共查询到19条相似文献,搜索用时 171 毫秒
1.
医学图像处理技术随着深度学习的兴起而飞速发展。基于深度学习的医学图像分割技术成为了分割领域的主流方法,弥补了传统分割方法分割精度不足的缺点,已被应用到一些病理图像的分割任务中。文中对近年来出现的基于深度学习的分割方法进行了介绍和对比,重点综述了U-Net及其改进模型在分割领域的贡献,归纳了常见的医学图像模态、分割算法的评价指标和常用分割数据集,并对医学图像分割技术的未来发展进行了展望。 相似文献
2.
图像分割是图像处理到图像分割的关键步骤,更是图像处理与计算机视觉的基本问题之一,它设计到许多其它的学科和领域,然而,由于是一个较新的研究方向,理论体系还不够成熟,迄今尚无通用的分割算法。自组织理论是当今研究的热点问题之一,已涉及到系统学、热力学、统计力学等诸多研究领域。本文站在自组织理论的角度,对常见图像分割方法做了进一步的分析和研究。 相似文献
3.
医学图像配准是图像处理和计算机视觉中一个很重要的研究领域.首先分析医学图像配准的四个关键要素,然后着重从变换模型、相似性度量两个方面探讨了医学图像配准技术的发展,最后提出医学图像配准中有待进一步研究的问题. 相似文献
4.
5.
随着我国经济发展水平的不断提高,基于计算机视觉图像分割技术不断发展与进步,使图像处理更加高效、便捷.当前,图像分割方法已经非常多样,可以分为基于灰度与梯度的经典图像分割、融合先验证知识的图像分割、彩色图像分割等,由此可见,图像分割不断朝着智能化方向发展,图像分割的处理能力也在不断增强. 相似文献
6.
残差神经网络(ResNet)是近几年来深度学习研究中的热点,在计算机视觉领域取得较好成就.本文对残差神经网络从以下几个方面进行总结:第一,阐述残差神经网络的基本结构和工作原理;第二,在模型发展方面,以时间为顺序总结了残差神经网络的8种网络模型;第三,在结构优化方面,从残差神经网络的卷积层、池化层、残差单元、全连接层以及整个网络5个方面进行总结;最后,将ResNet应用到医学图像处理领域,主要从图像识别和图像分割2个方面探讨.本文对残差神经网络的原理、模型、结构进行了系统地总结,对残差神经网络的研究发展具有一定的积极意义. 相似文献
7.
关于医学图像分割的综述 总被引:1,自引:0,他引:1
医学图像分割是医学图像处理中最基本和最重要的技术,其目的是把图像空间分割成一些有意义的区域.医学图像分割技术的发展决定着医学图像处理中其它相关技术的发展.本文在大量阅读国内外近期文献的基础上,对近年来医学图像分割技术的发展进行了分类综述. 相似文献
8.
关于图形图像处理的问题一直是多年来研究的话题,在信息技术高速发展的今天,图像的处理已应用到社会的各个领域。图像分割就是为了某一特定目的,通过一定的方法把图像按照其特征分成各具特性的区域,提取出感兴趣目标的技术和过程,进而再对目标区域进行研究。它是图像处理、模式识别和人工智能等多个领域中的关键课题,也是计算机处理视觉技术的首要的、关键的关键步骤。图像分割的应用非常广泛,几乎出现在关于图像处理的所有领域。因此,从20世纪60年代以来,图像分割一直都是图像研究技术的热点。 相似文献
9.
10.
红外与可见光图像融合是图像融合领域的重要分支。将红外与可见光传感器获取的图像进行互补融合,融合后的图像既具有红外图像的整体信息又具有可见光图像的细节信息,并广泛应用于日常生活和军事领域。由于深度学习在计算机视觉和图像处理领域具有显著优势,因此将深度学习框架应用于红外与可见光图像融合领域成为近年来的研究热点。本文首先根据融合算法的特点及原理,对现有基于深度学习框架的融合算法进行分类概述,并详细介绍算法的研究进展;其次,对图像融合领域的评价指标进行介绍;再次,选取不同分类中的典型算法进行融合试验,利用六种评价指标对实验结果进行评价;最后,分析总结融合算法存在的缺陷,对红外与可见光图像融合算法的发展方向进行展望。 相似文献
11.
12.
模糊聚类算法(Fuzzy C-Means,FCM)是一种基于软划分的聚类过程,已被广泛应用于机器学习、图像处理和计算机视觉等领域.虽然当前已涌现出大量关于FCM的图像分割算法,但仍然面临诸多挑战.本文将基于FCM的图像分割算法归纳为三类:基于空间邻域信息的FCM算法、基于直方图信息的快速FCM算法及基于维度加权的FCM算法.首先系统分析和阐述了各类FCM算法的研究现状,然后通过实验分析各类算法的性能,最后总结了FCM算法在图像分割中存在的问题以及将来的研究方向. 相似文献
13.
近年来,深度学习在计算机视觉领域中的表现优于传统的机器学习技术,而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据,且无法满足人们对图像分类精度和速度的要求,而基于深度学习的图像分类方法突破了此瓶颈,成为目前图像分类的主流方法。从图像分类的研究意义出发,介绍了其发展现状。其次,具体分析了图像分类中最重要的深度学习方法(即自动编码器、深度信念网络与深度玻尔兹曼机)以及卷积神经网络的结构、优点和局限性。再次,对比分析了方法之间的差异及其在常用数据集上的性能表现。最后,探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。 相似文献
14.
图像分割是图像处理的重要步骤,是计算机视觉的基础,是模式识别与图像理解的重要组成部分。由于光照不均匀而形成的灰度图像,采取单一的分割方法不能获得良好的分割结果,为此,采用综合集成的方法对此类图像进行分割,并用数学形态学的运算对分割结果进行处理,改善了分割效果。试验结果表明,基于综合集成和数学形态学的分割方法能有效地分割这一类图像,获得良好的分割结果。 相似文献
15.
16.
图像分割作为图像处理中最基础的研究领域之一,占有很重要的地位,是大多数图像分析和处理的不可替代并且是首要步骤的一个基础环节,在理论研究和实际应用中都得到了人们广泛指重视,目前已提出了多种不同的图像分割方法,总体上来说这些算法主要建立在基于图像本身的相似性上,在许多应用领域都获得了成功,但是没有一种方法适用于所有的图像。分水岭算法近年来得到比较广泛的应用,此次研究中用基于形态学的分水岭分割方法对图像处理,进行仿真,与其他方法相比可以较好的分割对象。 相似文献
17.
图像指代分割作为计算机视觉与自然语言处理交叉领域的热点问题,其目的是根据自然语言描述在图像中分割出相应的目标区域。随着相关深度学习技术的成熟和大规模数据集的出现,这项任务引起了研究者的广泛关注。本文对图像指代分割算法的发展进行了梳理和分析。首先根据多模态信息的编码解码方式,将现有图像指代分割算法分成基于多模态信息融合和基于多尺度信息融合两类进行了系统阐述,重点介绍了基于CNN-LSTM框架的方法、结构复杂的模块化方法和基于图的方法;然后,对用于图像指代分割任务的典型数据集和主流评价指标进行了总结与统计;之后,通过实验综合比较了现有的图像指代分割模型之间的性能差异并进一步验证了各种模型的优缺点。最后,对这一领域现有方法中存在的问题进行讨论分析,并对未来的发展方向进行了展望,表明了针对复杂的指代描述,需要通过多步、显式的推理步骤来解决图像指代分割问题。 相似文献
18.
19.
Application of convolutional neural networks (CNNs) for image additive white Gaussian noise (AWGN) removal has attracted considerable attentions with the rapid development of deep learning in recent years. However, the work of image multiplicative speckle noise removal is rarely done. Moreover, most of the existing speckle noise removal algorithms are based on traditional methods with human priori knowledge, which means that the parameters of the algorithms need to be set manually. Nowadays, deep learning methods show clear advantages on image feature extraction. Multiplicative speckle noise is very common in real life images, especially in medical images. In this paper, a novel neural network structure is proposed to recover noisy images with speckle noise. Our proposed method mainly consists of three subnetworks. One network is rough clean image estimate subnetwork. Another is subnetwork of noise estimation. The last one is an information fusion network based on U-Net and several convolutional layers. Different from the existing speckle denoising model based on the statistics of images, the proposed network model can handle speckle denoising of different noise levels with an end-to-end trainable model. Extensive experimental results on several test datasets clearly demonstrate the superior performance of our proposed network over state-of-the-arts in terms of quantitative metrics and visual quality. 相似文献