密集型细胞显微图像高精度快速计数方法

细胞显微图像计数在现代生物医学领域发挥着非常重要的作用。本文基于数字图像处理技术,研究一种密集型细胞显微图像高精度快速计数方法。针对密集型细胞重叠,粘连较多,细胞间距不明显等特点,提出了一种快速连通域标记算法及基于数学统计学的细胞计数方法。大量实验验证结果表明：该方法计数精度能达到95%以上,弱化了由图像分割不到位造成的统计误差,可应用于多个不同种类细胞的计数,通用性较强。并且由于结合了快速图像预处理及分割优化方法,极大缩短了算法运行时间,可满足一般工程应用中细胞实时计数的要求。     

球面图像的SLIC算法

简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割算法可以直接用于等距柱状投影(equirectangular projection,ERP)的球面图像,但是投影所造成的球面数据局部相关性破坏,会导致SLIC算法在ERP图像的部分区域无法生成合适的超像素分类,从而影响该算法的性能.为解决这一问题,首先对ERP格式的球面图像进行重采样,生成球面上近似均匀分布的球面像元数据;然后在保持球面图像数据局部相关性的基础上,将重采样数据重组为一个新的球面图像二维表示;并基于此二维表示,将球面数据的几何关系整合到SLIC算法中,最终建立球面图像SLIC算法.针对多组ERP图像分别应用SLIC算法和本文提出的算法,对比2种算法在不同聚类数量下的超像素分割结果.实验结果表明:所提出的球面图像SLIC算法在客观质量上优于原SLIC算法,所生成的超像素分割结果不受球面区域变化影响,且轮廓闭合,在球面上表现出了较好的相似性和一致性.     

生物细胞图像阈值分割方法研究

阈值法是最基本的图像分割方法之一，被应用于很多领域，特别是在图像相对简单的生物图像处理方面得到了广泛使用。介绍了运用计算机对生物细胞图像进行处理和分析，能在一定程度上协助医生对病症的诊断。     

基于三维解剖知识库的医学图像分析

提出了一种全新的基于知识的医学图像分析和理解的方法。该方法利用专 知识建立一个３Ｄ的解剖知识库,并提出了以适形变换的方法来解决标准的特异之间的矛盾,用这一方法可指导对任意方向图像的识别和理解。     

基于小波变换的医学图像分割

医学图像分割是图像分割的一个重要应用领域,也是制约医学图像在临床上广泛应用的题.对医学图像分割技术进行了综合研究,在此基础上提出了一种新的基于小波变换的医学图像分割方法.首先利用小波变换提取边缘信息,然后采用C均值聚类法把原有灰度信息和边缘信息进行聚类.仿真试验证明该方法能有效地解决过分割问题,提高了分割效率.     

生物细胞图像阈值分割方法研究

阈值法是最基本的图像分割方法之一,被应用于很多领域,特别是在图像相对简单的生物图像处理方面得到了广泛使用。介绍了运用计算机对生物细胞图像进行处理和分析,能在一定程度上协助医生对病症的诊断。     

基于直方图判别的细胞图像分割

最优阈值的选取是细胞图像分割中的核心问题，单一的分割方法往往不能适用于各种疏密不一的细胞图像。针对传统的阈值分割方法不能有效地解决稀疏细胞图像分离的问题，该文利用图像直方图的统计特性，提出了一种极小阈值点的搜索方法。并在对直方图进行统计分析的基础上，自动选取恰当的(方法来对不同类型的细胞图像进行分割。实验表明，通过这种方式处理的细胞图像分割效果较好。     

医学图像分割的神经网络方法

给出了一种基于自组织聚类神经网络的图像分割算法．针对聚类中心初始值选取的盲目性,提出了初始值优选法,大幅度提高了分割算法的速度．实验表明,文中提出的算法能快速、准确地分割医学图像,将原始照片中不易分辨的病灶清晰地呈现出来．     

结合CNN与分割约束的立体匹配算法

为了解决弱纹理与遮挡区域中难以准确匹配对应点的问题,在马尔可夫随机场（Markov random field,MRF）框架下,提出一种结合卷积神经网络（convolutional neural network,CNN）与分割线索的立体匹配算法.首先,采用特征表达能力强的CNN提取立体图像特征并匹配区域块.同时,对图像进行区域分割.然后,基于CNN匹配结果构造MRF能量函数数据项.基于分割结果定义能量函数项,通过其他区域约束弱纹理和遮挡区域的匹配过程.最后,最优化求解能量函数计算视差.在Middlebury与KITTI数据集上验证该算法和能量函数各项的作用,并与近2年提出方法进行性能比较.结果表明,该算法准确度更高,应对弱纹理与遮挡区域效果更好.

     

基于超像素分割的无线内窥镜出血图像检测

将图像形态学处理和计算机辅助诊断方法应用于无线内窥镜出血图像检测。在对无线内窥镜图像进行形态学处理和超像素分割的基础上,提出红色纯度特征,应用最小二乘支持向量机分类器对分割后的图像进行分类。试验结果表明,该方法能够有效地检测无线内窥镜图像中的出血区域,敏感性、特异性和准确率分别达到了99%、94%和95%,可以作为临床医生的辅助诊断工具。     

一种改进的模糊聚类图像分割算法

为了提高强噪声污染图像分割的鲁棒性,给出一种改进的非局部模糊聚类图像分割算法。改进算法将模糊因子的局部邻域值替换为非局部均值滤波图像的像素值,并加入局部空间信息,产生新的目标函数。借助拉格朗日乘子法,从最小化目标函数得出隶属度和聚类中心的迭代公式,进而完成图像分割。对合成图像、医学图像和自然图像添加高斯噪声、莱斯噪声和椒盐噪声,用于分割测试,结果显示,改进算法对强噪声图像具有更高的正确分割率和较小的模糊性。     

基于改进的二维Otsu法及PSO的火灾图像分割

针对传统的二维灰度直方图区域划分误差大和运算速度慢等问题,提出一种基于二维直方图和粒子群优化的阈值分割算法,即改进的二维最大类间方差法的粒子群优化算法.利用该算法在二维灰度空间上自适应搜索最优阈值,根据最优阈值对图像进行分割.选取森林火灾火焰图像,对其进行图像分割仿真实验.实验结果表明,该算法的分割效果较好,具有很好的抗噪性能,可有效提高运算速度,且实时性较好.     

基于改进的高斯混合模型脑ＭＲ图像分割

MR图像中常含有偏移场以及噪声现象,传统的高斯混合模型无法得到正确的分类.在高斯混合模型目标函数中加入偏移场估计与噪声去除,完善其分类效果,使分类结果较好地克服偏移场和噪声影响.实验表明,该算法在得到较准确的分类结果的同时还能很好地估计偏移场.     

基于改进的局部二值拟合主动轮廓模型的指静脉图像分割

对应用于图像分割的局部二值拟合(LBF)模型进行改进,提出一种加权全变分局部二值拟合能量泛函分割模型。改进后的模型在加权全变分分量中加入边缘停止函数,使得模型对边缘信息更加敏感,解决了指静脉图像对比度低、不易分割的问题。同时模型中采用正则化约束项,避免水平集函数的重新初始化,缩短了演化时间。对合成图像和真实指静脉图像的分割实验结果表明,本文模型比LBF模型具有更强的边缘细节分割能力,且不易陷入局部收敛,更加适用于指静脉图像的分割。     

基于改进的脉冲耦合神经网络模型的图像分割

提出了一种改进的脉冲耦合神经网络(Receptive field-pulse coupled neural net-works,RF-PCNN)模型。通过感受野模型对连接矩阵的优化,使脉冲耦合神经网络(Pulsecoupled neural networks,PCNN)模型具有了方向性和尺度性,能够更好地模拟视觉细胞图像分割的功能。试验结果表明:RF-PCNN模型对自然环境中车辆图像分割的有效性,分割结果具有较高的边界检出率,较好地解决了图像分割中车牌区域存在的欠分割和过分割问题。     

基于分水岭和种子生长的彩色图像分割

提出一种基于分水岭和种子区域生长的彩色图像改进分割算法。该算法先对彩色图像进行分割前预处理,使用分水岭算法对图像进行初始分割,然后根据一定的规则从分水岭算法分割形成的区域中自动选取种子区域并进行生长,最后合并相似区域或小区域。以区域作为种子生长单位,使用种子区域一次性生长方法进行生长。实验结果表明,该算法分割结果较好,分割速度较快。     

基于CNN二值图像处理的欧拉数计算

欧拉数是二值图像最重要的特征之一,在模式识别中常被用来作为一种重要的特征矢量.现实的计算机图像处理在计算复杂图像的欧拉数时遇到了一定的困难.因此介绍利用CNN处理器进行CNN通用编程,进行图像欧拉数的提取,既能利用CNN处理器的并行图像处理能力,又兼顾了传统计算机通用编程的灵活性.首先介绍CNN图像处理的原理,以及不同图像识别功能的各种算法元素,然后以图像的欧拉数计算为例说明CNN通用编程在图像识别中的应用.     

基于CNN高维超混沌系统图像加密算法

基于高维细胞神经网络(CNN)混沌系统,提出了一种灰度图像加密算法。首先,利用仿真数值方法,分析了CNN系统的复杂的动力学特性和初值敏感性等特点,并利用其系统特点设计了一种新的伪随机序列发生器。然后,利用伪随机序列发生器生成的伪随机序列密钥对待加密图像进行置乱,再进行横向和纵向扩散,实现对图像进行加密。最后,通过实验验证了算法的有效性,测试了算法得到安全性,结果表明该算法具有较好的安全性、鲁棒性等优点。     

一种基于改进PSO和FCM的图像分割算法

在模糊C-均值聚类算法的基础上,提出了基于改进粒子群和模糊C-均值聚类的混合图像分割算法.该算法利用改进粒子群算法优化模糊C-均值的目标函数,同时引入聚类有效性指标,通过迭代更新搜索到合理的分割类别数和聚类中心实现自动确定图像分割最佳类别数,并根据最佳类别数确定最优聚类中心的选取,最终实现图像的自适应分割.实验结果表明...