图像分割评估方法在显微图像分析中的应用

图像分割是计算机视觉领域中的重要分支,旨在将图像分成若干个特定的、具有独特性质的区域。随着计算机硬件计算能力的提高和计算方法的进步,大量基于不同理论的图像分割算法获得了长足的发展。因而选择合适的评估方法对分割结果的准确性和适用性进行综合评估,从而选择最优分割算法,成为图像分割研究中的必要环节。在综述14种图像分割评估指标的基础上,将其分成基于像素的评估方法、基于类内重合度的评估方法、基于边界的评估方法、基于聚类的评估方法和基于实例的评估方法五大类。在材料显微图像分析的应用背景下,通过实验讨论了不同分割方法和不同典型噪声在不同评估方法中的表现。最终,讨论了各种评估方法的优势和适用性。      

面向显微影像的多聚焦多图融合中失焦扩散效应消除方法

多聚焦图像融合是计算机视觉领域中的一个重要分支，旨在使用图像处理技术将同一场景下的聚焦不同目标的多张图像中各自的清晰区域进行融合，最终获得全清晰图像。随着以深度学习为代表的机器学习理论的突破，卷积神经网络被广泛应用于多聚焦图像融合领域，但大多数方法仅关注网络结构的改进，而使用简单的两两串行融合方式，降低了多图融合的效率，并且在融合过程中存在的失焦扩散效应也严重影响了融合结果的质量。针对上述问题，在显微成像分析的应用场景下，提出了一种最大特征图空间频率融合策略，通过在基于无监督学习的卷积神经网络中增加后处理模块，规避了两两串行融合中冗余的特征提取过程，实验证明该策略显著提高了多张图像的多聚焦图像融合效率。并且提出了一种矫正策略，在保证融合效率的情况下可有效缓解失焦扩散效应对融合图像质量的影响。      

基于深度学习的宫颈癌异常细胞快速检测方法

宫颈癌是严重危害妇女健康的恶性肿瘤，威胁着女性的生命，而通过基于图像处理的细胞学筛查是癌前筛查的最为广泛的检测方法。近年来，随着以深度学习为代表的机器学习理论的发展，卷积神经网络以其强有效的特征提取能力取得了图像识别领域的革命性突破，被广泛应用于宫颈异常细胞检测等医疗影像分析领域。但由于病理细胞图像具有分辨率高和尺寸大的特点，且其大多数局部区域内都不含有细胞簇，深度学习模型采用穷举候选框的方法进行异常细胞的定位和识别时，经过穷举候选框获得的子图大部分都不含有细胞簇。当子图数量逐渐增加时，大量不含细胞簇的图像作为目标检测网络输入会使图像分析过程存在冗余时长，严重减缓了超大尺寸病理图像分析时的检测速度。本文提出一种新的宫颈癌异常细胞检测策略，针对使用膜式法获得的病理细胞图像，通过基于深度学习的图像分类网络首先判断局部区域是否出现异常细胞，若出现则进一步使用单阶段的目标检测方法进行分析，从而快速对异常细胞进行精确定位和识别。实验表明，本文提出的方法可提高一倍的宫颈癌异常细胞检测速度。      

面向人体动作识别的随机增量型混合学习机模型

针对自然人机交互应用中的人体动作识别问题,总结了传统机器学习模型在识别人体动作时的缺点,然后在此基础上针对自然人机交互应用的独特要求提出了面向人体动作识别的随机增量型混合学习机模型.该模型将误差反向传播模型、增量型极限学习机模型和双端增量型极限学习机模型相结合,克服了传统方法在识别人体动作时的不足.详细阐述了针对面向人体动作识别的随机增量型混合学习机模型的算法理论、模型合理性和实现方案.最后通过对比识别实验结果,验证了随机增量型混合学习机模型在识别人体动作问题上具有更好的鲁棒性、实时性和准确性.