基于U-net网络的肺部肿瘤图像分割算法研究

肺癌病灶大多具有体积小、形态多变、与胸腔内膜粘连等特点。随着CT扫描技术推广应用,肺部影像数据呈爆炸增长趋势,这给仅能依赖肉眼观察CT图像从而作出判断的影像科医生带来极大的挑战。针对这一问题,笔者提出了一种基于U-net的肺部肿瘤图像自动分割算法来辅助影像科医生作出判断。其具体实现流程为:先以原CT图像和由专业医生分割的图像为基础,将预处理后的图像输入U-net网络进行模型训练,得到训练模型,并用验证集中的图像验证。笔者所提出的U-net神经网络分割模型的JS准确率达到0.885 5。实验结果显示,该方法能有效分割CT图像中的肿瘤区域,且相比于传统算法更加精确高效。     

结合多分支结构和U-net的低照度图像增强

随着夜景拍摄技术的提高,低照度图像增强成为计算机视觉领域一个新的热点。但是由于光照不足、逆光、聚焦失败等因素的影响会导致光照强度不足,导致图像亮度和对比度过低。为了更好地处理低光照图像,提出了一种基于多分支结构和U-net结合的低照度图像增强算法。利用深度残差网络将图片不同层次的特征提取出来进行交叉合并。将得到的图像通过不同深度和结构的U-net进行增强。将U-net增强后的图像进行融合,最终得到了增强后的低照度图像。通过大量的实验表明,运用深度残差网络和U-net,可以更好地进行特征提取,低照度图像增强的效果也更好,很大程度上优于现有的技术。提出的方法不仅在视觉上提高了亮度和对比度,色彩更真实,更加符合人眼视觉系统特性,而且PSNR、SSIM等七项客观图像质量指标在几种算法中都是最优的。     

基于深度学习的弱光图像增强算法研究综述

弱光图像增强旨在使隐藏在黑暗中的信息可见,以提高图像质量,在夜间目标检测和行为识别等计算机视觉任务中广泛应用。首先,从有监督和无监督两个角度出发,梳理了基于深度学习的弱光图像增强代表性算法,结合实现原理分析了其优缺点。其次,总结了常用的训练数据集和测试数据集。最后,讨论了目前已有算法存在的问题和未来可能的发展趋势。     

基于通道注意力机制和U-net的医学图像分割方法

随着人工智能和医学大数据的发展,基于深度学习的医学图像分割技术因具有重要的应用价值和前景,已经成为目前的研究热点.为了增强特征图的语义信息,在U-net网络的基础上引入通道注意力机制,对U-net生成的特征逐通道进行压缩,将压缩后的特征逐通道计算权重,然后将该权重与原始特征相乘得出最终的特征.通过在两个不同器官的医学图像数据集上进行实验,Dice系数相较于原始U-net网络分别提高了2.7％和1.8％,验证了该方法的可行性和有效性.     

弱光环境下仓库搬运机器人抓取控制方法

为精准、稳定、可重复地完成抓取动作,研究了弱光环境下基于稳定轻量级网络的仓库搬运机器人抓取控制方法。首先,针对搬运环境弱光图像,基于稳定轻量级编/解码网络提取抓取区域弱光特征并进行融合处理,获得正常光抓取区域特征;其次,在深度分离融合提取层中,通过处理正常光抓取区域特征,重构深层特征,从而恢复特征提取时丢失的细节信息;再次,在网络输出层内输入重构特征,输出仓库搬运机器人手爪的抓取位姿参数;最后,通过手眼标定得到的搬运目标图像,采集相机坐标系与机器人坐标系的坐标转换关系,将抓取位姿参数转换成仓库搬运机器人抓取控制量,完成对仓库搬运机器人的抓取控制。实验证明,该方法可有效提取搬运目标抓取区域特征,并可有效预测仓库搬运机器人抓取位姿,能完成仓库搬运机器人抓取控制,且抓取精度较高。     

基于U-net的道路缺陷检测

道路是现代交通运输最主要的途径之一,道路缺陷对于道路安全有着巨大威胁。因此准确检测道路缺陷对道路养护修缮具有重要意义。道路缺陷具有低连续性和低对比度的特点,现阶段多采用人工检测方法,检测效率低,人力成本高,且检测人员的安全可能会遭受威胁。随着深度学习的发展,神经网络方法被广泛应用于工程实践。U-net是具有编码器-解码器结构的端到端深度学习模型,对微小对象检测能力强,适用于道路裂缝缺陷检测。利用U-net深度学习网络对道路缺陷进行检测,能提高检测效率,无需人工干预,保证检测人员安全,降低检测的人工成本。实验结果表明,U-net网络在数据集Crack500上的效果优于FCN,Segnet等语义分割网络,在保持较高精度的情况下实现了道路缺陷检测。在此基础上对U-net网络层数进行超参数优化,确定该数据集上的最优U-net网络结构。     

改进U-net的红外影厅图像人数统计方法

为提高针对红外观影图像的人数统计的准确率,提出一种基于U-net的人数统计方法.针对传统前景提取方法泛化能力差的问题,提出一种改进U-Net(IDU-net)前景提取方法,将多个影厅的原图与其前景图像进行端到端训练,实现不同影厅图像的前景提取;再结合改进透视效应校正方法,提取前景面积并建立其与人数的回归关系,得到最终人...     

基于小波变换的低照度图像增强方法

为提高图像中注意力区域提取的准确率,提出基于小波变换技术的低照度图像增强方法。利用特征图和信道注意力模型,提取低照度图像注意力区域。通过小波变换技术对低照度图像进行预处理。引进鲍威尔法增强图像细节,实现整体合成。通过对比实验证明,设计的增强方法提取成功率始终保持在99%以上,并能够有效提高图像中注意力区域提取的准确率,应用效果较好。     

基于U-net的海马体分割研究

基于MRI的海马体分割是对于脑神经疾病的确诊和治疗的基础.现在海马体的分割主要依靠医生的手动勾画实现.这需要花费医生大量的时间和精力,同时人工勾画由于医生的水平、经验的不同,也会造成勾画结果的不准确性和不一致性.提出了一种基于最新深度学习模型U-net的大脑海马体分割算法,该方法可以有效地从MRI中将海马体分割出来,对于提高医生的诊断及治疗效率具有应用意义.     

一种基于MDARNet的低照度图像增强方法

由于低照度环境下所采集的图像存在亮度低、对比度差、出现噪声和色彩失衡等低质问题,严重影响其在图像处理应用中的性能.为了提升低照度图像质量,以获得具有完整结构和细节且自然清晰的图像,结合Retinex理论与卷积神经网络,提出了一种基于MDARNet的低照度图像增强方法,并引入Attention机制模块和密集卷积模块以提升性能.首先,MDARNet利用同时包含二维和一维的3个不同尺度卷积核对图像进行初步特征提取,并用像素注意模块对多尺度特征图进行针对性学习;其次,设计跳跃连接结构对图像进行特征提取,使图像特征被最大限度地利用;最后,用通道注意模块和像素注意模块同时对提取到的特征图进行权重学习和照度估计.实验结果表明：MDARNet能够有效提升低照度图像的亮度、对比度、色彩等;且相较于一些经典算法,该方法在视觉效果及客观评价指标（PSNR,SSIM,MS-SSIM,MSE）能够得到更好的效果.     

基于GAN和U-Net的低光照图像增强算法

夜间、低光照等条件下的产生的图像数据,存在画面过暗、细节丢失的问题,对理解图像内容、提取图像特征造成阻碍.研究针对此类图像的增强方法,恢复图像的亮度、对比度和细节,在数字摄影、上游计算机视觉任务中有着重要的应用价值.本文提出一种基于U-Net的生成对抗网络,生成器采用带有混合注意力机制的U-Net模型,其中混合注意力模...     

基于改进U-net网络的气胸分割方法

气胸是肺部常见疾病之一,目前已有的X线气胸检测方法主要存在两个问题:一是气胸通常与肋骨、锁骨等组织重叠,在临床上存在较大的漏诊情况;二是现有的主流分割算法采用单一或双重阈值策略,导致结果不准确.针对上述问题,提出了一种新颖的气胸分割方法.该方法对胸片进行对比度限制自适应直方图均衡化,去除噪点并还原图像细节;通过以MBC...     

基于低秩矩阵估计的暗光图像增强模型

在暗光或逆光拍照时,获得的图像常常出现过暗或光照分布不均的现象,导致图像视觉质量较差.基于Retinex模型的暗光增强模型能实现有效地光照增强.但此类暗光增强模型也存在一些问题,即待处理图像中暗光区域的可视度虽然得到了有效改善,但其中隐藏的噪声也被放大和凸显,依旧影响了增强结果的视觉质量.为解决这一问题,构建了基于低秩...     

一种多图像局部结构化融合的低照度图像增强算法EI北大核心CSCD

为将低照度图像及基于它生成的多个不同曝光度图像中的互补性信息进行最佳融合以获得更为鲁棒的视觉增强效果,提出了一种基于多图像局部结构化融合的两阶段低照度图像增强(Low-light image enhancement,LLIE)算法.在待融合图像制备阶段,提出了一种基于图像质量评价的最佳曝光度预测模型,利用该预测模型给出的关于低照度图像最佳曝光度值,在伪曝光模型下生成适度增强图像和过曝光图像(利用比最佳曝光度值更高的曝光度生成)各一幅.同时,利用经典Retinex模型生成一幅适度增强图像作为补充图像参与融合.在融合阶段,首先将低照度图像、适度增强图像(2幅)和过曝光图像在同一空间位置处的图块矢量化后分解为对比度、结构强度和亮度三个分量.之后,以所有待融合对比度分量中的最高值作为融合后的对比度分量值,而结构强度和亮度分量则分别以相位一致性映射图和视觉显著度映射图作为加权系数完成加权融合.然后,将分别融合后的对比度、纹理结构和亮度三个分量重构为图块,并重新置回融合后图像中的相应位置.最后,在噪声水平评估算法导引下自适应调用降噪算法完成后处理.实验结果表明:所提出的低照度图像增强算法在主客观图像质量评价上优于现有大多数主流算法.     

基于灰度直方图的图像增强及其VC++实现

图像增强是数字图像的预处理,能有效地改善图像整体或局部特征.我们讨论了基子直方El的均衡化和规定化处理等图像增强技术的基本原理,给出了相关推导公式和算法;同时以一个灰度图像为例,在VC 集成开发环境下实现了直方图均衡化和规定化增强处理,并给出了具体程序、实验结果图像及直方图.     

基于U-net分割与HEIV模型的遥感图像配准方法

在利用航拍遥感图像进行土地测量与变化检测时,需要对图像进行配准处理。为实现目标区域的高精度匹配,提出一种遥感图像配准方法。对图像进行U-net分割,以适用于小样本数据集的处理,针对不同区域特征的误差,将变量含异质噪声模型应用于配准参数估计,提高目标区域的配准精度。实验结果表明,与基于Harris角点的配准方法相比,该方法的全局平均配准精度提高41.39%,与基于SIFT特征点的配准方法相比,其感兴趣区域的平均配准精度提高16.67%。