基于LGDF模型的粥样硬化斑块HRMR图像分割

颅内动脉粥样硬化斑块可视化对颅内动脉粥样硬化疾病(ICAD)的辅助诊断与治疗具有重要意义。颅内动脉血管及斑块的分割结果将直接影响三维可视化效果。由于高分辨率核磁共振(HRMR)图像灰度分布不均匀、动脉血管结构复杂、目标边界模糊等原因,导致颅内病变动脉血管及斑块的定位与分割困难。局部高斯分布拟合(LGDF)模型可以准确分割灰度分布不均匀图像,但是对初始轮廓较敏感。针对上述问题,提出基于数学形态学修正阈值分割结果的方法,以实现初始轮廓的自动提取。利用阈值法,实现斑块的定位与预分割;通过数学形态学,进行细分割;将斑块的分割结果作为LGDF模型的初始轮廓,实现动脉血管的自动分割。对23组试验数据进行处理,斑块与动脉血管的平均分割精度分别达到93. 95%和96. 62%。试验结果表明:该方法能够准确定位和分割斑块,较好地避免了毗邻动脉血管的干扰,成功地分割出病变的颅内动脉血管。该方法在分割精度和效率上都优于单一的LGDF模型,具有较好的实用性。后期的三维可视化不仅可以用于脑血管狭窄患者的临床诊断与评估,还能进一步引导颅内斑块介入手术。     

动态相对模糊区域生长算法

为了提高区域生长的分割精度和模糊连通度算法的运算速度,减少算法所需的人工干预和种子点选取对分割结果的影响,提出了一种融合区域生长和改进模糊连通度,并结合置信区间和区域竞争方法,用于医学图像分割的动态相对模糊区域生长算法.首先算法使用置信区间区域生长快速地得出初步的多个对象分割结果,然后利用置信区间的参数,对分割区域间重叠部分使用动态相对模糊连通度算法进行再分割.通过在大量医学图像上的实验,实现了复杂背景下的图像分割.实验结果表明,该算法所需交互少,并能提高分割精度和速度.     

颅内异常声压干扰下脑瘫病变区域分割仿真

研究脑瘫病变医学图像边缘准确分割问题.脑瘫病变医学图像受到颅内声压的干扰,在采集过程中对病变区域特征属性形成干扰,造成病变区域特征边缘模糊化.传统算法在随机声压干扰下的脑瘫病变医学图像特征边缘模糊,无法形成有效的约束,造成病变区域分割精度下降.为提高精度,提出利用GCA演化模型的脑瘫病变区域分割方法.采集脑瘫病变区域图像,计算图像中不同像素的关联性,为克服干扰,对图像像素进行碰撞运算,实现脑瘫图像边缘增强.计算SUSAN检测算子,获取GAC演化模型,对获取的结果进行抗干扰处理,实现脑瘫病变区域分割.实验结果表明,利用改进算法进行脑瘫病变区域分割,能够避免颅内异常声压的干扰,为临床诊断提供依据.     

一种在低照度情况下自适应滤波牌照定位算法

提出一种在低照度情况下进行自适应滤波牌照定位算法.该方法首先设计一种×字形窗口的自适应中值滤波改进算法,对车牌灰度图像进行中值滤波滤除噪声.接着采用Sobel边缘检测器进行车牌边缘检测;再将Sobel算子卷积结果采用最大类间方差法阈值分割算法对图像进行预分割,将图像分割为目标和背景;接着采用模糊分割方法求得最终分割阈值...     

结合分水岭和互信息的医学图像自适应分割方法

针对现有的改进分水岭算法中对弱边界分割精度不高、计算复杂及梯度谷底阈值不能自适应选取等缺点,提出一个结合互信息的自适应医学图像分割方法。首先通过形态学滤波和高斯平滑滤波来增强图像的边缘区域和抑制图像噪声;然后经过多尺度形态学梯度的谷底填充算法来减少分割区域块数,同时利用基于数学形态学的多元图像边缘检测算法来提取图像的边缘对获得的梯度图像进行修正;通过引入互信息量对填充的阈值进行自适应调整实现控制分割区域的数量,最后实现自动优化分割。实验结果表明,该方法最大程度保留了图像的弱边缘信息,参数选取更加合理,自适应程度提高。     

基于自适应射线群的图像边缘检测算法

对于存在大量噪声、目标边界模糊且粘连的浮选泡沫类图像,分水岭及阈值法难以准确分割。为此,提出自适应射线群算法检测泡沫边缘,仅访问图像一次,即实现种子区域的提取。去噪后,从种子区域的几何中心位置对称发射出多条射线,根据射线的灰度分布曲线自适应提取泡沫的边缘,并修正边缘。实验结果表明该算法可解决分水岭算法的过分割及不准确分割等问题。     

改进的模糊C-均值聚类医学图像分割算法

针对模糊C-均值聚类算法分割图像时容易产生模糊边缘的缺点,提出了一种结合图像梯度和模糊C-均值聚类的图像分割方法.该方法利用图像梯度反映出来的目标边界,对由模糊C-均值聚类所获得的聚类区域进行分割,把因模糊性而划分到目标区域的像素点与目标区域进行分离,同时利用区域增长方法找出干扰区域并删除.将该算法应用到胰腺ERCP图像分割,实验表明,改进算法能够比较准确地分割出图像中的目标,减少因模糊聚类产生的模糊边缘.     

基于自适应标记提取和能量方程的分水岭算法

针对传统分水岭算法的过分割问题,提出一种基于自适应标记提取和能量方程的改进算法。根据图像中的边缘信息和图论方法,得到最短边缘路径,从而自适应地提取出区域标记,进行分水岭变换,用提出的能量方程实现区域合并。利用医学细菌图像对提出的算法进行验证,实验结果表明该算法能有效解决分水岭算法的过分割问题,得到很好的分割效果。     

区域生长法在PCB元件分割中的应用

针对PCB图像中元件区域的提取,提出一种基于种子窗口和自适应生长阈值的区域生长算法,实现元件的自动分割.算法改进了以往区域生长算法中种子点的选取方法,并以初始种子点附近区域的统计值和已生长区域的特征相结合的方法自动确定生长阈值,分割过程兼顾元件的局部特征和全局特征.实验结果表明,基于种子窗口和自适应生长阈值的改进区域生长法具有较好的分割效果.     

新的模糊边缘检测算法及在煤车定位中的应用

针对煤车智能取样对车厢定位的要求,提出了一种改进的模糊边缘检测算法.该算法通过阈值计算分段定义隶属度函数模糊特征,使图像目标区域边缘的灰度级达到较大增强,适合对较大目标区域(车厢)的多级灰度图像边缘检测;另外,该算法根据边缘的一般特征及不同的灰度区域自适应地选取算法参数,实时性好.工程应用表明,该方法在车厢边缘检测中,精度高、实时性强,能满足实际需要.     

基于RPCA和视觉显著性的风机叶片表面缺陷检测

摘 要：针对风机叶片表面缺陷检测问题,提出了一种基于鲁棒主成分分析(RPCA)和视觉 显著性的表面缺陷检测方法。在 RPCA 的基础上,通过增加噪声项和考虑像素的空间关系,以 利于缺陷的分割,即通过 F 范数正则项抑制高斯噪声和光照不均,利用 Laplacian 正则项约束像 素的空间关系,以保持显著图中具有相似显著值且空间相邻超像素的局部一致性和不变性。首 先,对输入的风机叶片表面图像进行超像素分割和特征提取,得到图像的特征矩阵;然后,利 用改进的 RPCA 法得到稀疏矩阵,根据稀疏矩阵和视觉显著性方法计算出缺陷区域的显著图; 最后,优化显著图并采用自适应阈值分割实现缺陷的检测。通过实验仿真和对实验结果定性定 量分析,表明该方法具有较高的准确率。     

基于图割精细化和可微分聚类的无监督显著性目标检测

针对传统显著性检测算法分割精度低以及基于深度学习的显著性检测算法对像素级人工注释数据依赖性过强等不足,提出一种基于图割精细化和可微分聚类的无监督显著性目标检测算法。该算法采用由“粗”到“精”的思想,仅利用单张图像的特征便可以实现精确的显著性目标检测。首先利用Frequency-tuned算法根据图像自身的颜色和亮度得到显著粗图,然后根据图像的统计特性进行二值化并结合中心优先假设得到显著目标的候选区域,进而利用基于单图像进行图割的GrabCut算法对显著目标进行精细化分割,最后为克服背景与目标极为相似时检测不精确的困难,引入具有良好边界分割效果的无监督可微分聚类算法对单张显著图做进一步的优化。所提出的算法在ECSSD和SOD数据集上进行测试并与现有的7种算法进行对比,结果表明得到的优化显著图更接近于真值图,在ECSSD和SOD数据集上分别实现了14.3%和23.4%的平均绝对误差（MAE）。     

冷轧带钢边部孔洞缺陷的检测方法研究

针对冷轧带钢边部孔洞缺陷信息的提取问题,综合在线检测和离线精确提取缺陷信息两方面进行了方案设计。首先在在线检测模块提出了一种自适应区域生长算法对图像进行分割,该法通过最佳熵法与形态学处理相结合实现种子点的自动选择,以替代传统算法中种子点的人工选取,以区域生长结果中最大连通体的面积判断是否存在缺陷;然后在离线模块,分别用块投影直方图匹配特征与Tamura纹理特征对缺陷图像进行缺陷信息提取,综合两种缺陷提取结果,得到缺陷详细信息。针对多幅图像采用提出的算法进行检测,在线部分具有较高的处理速度和缺陷判别率,离线部分实现了对缺陷图像中孔洞个数、每个孔洞面积及位置的定量估计。     

基于目标轮廓增强的GrabCut图像分割方法

针对传统GrabCut算法需要人工初始化而引起图像分割效率低的问题,结合目标轮廓增强技术,提出一种自动GrabCut算法。首先对图像进行谱残差计算,以获取目标轮廓增强的视觉显著图;其次,对显著图进行预分割并通过快速连通区域分析进行前景估计并获取掩膜,将获取的掩膜代替人工交互初始化GrabCut算法,最后实现自动分割。实验结果表明,该方法克服了手动的缺点,并在处理前后景颜色相似的图像时,分割结果要优于传统方法。     

基于边缘检测的SAR图像自适应区域分割

受相干斑噪声影响,合成孔径雷达（Synthetic Aperture Radar,SAR）图像成像质量低,目标判读困难。针对传统方法对SAR图像分割存在噪声敏感、细节缺失、过度分割等问题,提出一种基于边缘检测的SAR图像自适应区域分割方法。首先引入双边滤波构建级联滤波器,对SAR图像进行保边抑噪;然后建立基于纹理复杂度的阈值估算模型,实现阈值自适应目标SAR图像边缘检测;最后提出基于边缘特征的自适应区域生长分割方法,较好解决了传统区域生长算法对SAR图像分割时出现的过度生长和过度分割之间的矛盾问题。该方法综合利用了SAR图像二维熵、边缘灰度信息、区域灰度信息,实现了对单极化目标SAR图像的自动分割。实验表明,相较于其他传统分割方法,该方法保边抑噪能力更强,目标细节检测更准确,较好解决了SAR图像过分割问题。     

结合显著性检测和中心分割算法的文本检测方法

针对复杂背景下的文本检测问题,提出了显著性检测与中心分割算法相结合的文本检测技术。对于输入的图像,首先分别使用前景与背景作为标准的显著性检测方法,背景检测时将图像的四边分别作为基准,前景检测时将背景检测中得到的非背景区域作为基准,最终可得到较准确的备选文本区。然后使用中心分割算法,得到精确的边缘图。由于显著性图备选区域准确边缘细节缺失,而边缘图边缘精确但无法得出备选文本区,因此将两者进行融合处理,得到最终文本区域。实验表明,所提出的方法有较好的检测效果。     

结合显著性和边缘信息的水平集图像分割方法

针对 LBF 模型对初始轮廓的依赖性和对边缘的弱控制能力,研究了一种结合显著性和边缘信息 的水平集图像分割方法。首先,结合小波分析理论,基于视觉注意机制构造图像显著图;然后,利用小波分解 所描述的图像边缘信息,构造边缘检测函数,同自适应初始轮廓一起引入到 LBF 水平集模型中,并用有限差 分法进行数值求解。实验结果表明,提出的图像分割方法能有效降低初始轮廓位置对活动轮廓模型的影响,对 合成图像、自然图像均有较好的分割结果,相较于其他传统方法具有更高的演化效率和分割质量。     

基于目标识别与显著性检测的图像场景多对象分割

提出了一种基于目标识别与显著性检测的图像场景多对象分割方法。该方法的步骤包括:在图像训练集上训练语义对象的检测器,用来检测输入图像中对象的位置,标定对象的包围盒;对输入的图像进行过分割处理,得到超像素集合,根据包围盒的位置和超像素的语义概率值计算兴趣区域;在3种稠密尺度上进行场景显著性检测,得到输入图像的显著图;在兴趣区域内计算超像素的邻接关系,形成邻接矩阵,构建条件随机场模型,将多对象分割问题转化成多类别标记问题,每一个对象是一种类别;以每个超像素作为场模型的节点,超像素的邻接关系对应场模型中节点之间的连接关系,将显著性和图像特征转化为节点和边的权重值;利用图割算法,在条件随机场模型上进行优化,迭代终止时得到像素的对象标记结果,从而实现对多个对象的分割。实验结果表明该方法效果较好。     

一种基于T-Snake模型的医学图像分割方法

改进的T-Snake算法首先在分水岭法中,对相邻区域以其像素数、灰度均值和灰度方差定义距离,并据其在图像上建立新的连通图,以对图像过度分割而产生的一些过小区域合并;其次,在模型跨边缘时,利用已分割断层图像中模型内部区域的统计特征,用区域生长法获取内点并重新参数化模型,使模型不再跨边缘,以保证模型形变到正确的边缘。算法在MATLAB上验证通过。     

基于自适应区域生长的乳腺肿块分割方法

乳腺X图像中肿块特征的复杂多变,给肿块的分割带来了很大困难,区域生长为肿块分割提供了一种比较可靠的方法。传统的区域生长由于生长次数和准则比较单一,就会出现较多的过生长和欠生长,从而影响其分割精度和可靠性,针对这一问题,提出了一种利用自适应区域生长对乳腺肿块进行分割的方法。对肿块感兴趣区域进行背景去除和领域抑制得到预处理后的图像,利用预处理后图像各像素个数确定区域生长的种子点,再利用肿块图像的梯度分布及变化趋势确定自适应区域生长是否过边缘,从而确定最佳生长准则。实验结果表明,相对于三层地形分割算法及模型分割算法,自适应区域生长算法分割得更准确、可靠。