数的DCT和量化计算开销,提高编码效率。该文提出了划分DCT系数子带的判断标准,预判出子带中量化后为零的DCT系数后,仅计算非零的DCT系数,相应地也减少量化(Q),反DCT(IDCT),反量化(IQ)的计算。实验结果表明,该文算法在保持图像质量和码率的同时,极大地节省了DCT, Q,IQ,IDCT的计算量,提高了H.264的编码效率。