改进的密集U型网络对视网膜血管的分割

针对视网膜血管分割中存在的细小血管像素模糊以及血管断裂的问题,本文提出一种改进的密集U型网络(dense residual U-shaped network,DRU-Net)。首先,结合残差结构和密集连接的优点提出了密集残差模块,并用其构建DRU-Net网络的编码层和解码层,充分提取目标特征;然后在网络底部添加由空洞卷积搭建的多路特征蒸馏模块(multi-characteristic distillation block,MCDB) ,提取不同尺度的图像特征信息;最后在网络的跳跃连接处引入双向卷积长短期记忆模块(bidirectional convolutional long and short-term memory,BConv LSTM) ,充分融合浅层和深层的特征 信息,输出完整的血管图。在公开的数据集DRIVE和CHASE_DB1上进行实验,分别取得了 0.966 9和0.976 4的准确度,同时AUC(area under curve)分别达到了0.983 9和0.986 7,证明网络具有较好的分割效果,拥有一定的应用价值。     

基于空间感知和特征增强的三维点云分类与分割研究

针对直接处理点云数据的深度神经网络PointNet++无法充分学习点云形状信息的问题,提出一种融合空间感知模块和特征增强模块(spatial awareness and feature enhancement,SAFE) 的三维点云分类与分割方法(SAFE-PointNet++) 。首先,设计了空间感知(spatial awareness,SA) 模块,使特征提取网络在特征升维时融合了包含空间结构的权重信息,增强了特征在空间上的表现力。其次,设计了特征增强(feature enhancement,FE) 模块,通过把增强后的几何信息和附加信息拆分并分别进行编码,达到充分利用点云附加信息的目的。实验结果表明,在ModelNet40和S3DIS数据集上,SAFE-PointNet++与其他10种经典网络相比具有更高的分类和分割精度。     

基于UNet++的自动分割COVID-19病灶模型在CT切片中的应用

针对肺部病变的多样性和区域分割复杂化的问题,提出了一种新的UNet++模型,包括在U-Net基础上进行了改进,主要由挤压和注意模块、空洞空间金字塔池模块、下采样、上采样、跳过连接和损失函数组成.首先,引入了挤压和注意模块来加强像素分组的注意力,充分利用全局上下文信息,让网络更好地挖掘像素之间的差异和联系.其次,设计空洞空间金字塔池模块,用于捕获COVID-19病变的多尺度信息.下采样获得高维信息,然后使用四次上采样将特征图恢复到原始大小,并使用四个跳跃连接来合并特征图.此外,广义骰子损失可以降低病变大小与骰子损失之间的相关性,从而解决小区域分割问题.使用来自不同数据集的CT扫描数据对UNet++模型进行了广泛的实验.在实验中,UNet++模型和GDL分别与典型分割模型和流行的损失函数进行了比较,实验数据表明提出的新的UNet++模型最接近黄金标准.     

基于3D U-Net的轻量级脑肿瘤分割网络北大核心CSCD

针对现有脑肿瘤核磁共振成像(magnetic resonance imaging, MRI)分割神经网络的参数量和计算量较大且对肿瘤区域小目标分割精度不高的问题,提出一种改进的轻量级脑肿瘤分割网络MF-RES2Net(multiple fiber residual-like networks)。该网络以3D U-Net为基础架构,将多纤模块(multi-fiber, MF)和类残差模块(RES2)相结合代替传统卷积模块。MF将特征图像的通道进行混合,增加了通道间信息的交流融合;RES2将通道均分,单通道的卷积结果相加到相邻通道,在扩大图像感受野的同时保留了细节特征,同时降低网络参数量。此外,为改善数据不平衡问题,提出一种改进的加权损失函数,提高了网络对小目标的分割精度。将MF-RES2Net在BRATS 2019数据集进行验证,完整肿瘤、核心肿瘤和增强肿瘤分割的平均Dice系数分别为89.98%、84.02%、77.62%,参数量和浮点数分别为3.16 M和16.24 G,结果表明:该网络在降低参数量和计算量的同时进一步提升了分割性能,有效地降低了网络运行时的设备要求。     

基于改进UNet网络的车牌分割算法研究

针对传统图像算法在定位分割车牌时易受复杂环境因素影响,为提升分割准确率,采用深度学习UNet网络模型进行改进研究,对其增加注意力cSE模块,以增强网络对特征的提炼能力,与其他主流分割网络进行对比实验。实验结果表明,在自建车牌数据集上经过100轮训练后,该文改进方法中的各种指标系数表现最好,其中在测试集上的Dice、Miou指标分别比经典UNet网络提高了16%、15%,较FCN和CeNet等分割网络有较大幅度的提升,较主流的UNet改进网络也有不同程度的提升,证明了cSE-UNet网络能够提高车牌图像分割的准确率,是一种有效的改进网络模型。     

一种具有边缘增强特点的医学图像分割网络

针对传统医学图像分割网络存在边缘分割不清晰、缺失值大等问题,该文提出一种具有边缘增强特点的医学图像分割网络(AS-UNet)。利用掩膜边缘提取算法得到掩膜边缘图,在UNet扩张路径的最后3层引入结合多尺度特征图的边缘注意模块(BAB),并提出组合损失函数来提高分割精度;测试时通过舍弃BAB来减少参数。在3种不同类型的医学图像分割数据集Glas, DRIVE, ISIC2018上进行实验,与其他分割方法相比,AS-UNet分割性能较优。     

MS-UNet++:基于改进UNet++的视网膜血管分割

本文针对视网膜图像中细微血管特征提取困难导致其分割难度高等问题,提出了一种 基于端到端的神经网络嵌套视网膜血管分割模型算法(简称MS-UNet++),该算法选取了深度监督网络UNet++作为分割网络模型,提升特征的使用效率;引入MulitRes模块,改善低对比度环境下细小血管的特征学习效果,并在特征提取后加上SENet模块进行挤压和激励操作,从而增强特征提取阶段的感受野,提高目标相关特征通道的权重。基于DRIVE图像数据集的实验结果表明,该算法分割结果与真实结果之间的重叠率DICE值为83.64%,并交比IOU为94.83%,准确度ACC为96.79%,灵敏度SE为81.78%,较现有模型有一定的提升,可用于视网膜图像血管分割,为临床诊断提供辅助信息。     

基于双支路特征融合的MRI颅脑肿瘤图像分割研究北大核心CSCD

针对磁共振成像(magnetic resonance imaging, MRI)颅脑肿瘤区域误识别与分割网络空间信息丢失问题,提出一种基于双支路特征融合的MRI脑肿瘤图像分割方法。首先通过主支路的重构VGG与注意力模型(re-parameterization visual geometry group and attention model, RVAM)提取网络的上下文信息,然后使用可变形卷积与金字塔池化模型(deformable convolution and pyramid pooling model, DCPM)在副支路获取丰富的空间信息,之后使用特征融合模块对两支路的特征信息进行融合。最后引入注意力模型,在上采样过程中加强分割目标在解码时的权重。提出的方法在Kaggle_3m数据集和BraTS2019数据集上进行了实验验证,实验结果表明该方法具有良好的脑肿瘤分割性能,其中在Kaggle_3m上,Dice相似系数、杰卡德系数分别达到了91.45%和85.19%。     

基于双重增强网络的跨模态行人重识别

针对异质样本差异、行人遮挡及背景干扰等造成的跨模态行人重识别(person re-identification,ReID)精度不高的问题,本文提出了一种基于通道与特征学习的双重增强网络(dual enhanced network,DEN)。首先从通道级出发,通过随机交换可见光通道来挖掘可见光与红外通道间的关系,增强模型对多模态样本变化的鲁棒性。其次从特征级出发,在模态共享网络前引入基于归一化的注意力模块(normalization-based attention module,NAM),通过惩罚贡献因子较小的权重来避免噪声对模态不变信息学习造成一定干扰。同时采用特征分离模块(feature separation module,FSM)来分离出身份相关特征与身份无关特征,有效提升了模型对异质样本的识别能力。最后联合难样本三元组和加权正则化损失对网络进行监督训练,从而约束行人特征学习。在RegDB数据集上,DEN的Rank1准确率和mAP分别达到了94.86%和90.10%的高水准。     

一种面向室内场景的语义分割网络

现有RGB D语义分割方法难以充分地融合深度信息来实现对复杂场景的语义分割,为了能更精确地在室内场景RGB图中进行识别内部物体,提出一种基于通道注意力机制的非对称三分支结构型卷积网络语义分割模型。该方法能选择性地从RGB图和深度图像中收集特征。先构建了一个具有三个并行分支的体系结构,并添加了三个互补的注意模块。且运用了双向跨模块特征传播策略,不仅可以保留原始RGB图像和深度图像的特征,还能充分利用融合分支的深度特征。在两个室内场景数据集(NYUDv2数据集和SUN RGBD数据集)进行了对照实验和消融研究。结果表明,所提出的模型与目前最好的表现方法注意力互补网络(ACNet)对比下,像素精度、平均像素精度、平均交并比分别提高了09、13、17,在镜子、书本、箱子等小物体的语义分割交并比指标提高了72、96、112。验证了提出的模型在处理室内场景具更强的适用性。     

基于HEA算法的二维最大相关准则图像分割

针对目前一些算法对于同一图像每次分割得出的阈值不同,存在分割不稳定的问题,提出了一种基于和声五元素算法(HEA)的二维最大相关准则图像分割算法。该算法利用图像目标和背景分布的相关量最大值来选取阈值,并运用 HEA算法优秀的全局搜索能力优化运算速度,提高图像分割的稳定性和质量。实验结果表明本文方法有较好的稳定性,分割效果良好。     

基于小波变异本质粒子群和模糊熵的图像分割

针对本质粒子群(BBPSO)算法存在易陷入局部最优以及过早收敛的缺点,提出了一种基于小波变异(WM)BBPSO(WMBBPSO)和模糊熵的图像分割算法,利用WMBBPSO搜索使图像模糊熵最大的参数值,得到模糊参数的最优组合,进而确定图像的分割阈值。通过与其它两种BBPSO算法的分割结果比较表明,该算法取得了令人满意的分割结果,算法运算时间较小,能够满足对煤尘浓度实时精确测量的要求。     

基于CNN的康普顿背散射图像中违禁品分割方法

康普顿背散射(CBS)技术是一项较新的射线安检技术,可以提高复杂背景下安检设备对爆炸物等有机违禁品的探测力度,这其中一个重要环节就是图像中违禁品的分割问题.本文提出了一种基于细胞神经网络(CNN)的CBS图像滤波及分割方法,在此基础上又提出了一种基于CNN和数学形态学的孤立点滤除方法,并对这两种方法进行了详细分析,给出...     

基于最大后验概率的SAR图像目标分割算法

文中使用最大后验概率(MAP)分类方法实现合成孔径雷达(SAR)图像目标分割,并与基于偏微分方程(PDE)的各向异性扩散(AD)过程结合起来,使MAP分类准则得到更好的分割结果。AD过程是作用在后验概率上的空域滤波器,具有高效、精确和简洁的优点,并对图像数据的分布特性具有很强的适应性。这种方法需要先将图像从灰度域转化到后验概率域,因此需要对像素灰度分布进行条件概率分布建模,并进行参数估计。文中巧妙的使用有限混合高斯分布模型来逼近条件概率分布,并用期望最大化(EM)方法用来实现参数估计。在引入这种新奇的混合高斯分布模型后,基于MAP-AD的分割算法对地面SAR图像获得了很好的分割结果并对图像灰度分布具有很强的鲁棒性。     

视频对象分割中基于Gibbs随机场模型的时空分割结合方法

本文提出了一种基于Gibbs随机场模型的时空分割结合方法 ,用于视频对象的分割 .该方法为每一帧图像的分割模板建立Gibbs随机场模型 ,将时间域分割结果作为初始标记场 ,空间域的分割结果作为一个图像观察场 ,然后利用Gibbs模型的约束条件将二者结合起来 ,得到该帧最后的分割标记场 .实验结果表明 ,这种时空结合方法可以较好地避免以往的比重法过分依赖于空间域分割精度的问题 .     

视频对象分割中基于Gibbs随机场模型的空分割结合方法

本文提出了一种基于Gibbs随机场模型的时空分割结合方法,用于视频对象的分割.该方法为每一帧图像的分割模板建立Gibbs随机场模型,将时间域分割结果作为初始标记场,空间域的分割结果作为一个图像观察场,然后利用Gibbs模型的约束条件将二者结合起来,得到该帧最后的分割标记场.实验结果表明,这种时空结合方法可以较好地避免以往的比重法过分依赖于空间域分割精度的问题.     

视网膜OCT B-scan图像分割算法综述

依靠光学相干层析(OCT)技术能够获得清晰的视网膜结构图,对于视网膜病变的诊断具有重要的意义。文章回顾了既往研究中典型的视网膜OCT B-scan图像分割算法,根据算法的输出特征,将其分为视网膜边界提取法和视网膜层提取法两类,旨在明确不同的方法获取信息的差异性,为视网膜病变诊断提供参考。     

结合均值漂移与最小生成树的图像分割算法

为了提高均值漂移(MS)分割算法的运行效率,提出了一种结合MS与最小生成树(MST)的图像分割方法,简称MS-MST方法。首先选取较小的空间带宽参数,以较快的速度对图像进行MS分割,得到过分割图像;然后,以过分割区域作为后续处理的基本单元,构造加权区域邻接图,运用MST算法对其进行合并,得到最终的分割结果。实验结果表明,本文算法在保证图像分割质量的前提下,大幅提高了经典MS算法的分割速度。     

基于SVM能量模型的改进主动轮廓图像分割算法研究

为克服经典主动轮廓模型曲线内外区域能量定义在复杂目标与背景分布情况下的不足,本文将高效的支持向量机有监督学习分类器引入基于Mumford-shah模型的主动轮廓图像分割算法中,提出了基于SVM能量模型的改进主动轮廓图像分割方法.该方法首先利用支持向量机的分类结果对于封闭曲线的内外区域分别构造了一种新的图像能量表示方法,因为分割过程充分利用了有监督学习策略,使得本文提出的算法具有更高的稳定性和更加广泛的适用范围,特别是对目标灰度分布不均或存在多纹理的目标也可以得到较好的分割结果.分割时,首先利用SVM实现粗分割得到目标初始轮廓,然后利用改进的Mumford-shah主动轮廓模型进行精确分割,采用粗分割策略一方面可以大大提高分割速度,另一方面也可以提高了算法的自动化程度.对比实验结果表明本文提出的算法具有更大灵活性和更好的分割性能.     

基于LVE和ARG算法的冠状动脉分割

为克服传统区域生长方法中容易发生的欠分割和过分割现象,引入局部图像分析技术,设定一系列感兴趣区域(ROI),对冠状动脉的多层螺旋CT(MSCT)图像进行分割。首先应用基于Hessian矩阵的局部血管增强(LVE)滤波,提升图像的对比度;随后采用自适应性区域生长(ARG)算法,并对阈值适时调整。分割后的局部图像经过全局融合得到整体冠脉树。算法综合了图像的局部形状信息和灰度信息,确保了分割结果的准确性和完整性。实验结果表明,算法对左前降支(LAD)、左回旋支(LCX)、对角支(Diag)及右冠状动脉(RCA)均有较好的分割效果。