基于三维上下文的图像几何分割方法

图像分割是计算机视觉中最基本的前期准备工作,也是由图像处理到图像分析的关键步骤。传统图像分割方法得到的结果往往是不具有几何意义的独立区域,而现有的几何分割方法分割准确率较低。本文提出一种基于三维上下文的场景图像几何分割算法,将场景图像的三维上下文信息成功应用到图像的几何分割中。实验表明,利用这种方法对图像进行几何分割具有较高的准确率。     

背景自适应的GrabCut图像分割算法

图割用于图像分割需用户交互,基于激光雷达传感器,提出了阈值法得到目标的外截矩形,再映射到图像完成交互.针对GrabCut算法耗时、对局部噪声敏感和在复杂背景提取边缘不理想等缺点,提出了背景自适应的GrabCut算法,即在确定背景像素中选取可能目标像素邻近的一部分像素作为背景像素,使背景变得简单,尤其适用于前景像素在整幅图中所占比例较小和在目标像素周围的背景相对简单的情况.实验结果表明,所提算法与GrabCut算法相比,减少了图的节点数,降低了错误率,有效的提高了运行效率,提取的目标边缘信息更加完整、平滑.     

指纹图像的高效分级分割算法

文章中提同了一种新的指纹图像分割算法，引入分级分割的观点，首先从图像中分割得到完整的指纹区域，然后从指纹区域中提取出清晰的指纹区域和受噪声干扰但可恢复的指纹区域。区域生长被引入到第一级分割中，使算法更具鲁棒性，与两种重要的指纹图像分割算法相比较，分级分割算法对不同类型的指纹图像都能精确地进行分割，是一种高效自适应的指纹图像分割算法。     

结合上下文编码与特征融合的SAR图像分割

目的 图像分割的中心任务是寻找更强大的特征表示,而合成孔径雷达(synthetic aperture radar, SAR)图像中斑点噪声阻碍特征提取。为加强对SAR图像特征的提取以及对特征充分利用,提出一种改进的全卷积分割网络。方法 该网络遵循编码器—解码器结构,主要包括上下文编码模块和特征融合模块两部分。上下文编码模块(contextual encoder module, CEM)通过捕获局部上下文和通道上下文信息增强对图像的特征提取;特征融合模块(feature fusion module, FFM)提取高层特征中的全局上下文信息,将其嵌入低层特征,然后将增强的低层特征并入解码网络,提升特征图分辨率恢复的准确性。结果 在两幅真实SAR图像上,采用5种基于全卷积神经网络的分割算法作为对比,并对CEM与CEM-FFM分别进行实验。结果显示,该网络分割结果的总体精度(overall accuracy, OA)、平均精度(average accuracy, AA)与Kappa系数比5种先进算法均有显著提升。其中,网络在OA上表现最好,CEM在两幅SAR图像上OA分别为91.082%和90...     

结合各向异性中值扩散的PET图像重建算法

为了有效提高正电子发射断层成像图像的质量,通过把各向异性中值扩散滤波器融合到中值根先验算法中,提出了一种新的基于Bayesian理论的图像重建算法。新算法的每次迭代过程都可以分为两步:首先用各向异性中值扩散滤波器抑制重建图像中的噪声;然后用中值根先验算法重建图像。仿真实验结果表明,在正电子发射断层成像中,新算法不仅能有效地抑制噪声,还能精确地保护图像的边缘。此外,与其他类似算法相比,新算法吸收了各向异性中值扩散滤波器的优点,在迭代过程中对梯度阈值和扩散次数不敏感,易于实现,实用性强。     

结合上下文注意力的卷积自校正图像语义分割

针对现有图像语义分割中存在小目标对象分割精度不高等问题,提出一种结合上下文注意力的卷积自校正图像语义分割模型.使用上下文注意力机制挖掘局部区域内细粒度特征,结合上下文循环神经网络和残差学习充分挖掘图像的深层隐含语义特征;构建辅助分割模型,在给定图像和边界框注释的情况下生成每像素的标签分布,提出卷积自校正模型,实现分割模...     

基于GrabCut改进算法的服装图像检索方法

为了消除服装图像背景的影响,针对目前的GrabCut算法存在对图像局部像素值的变化敏感、时间开销大、边缘不准确等问题,提出了改进的GrabCut算法。在改进算法中,通过对梯度图像使用多尺度分水岭去噪增强了图像的边缘信息,减少了后续处理的计算量;通过采取熵惩罚因子最优能量函数减少了检索图像的有效信息丢失。将改进后的GrabCut算法引入基于内容的服装图像检索系统中,实验结果表明与同类方法相比,所提方法在检索显示准确性以及检索的平均查准率和查全率方面均有明显的提升。     

改进预训练编码器U-Net模型的PET肿瘤自动分割

目的 为制定放疗计划并评估放疗效果,精确的PET（positron emission tomography）肿瘤分割在临床中至关重要。由于PET图像存在低信噪比和有限的空间分辨率等特点,为此提出一种应用预训练编码器的深度卷积U-Net自动肿瘤分割方法。方法 模型的编码器部分用ImageNet上预训练的VGG19编码器代替;引入基于Jaccard距离的损失函数满足对样本重新加权的需要;引入了DropBlock取代传统的正则化方法,有效避免过拟合。结果 PET数据库共包含1 309幅图像,专业的放射科医师提供了肿瘤的掩模、肿瘤的轮廓和高斯平滑后的轮廓作为模型的金标准。实验结果表明,本文方法对PET图像中的肿瘤分割具有较高的性能。Dice系数、Hausdorff距离、Jaccard指数、灵敏度和正预测值分别为0.862、1.735、0.769、0.894和0.899。最后,给出基于分割结果的3维可视化,与金标准的3维可视化相对比,本文方法分割结果可以达到金标准的88.5%,这使得在PET图像中准确地自动识别和连续测量肿瘤体积成为可能。结论 本文提出的肿瘤分割方法有助于实现更准确、稳定、快速的肿瘤分割。     

基于小波分形的图像分割算法

皮鞋内腔的自动测量是当今国内外都没有解决的难题。国外通常采用接触式测量,用传感器与皮鞋内腔接触获得数据。这种测量方法存在精度不高的缺点。重庆大学ICT中心在多年ICT研究的基础上提出了用工业CT来解决长期困扰皮鞋工业的难题。皮鞋内腔CT测量仪获得皮鞋的断面图像以后,由于工业CT通过断层扫描获得的图像通常会产生伪影见图1,它是图像中与被检物的物理参数分布没有对应关系的部分,因此图像质量不是非常理想,要对重建出来的图像进行准确的分割,才能够根据分割后的图像进行测量,进而根据多个断面的     

基于MS-FCM算法的MR图像分割方法

针对传统模糊C-均值(FCM)聚类算法在分割低信噪比图像时准确性较差的问题,提出一种用于MR图像分割的改进算法MS-FCM。针对脑部MR图像相邻像素属于同一分类的模糊隶属度相近的特性,在迭代过程中对隶属度数据集进行滤波,以降低噪声对聚类精度的影响。模拟脑部MR图像和临床脑部MR图像的分割实验证明,该算法可以提高图像分割精度。     

一种基于情景感知的学习服务发现算法

化学计算模型是基于化学反应和计算之间比喻的并行计算模型,其内在的并行性及不确定性可以有效地消除与计算逻辑本身无关的人为顺序性,从而能够以更为直观和抽象的方式来描述并行计算。但也正是由于其内在的并行性和高层抽象性,使得特定的控制机制难以描述。高阶化学编程语言是对传统化学计算模型的扩展和泛化,在保留传统化学计算特征的同时,不仅可以有效地描述传统的控制机制,也可以方便地定义新的控制机制。通过从简单面向对象语言到高阶化学语言的转换,给出了面向对象语言的一种化学语义描述,提供了一种描述面向对象系统的新视角,也为结合面向对象编程和化学编程提供了一种可能。     

基于上下文相关的最大概率汉语自动分词算法

提出了一种新的汉语自动分词算法,其主要思想是通过前后两次对文章的扫描来解决分词过程中出现的交叉歧义问题,介绍了一种新的有效的字段切分算法,它能够排除类似穷举算法中冗余的单字词的切分可能。     

改进的K均值聚类算法彩色图像分割的研究

针对传统K均值聚类算法在彩色图像分割中受K值和初始聚类中心影响较大等问题。在基于图像子块划分的基础上给出了一种k值和初始聚类中心确定方法,并用区域生长算法对聚类后的子块进行块后处理,利用提出的算法对多幅自然图像进行了分割实验,并与相似的分割方法进行了比较实验,给出了详细的实验结果与分析。实验表明该方法分割速度快,效果好,具有较高的实用价值。     

费歇算法在彩色图像分割中的应用

费歇算法是一种优良的线性判决方法，适用于很多分类场合。本文简要介绍了费歇算法的原理，结合实例说明了利用费歇算法分割彩色图像的方法和步骤。分割结果表明，费歇算法能有效地对彩色图像进行分割，取得比较好的效果。     

基于HC-CFCN模型的肝脏CT图像分割

在计算机断层扫描(CT)图像中肝脏与相邻器官灰度值近似,且不同患者的肝脏轮廓存在差异性,导致肝脏CT图像的精确分割成为医学图像处理中的难题之一。为实现肝脏CT图像的自动分割,构建一种层间上下文级联式的全卷积神经网络模型HC-CFCN。利用第1级网络实现肝脏轮廓的粗略分割,并将其分割结果与原始CT图像、肝脏能量图共同作为第2级网络的输入,优化分割结果。在LiTS数据集上的实验结果表明,与U-Net、FCN+3DCRF和V-Net模型相比,HC-CFCN模型的分割精度较高。     

基于K均值聚类的彩色图像快速分割方法

为克服K均值聚类算法大幅图像分割时运算代价太大、耗时长等问题,论文在K均值聚类算法的基础上,结合块矩阵、查找表技术提出了一种快速彩色图像分割方法.对大量彩色图像的分割实验表明,新算法比传统的K均值聚类算法快了一个数量级,并且该算法产生了较好的分割结果.     

基于小波变换的GrabCut图像分割

研究 GrabCut 是以迭代能量优化算法为基础,以颜色和纹理为特征,从背景图像中提取出目标的图像分割算法。但该方法速度较慢,为了达到实时应用的目的,提出了一种基于小波变换的 GrabCut 图像分割方法。该方法首先对原始图像进行小波变换的图像压缩,使得原始图像的分辨率降低,然后在压缩后的图像上迭代GrabCut算法,最后将收敛获得的目标区域作为原始图像初始值,再次使用GrabCut算法在原始图像上进行迭代,从而提取出目标。实验结果证明该算法提高了图像目标的提取速度,并保持图像目标的特征基本不变。     

红外遮挡人体目标模板图像的Mean Shift分割算法

提出了一种红外图像中遮挡人体目标的分割方法。首先通过传统的阈值选取方法或直方图聚类等红外图像分割的方法,获取遮挡区域目标的二值化模板。用目标像素在模板中的相对行列坐标作为特征集使用Mean Shift算法分别计算各像素在行列方向的收敛位置并使用复数向量进行联合表达,再次以所有的复数向量作为特征集进行Mean Shift聚类,根据各像素位置对应的复数向量所属类别对其进行划分,完成遮挡目标的分割。与分水岭算法相比,该算法的分割结果完整保留了目标模板的外形,并且可以通过Mean Shift 带宽参数的选择完成不同精细程度的分割。     

基于遗传算法的胸部CT图像肺组织分割

肺组织分割是肺结节检测、肺功能定量分析、三维重建与可视化计算等胸部CT图像分析处理的基础。该文采用了一种基于遗传算法的边缘检测方法直接分割原始胸部CT图像的肺组织,利用遗传算法的全局寻优能力,以最大类间方差为适应度函数自动搜索最佳边缘检测阈值,并结合形态学处理提取肺组织边缘以实现肺组织分割。实验结果表明,该方法能简化分割处理,且分割效果较好,有不错的应用前景。