局域化互信息度量的ACM下医学图像的分割

大量医学图像中存在灰度不均匀现象使传统方法很难获得理想的分割结果,针对此问题,将图像的局部统计特征引入互信息度量的分割模型中,考虑不同组织间的方差差异,提出一种局域化互信息度量的活动轮廓模型(ACM),以提高灰度不均匀情况下目标边界识别的精确度。此外,采用一种无需重新初始化的水平集函数规则化方法,演化稳定,收敛速度快。最后,以医学图像分割实验对算法进行了验证,对比实验表明分割和偏移场矫正结果都更精确。     

视觉显著性特征约束下的骨架生长算法

骨架特征在图像处理和计算机图形学等领域有着广泛的应用,而常规的骨架提取算法易受到噪声和物体自身变化的影响,使得提取的骨架难以进行后续的应用.本文提出联合离散曲线演化和弯曲度比率这两种视觉显著性特征约束下的骨架生长算法.在骨架生长过程中通过对判为结点的骨架点的邻域骨架点进行进一步的弯曲度比率约束,有效抑制了离散曲线演化约束骨架提取算法对于弯曲度较大的部位所产生的无法避免的冗余枝.通过调节保留的离散曲线演化点数以及弯曲度比率阈值,可获得多尺度的骨架.实验证明,在较大非刚体形变和轮廓噪声等干扰下,本文提出的算法仍能有效的抑制冗余骨架枝的产生,获得的骨架能够较好的表示图形中视觉重要部分.     

融合曲面形状和纹理特征的三维人脸识别

由于2D人脸识别率容易受到姿态、表情、光照以及自身遮挡影响的问题,这一定程度上阻碍了2D人脸识别技术的鲁棒性与发展。而3D人脸数据提供了在3D人脸领域很有前景的特征描述,也有很大潜力提高人脸识别技术的识别率。针对二维人脸识别中的局限性,先对三维人脸数据进行预处理,人脸分割、平滑去燥等,提出了一种改进的三维人脸分割的方法。改进了三维人脸进行特征提取,使用平均曲率,高斯曲率,增加了协方差,拉普拉斯算子等描述符,且融合其最佳的描述符组合作为三维人脸的特征,计算基于网格局部二值模式(Mesh-LBP)进行提取特征,最后使用支持向量机(SVM)进行三维人脸的分类识别。通过在中国科学院自动化研究所(CASIA)的提供的数据集CASIA 3D face v1分别对高斯曲率、最大最小曲率、平均曲率、协方差、形状指数进行实验,其中平均曲率获得最高识别率93. 17%。实验结果表明,该方法有效地减少了受光照、姿态等变化的影响,且具有较好的鲁棒性和较高的识别率。     

基于耦合特征空间下改进字典学习的图像超分辨率重建

针对目前基于字典学习的图像超分辨率重建效果欠佳或字典训练时间过长的问题,本文提出了一种耦合特征空间下改进字典学习的图像超分辨率重建算法.该算法首先利用高斯混合模型聚类算法对训练图像块进行聚类,然后使用更改字典更新方式的改进KSVD字典学习算法来快速获得高、低分辨率特征空间下字典对和映射矩阵.重建时根据测试样本与各个类别的似然概率自适应地选择最匹配的字典对和映射矩阵进行高分辨率重建.最后利用图像非局部相似性,将其与迭代反向投影算法相结合对重建后的图像进行后处理获得最佳重建效果.实验结果表明了本文方法的有效性.     

基于MRF的膝关节半月板快速自动分割算法

核磁共振成像（magnetic resonance imaging,MRI）图像形态、纹理均较为复杂,从图像中分割出感兴趣组织结构具有一定难度。提出一种＂分割-粗定位-提取＂思路,充分利用MRI成像特征和膝关节解剖学的先验知识,快速、全自动地精确分割形态复杂、尺寸细小的膝关节半月板：首先利用多尺度马尔可夫随机场（Markov random field,MRF）方法自动、快速地分割与目标有相似灰度分布的组织结构,然后结合sobel算子和直方图投影方法粗定位半月板区域,最后通过判断连通区域面积提取出精确的半月板区域。实验结果表明,与目前手动、半自动的半月板分割等研究工作相比,可以客观可重复地分割出半月板前后角等区域,并且算法耗时极低。     

基于改进主动表现模型的人脸面部特征定位

采用主成分分析(PCA)作为统计分析方法的主动表现模型(AAM)是建立二维可形变模型的有效方法.提出一种将改进的AAM用于人脸面部特征定位的新方法,并与传统AAM进行比较,实验证明此方法要优于传统AAM.     

基于相关型图像传感器的3D AAMs人脸特征自动定位

在基于相关型图像传感器（corre lation image sensor,CIS）三维人脸成像的基础上,利用由CIS得到的深度信息和与之对应的亮度信息,提出一种建立三维人脸模型的方法,将二维AAMs扩展为三维AAMs,融合人脸的形状,纹理和深度信息来构建三维人脸模型。同时,采用三维曲率对人脸特征进行初步定位来解决AAMs初始姿态参数选择问题。人脸面部定位实验证明此方法在不同人脸姿态,表情和光照条件下定位效果要优于传统的2DAAMs。     

TransAS-UNet：融合Swin Transformer和UNet的乳腺癌区域分割

目的 乳腺癌在女性中是致病严重且发病率较高的疾病,早期乳腺癌症检测是全世界需要解决的重要难题。如今乳腺癌的诊断方法有临床检查、影像学检查和组织病理学检查。在影像学检查中常用的方式是X光、CT （computed tomography）、磁共振等,其中乳房X光片已用于检测早期癌症,然而从本地乳房X线照片中手动分割肿块是一项非常耗时且容易出错的任务。因此,需要一个集成的计算机辅助诊断（computer aided diagnosis,CAD）系统来帮助放射科医生进行自动和精确的乳房肿块识别。方法 基于深度学习图像分割框架,对比了不同图像分割模型,同时在UNet结构上采用了Swin架构来代替分割任务中的下采样和上采样过程,实现局部和全局特征的交互。利用Transformer来获取更多的全局信息和不同层次特征来取代短连接,实现多尺度特征融合,从而精准分割。在分割模型阶段也采用了Multi-Attention ResNet分类网络对癌症区域的等级识别,更好地对乳腺癌进行诊断医疗。结果 本文模型在乳腺癌X光数据集INbreast上实现肿块的准确分割,IoU （intersection over union）值达到95.58%,Dice系数为93.45%,与其他的分割模型相比提高了4%~6%,将得到的二值化分割图像进行四分类,Accuracy值达到95.24%。结论 本文提出的TransAS-UNet图像分割方法具有良好的性能和临床意义,该方法优于对比的二维图像医学分割方法。     

层次式图切分快速分割算法

图切分(Graph Cuts,GC)是近年来兴起的基于图论框架的图像分割方法,该理论的新颖之处在于它的全局最优性和结合多种知识的统一性。但当图像较大时运算非常耗时。该文提出了一种基于GC的层次式图像分割方法。先在低分辨率中用GC以较低的分割代价获取粗尺度的初始分割,再将结果轮廓映射回高分辨率图像中并构造出窄带,进而采用matting思想,在窄带内获取精确分割。实验结果表明,本文方法在确保分割结果准确性的同时,运算速度大幅度提高。     

不同姿态人脸深度图识别的研究

因易受到姿态等因素的影响,传统二维人脸识别的结果往往难以令人满意.针对不同姿态下的三维人脸深度图提出一种新的图像处理方法:首先利用面部特征点定位和偏转角度的计算将人脸深度图旋转到“正中面”位置;然后根据人脸对称性和ICP相关理论,对旋转后的深度图进行插值.通过该方法处理后的三维人脸深度图与原始数据相比,在人脸识别实验中...