结构保持生成对抗网络的SD-OCT图像去噪方法

为了去除频域光学相干断层扫描(SD-OCT)中的散斑噪声,提出了一种结构保持生成对抗网络模型,可以无监督地从SD-OCT图像合成高质量的增强深部成像光学相干断层扫描(EDI-OCT)图像.该模型基于循环生成对抗网络结构学习无配对SD-OCT和EDI-OCT图像之间的域映射关系.为了克服循环生成对抗网络生成图像的结构性差异问题,模型利用连续帧之间的相似性引入全局结构损失,保证了图像的全局结构一致性;同时通过模态无关邻域描述符引入局部结构损失,保持了图像的解剖结构细节.在50组CirrusSD-OCT数据集上进行去噪的实验结果表明,该模型的PSNR值为29.03 dB, SSIM值为0.82, EPI值为0.50,均优于现有模型.     

一种基于蚁群算法的Snake模型与MRI分割

Snake模型以其收敛快速、精确度可达到亚像素等优点，被广泛地应用于医学图像分割，但该模型依赖于初始曲线的选取，易于收敛到局部最优且难以达到凹陷区域。为此提出一种基于蚁群算法的Snake模型，首先利用区域内灰度统计特征自动进行Snake初始化，然后在Snake演化过程中加入一向心力，使其能进入凹陷区域，最后用蚁群算法对演化结果进行优化，使其收敛到全局最优，获得最终的分割结果。实验结果表明，改进的模型在MRI分割中可以得到较好的分割结果。     

基于高斯混合模型的脑部MR图像自动分割

将脑部组织从MR图像中提取出来是脑部图像处理的一个重要环节,如何精确地将脑组织从非脑组织中分离出来成为研究的难点。传统的水平集方法仅依赖梯度信息,由于脑部图像含有噪音、过度区域等因素的影响,使得分割效果不是很理想。文章提出了一种脑部MR图像的自动分割方法,它利用模糊各向异性扩散方法对图像进行平滑,结合直方图分析得到了图像的全局信息自动构造初始曲线,并利用高斯混合模型构造水平集演化的速度函数,得到较好的分割结果。对脑部MR图像分割的实验表明该方法准确度高、抗噪性能良好。     

结合均值聚类的窄带水平集曲线演化

水平集方法是目前常用的一种图像分割方法,但它在构造速度函数时仅使用了图像的梯度信息,对于MRI这类含有强噪音、弱边界等现象的图像很难取得理想的分割结果.针对这一问题,将图像的区域信息和梯度信息相结合,构造新的基于K-均值聚类的水平集速度函数,该速度函数有较强的抗噪性能,并且能够处理含有弱边界、低对比度的图像.对左心室MR图像的分割实验表明该方法具有良好的分割效果.     

基于各向异性Gibbs随机场与高斯混合模型的脑MR图像分割算法

为了克服高斯混合模型(GMM)的局限性,利用 Gibbs 理论和图像结构信息构造各向异性 Gibbs 随机场,并将其引入到 GMM 框架中,完善 GMM 的分类效果,使其在克服噪声影响的同时,还能够保持细长拓扑结构区域信息以及角点区域信息.实验结果证明,文中算法可以得到较好的分类结果.     

相关扩散方程在图像修补中的应用

图像修复是图像复原研究中的一个重要内容,可以用于旧照片中丢失信息的恢复、视频文字去除以及视频错误隐藏等。目前有很多图像修补算法对于灰度图像的修补已经取得了很好的修补效果,但存在着时间消耗大和应用到彩色图像修补中时修补效果不理想的缺点。将相关扩散方程引入到图像修补中,并进行改进,使得图像的修补效率和修补效果都得到了有效提高,而且可以很自然地应用到彩色图像修补中。大量的实验证明了该方法的有效性。     

加权型曲率保持 PDE 图像滤波方法

提出了一种加权型曲率保持偏微分方程(Partial differential equation, PDE)滤波方法.传统曲率保持PDE 滤波方法未考虑各积分曲线可能经历不同的图像结构,如此影响了其对图像边缘的保持能力.在此基础上, 利用局部图像方向信息为不同积分曲线设计了相应的权重,得到了一种张量驱动的加权型曲率保持PDE滤波方法. 实验结果表明该方法在滤波的同时能较好地保持图像中边缘与曲率结构,且对图像具有一定增强能力.     

局部熵驱动下的脑MR图像分割与偏移场恢复耦合模型

核磁共振图像受成像机制的影响往往导致图像中含有噪声以及偏移场,使得传统的图像分割方法很难得到较好的分割结果.为此,提出一种基于局部熵的分割与偏移场恢复耦合模型,首先在小邻域内构建基于模糊C均值(FCM)聚类模型的局部统计项并将偏移场信息耦合到模型中,以恢复图像偏移场;其次采用非局部信息来构建邻域正则项,使得模型在降低噪声影响的同时能有效地保留图像结构信息;最后在对局部能量项进行全局积分时引入局部熵信息,使得模型具有各向异性,从而对噪声和偏移场影响更具鲁棒性.实验结果表明,本文方法可以得到较准确的分割和偏移场矫正结果.     

一种基于遗传算法的脑MR图像去偏移场模型

由于磁共振图像(magnetic resonance images,MRI)常含有偏移场而影响后继图像分割,针对这种图像的分割,采用Legendre多项式基函数来拟合偏移场,可以去除偏移场对图像分割的影响。当使得恢复图像的信息熵达到最小时,则求得的偏移场最优。在求偏移场的过程中,需要求解基函数的参数,由于传统的梯度下降法易陷入局部最优,为解决此问题,提出将遗传算法引入到参数求解过程中,然而传统的遗传算法不仅时间复杂度高,且易陷入局部最优,为此需对遗传算法进行改进,使得不仅更容易得到全局最优解,且时间复杂度较低。实验证明,该改进算法可以得到精确的偏移场,并可得到准确的分割结果。     

一种各向异性Wells算法脑核磁共振图像分割模型

核磁共振图像分析已经成为主要的医疗辅助手段之一.然而,由于偏移场的影响导致该类图像的分析较为困难,去偏移场已成为图像分析的必要步骤.Wells算法将图像分割和去偏移场放入同一个框架内并取得较好的结果.然而该算法没有考虑像素间的位置信息,因而导致该算法对图像噪声比较敏感.为了克服其局限性,利用Gibbs理论和图像结构信息构造各向异性Gibbs随机场,并将其引入到Wells算法的框架中,完善其分类效果,使其克服噪声影响的同时还能够保持细长拓扑结构区域信息以及角点区域信息.实验证明提出的算法可以得到较好的分类结果.