基于多尺度滤波的视网膜血管分割算法

眼底视网膜血管图像的纹理与结构信息可作为医学对相关疾病诊断的重要依据。针对视网膜血管存在伪影与尺度结构复杂等难题以及微血管分割较低等问题,提出一种基于多尺度滤波的有监督学习视网膜血管分割算法。采用二维K-L变换综合分析彩色图像三通道的频带信息得到视网膜灰度图像,并利用受限对比度直方图均衡化增强血管与背景的对比度,利用Retinex降低伪影与视盘的干扰;由多尺度高斯匹配滤波、多尺度形态学滤波、Frangi滤波以及2D-Gabor滤波提取相关血管特征,并将提取好的特征集由AdaBoost初步提取血管;利用血管连通域信息去除初分割结果的非血管像素,获得最终的血管图像。该算法在DRIVE与STARE数据集上实验,准确率分别达到96.34%与95.83%。     

基于U-Net的多尺度特征增强视网膜血管分割算法

针对传统视网膜血管分割算法存在血管分割精度低和病灶区域误分割等缺点,提出一种基于U-Net的多尺度特征增强视网膜血管分割算法（MFEU-Net）。首先,为解决梯度消失问题,设计一种改进的特征信息增强残差模块（FIE-RM）替代U-Net的卷积块;其次,为扩大感受野并提高对血管信息特征的抽取能力,在U-Net的底部引入多尺度密集空洞卷积模块;最后,为减少编解码过程中的信息损失,在U-Net的跳跃连接处构建多尺度通道增强模块。在DRIVE(Digital Retinal Images for Vessel Extraction)和CHASE＿DB1数据集上的实验结果表明,与在视网膜血管分割方面表现次优的算法CS-Net(Channel and Spatial attention Network)相比,MFEU-Net的F1分数分别提高了0.35和1.55个百分点,曲线下面积（AUC）分别提高了0.34和1.50个百分点,这验证了MFEU-Net可以有效提高对视网膜血管分割的准确性和鲁棒性。     

基于PST和多尺度高斯滤波的视网膜血管的分割

视网膜血管分割是眼科计算机辅助诊断和大规模眼科疾病筛查系统的基础。为辅助眼科医生进行眼底疾病的诊断，文中提出了一种基于相位拉伸变换(PST)和多尺度高斯滤波的视网膜血管分割方法。首先，将彩色眼底影像的绿色通道分量图进行增强预处理；然后采用不同尺度的高斯滤波器对预处理增强后的视网膜血管进行降噪处理，再结合PST边缘检测算法初步获得视网膜血管分割图；最后整合初步获得的视网膜血管分割图并进行形态学去噪，获得最终的视网膜血管分割图。通过在视网膜图像库DRIVE上进行实验，其平均准确率为93%，平均灵敏度达77%，平均特异性为95%，该实验结果验证了文中方法的有效性。     

基于MLDCSAU-Net的视网膜图像血管分割算法

视网膜图像中血管的准确分割有助于对眼部病变的观察。为了提高视网膜图像血管分割精度和特征信息复用率以及精简模型,从网络框架入手,提出一种结合DCSAU-Net、多尺度信息融合模块以及Ghost模块的视网膜图像血管分割模型——MLDCSAU-Net模型。模型改进主要包括两个方面：首先在跳跃连接之后引入多尺度信息融合模块;其次编码器端使用Ghost模块替换编码器端的CSA模块。实验结果表明：多尺度信息融合模块对于模型的分割准确率有较大提升;Ghost模块有效减少了模型参数量。在STARE、CHASEDB1和HRF三个公开数据集中MLDCSAU-Net模型的准确率、查准率、查全率和F1分数均高于原模型,同时参数量更少。     

基于U-Net的多尺度视网膜血管分割方法

视网膜血管的形态和结构一直是高血压、冠心病、糖尿病等疾病的重要诊断指标之一,其检测和分割具有十分重要的意义。为了解决视网膜血管分割中,血管末梢缺失和细小血管断裂的问题,提出了一种基于U-Net改进模型的多尺度分割方法,通过在编码阶段和解码阶段之间采用增加卷积块的方式来保持对不同尺度下的特征提取,同时对增加的卷积块采用密集连接的方式解决由于网络加深带来的浅层特征缺失和梯度消失问题,从而增强模型的特征提取能力并提高分割性能。此外,采用Dice损失函数解决数据集中正负样本不均衡的问题。实验采用CHASE＿DB1和DRIVE两个数据集进行训练和测试,通过与U-net、Residual U-net、Ladder-Net以及R2U-Net的对比表明,由于保留了多尺度的细节信息,该方法取得了更好的分割效果。实验证明,该方法能够有效提取健康视网膜图像和病变视网膜图像中的血管网络,能够较好地分割细小血管。     

基于改进HRNet的眼底视网膜血管分割算法

针对现有眼底视网膜血管分割算法普遍存在的微小血管细节丢失和病灶信息误判等问题,提出一种基于改进HRNet的血管分割算法.在预处理阶段,利用限制对比度自适应直方图均衡化和自适应的Gamma矫正提高血管与背景对比度;在编码阶段,将HRNet原始卷积替换为可变形卷积,提升卷积对复杂血管形态结构的适应能力;在多尺度特征融合阶段...     

平衡多尺度注意力网络的视网膜血管分割算法

针对现有算法对微血管分割精度低、难以区分病灶区域等问题,提出一种平衡多尺度注意力网络用于分割视网膜血管。在编码阶段引入多尺度特征提取模块,提升感受野减少血管细节特征损失;在编码和解码器间增加细节增强模块,突出目标区域提高信息敏感度;设计平衡尺度注意力模块调节细节和语义特征进行最终预测,减少伪影现象。实验结果表明,在DRIVE数据集上分割准确率为96.42%、灵敏度为83.17%、特异性为98.27%,优于现有其它算法。     

基于HESSIAN增强和形态学尺度空间的视网膜血管分割

眼底视网膜血管的走向、弯曲度、分叉度等性状分析已成为医学上诊断全身血管性疾病的重要手段。采集到的眼底图像常存在光照不均匀等现象,利用传统的血管分割方法难以对微小血管进行检测。为此提出一种基于改进Hessian矩阵增强和形态学尺度空间的分割方法。首先利用高斯函数构建多尺度Hessian增强滤波器,采用新型的血管相似性函数对血管网络进行对比度增强,同时平滑图像以减轻噪声;然后利用改进的Top-hat变换尺度空间从背景中提取血管,并引入形态学重建方法进一步突出血管像素,消除伪边缘及孤立点噪声;最后使用二次阈值化方法实现血管的最终分割。仿真结果表明,改进的分割方法在保证大血管脉络准确分割的同时,能够较好地实现微小血管分割。     

基于Hessian算子的多尺度视网膜血管增强滤波方法

提出一种基于Hessian矩阵的多尺度视网膜血管集成增强滤波算法。将Hessian矩阵的特征值和特征向量应用于血管特征的响应函数及形态学和非线性各向异性扩散处理的各个环节,选择合理的尺度空间范围及尺度空间增量和调节因子进而达到平滑非线状区域和锐化增强血管区域的效果。与其他血管增强方法相比,该方法在同等准确率下具有较高的稳定鲁棒性。     

基于Hessian矩阵的多尺度视网膜图像增强方法

眼底视网膜图像的血管增强在眼科诊断中具有广泛的研究价值。提出了一种基于Hessian矩阵的多尺度血管增强方法,给出了应用的方案和过程,并在DRIVE眼底图像数据库上进行实验。与其他血管增强方法相比,该方案可达到相当的准确率,且在同等准确率下具有较高的鲁棒性。     

基于分数阶微分的视网膜血管图像增强

从分数阶微分对图像纹理细节的增强能力出发,对分数阶微分的机理进行分析,根据分数阶微积分的G-L定义推导出的差分公式与向量合成定理构建了近似的16方向分数阶微分模板,并将其应用于视网膜血管图像增强中。实验结果表明,对于纹理细节信息丰富的视网膜血管图像而言,分数阶微分对灰度变化不大的平坦区域中的纹理细节信息的提取效果明显优于整数阶微分运算。     

基于多特征融合卷积神经网络的显著性检测

随着深度学习技术的发展以及卷积神经网络在众多计算机视觉任务中的突出表现,基于卷积神经网络的深度显著性检测方法成为显著性检测领域的主流方法.但是,卷积神经网络受卷积核尺寸的限制,在网络底层只能在较小范围内提取特征,不能很好地检测区域内不显著但全局显著的对象;其次,卷积神经网络通过堆叠卷积层的方式可获得图像的全局信息,但在...     

基于尺度相关性的自适应图像增强新算法

针对图像增强算法通常会放大原图像中噪声分量的问题,结合小波变换中相关系数理论,提出了一种基于小波变换的图像增强新算法,利用二进小波变换中各尺度上小波系数间的相关性,有效改善了增强过程中噪声放大问题。实验表明,该方法无论是增强效果还是抗噪性能都明显优于传统的图像增强算法。     

基于区域自适应多尺度卷积的单声道语音增强算法

卷积神经网络的感受野大小与卷积核的尺寸相关,传统的卷积采用了固定大小的卷积核,限制了网络模型的特征感知能力;此外,卷积神经网络使用参数共享机制,对空间区域中所有的样本点采用了相同的特征提取方式,然而带噪频谱图噪声信号与干净语音信号的分布存在差异,特别是在复杂噪声环境下,使得传统卷积方式难以实现高质量的语音信号特征提取和过滤.为了解决上述问题,提出了多尺度区域自适应卷积模块,利用多尺度信息提升模型的特征感知能力;根据对应采样点的特征值自适应地分配区域卷积权重,实现区域自适应卷积,提升模型过滤噪声的能力.在TIMIT公开数据集上的实验表明,提出的算法在语音质量和可懂度的评价指标上取得了更优的实验结果.     

基于小波融合的射线图像增强算法*

提出一种基于小波融合的射线图像增强算法,利用射线成像的特点,对射线成像系统采集信号作分段灰度变换,将变换得到的多幅图像利用小波变换进行图像融合,以增强射线图像的显示效果。融合中采用低频图像的小波系数均值作为融合后的低频系数,高频图像根据梯度和一致性检测确定融合规则,调整高频小波系数大小,很好地将来自不同图像的特征与细节融合在一起,并对融合图像质量进行了对比评价。实验结果表明,这种方法能够在保留图像微小细节方面获得满意的结果,且优于传统的射线图像增强方法。     

基于人工鱼群的医学DR图像自适应增强算法

提出了一种多尺度金字塔分解重建方法。基于人工鱼群算法和多尺度金字塔分解重建,设计了一种医学DR图像自适应增强算法,实现了图像增强的自适应性。针对分解后的高频部分和低频部分设计了相应的增强方案,增强过程中考虑到了人眼视觉系统的特性。通过仿真实验证明了该算法可以提高医学DR图像的分辨率和对比度,使图像细节更加的丰富和清晰。     

基于融合的冠状动脉血管分割方法

针对现有冠脉血管分割方法对于小血管和低对比度血管分割效果差的问题,提出了一种基于融合的冠状动脉血管分割方法。首先分别采用形态学的头帽法和高斯滤波法对同一幅血管图像进行增强,得到两幅增强图像;然后采用基于局部熵的过渡区提取的分割方法提取血管,得到两幅含有冠脉血管的图像;最后将两幅图像通过区域连通性的分析进行融合,分割出最终的血管。实验结果表明,新算法在小血管的提取、连通性和有效性方面取得了更好的效果。另外,该方法对辅助医疗诊断具有一定价值。     

基于融合策略的改进Retinex低照度图像增强算法

针对Retinex算法处理低照度彩色图像出现色彩失真,边缘保持性差等问题,提出一种基于融合策略的改进Retinex低照度图像增强算法;该算法首先在YIQ颜色空间提取亮度分量Y,对其进行MSR算法增强;然后采用高斯-拉普拉斯算子对彩色图像的RGB三个分量进行边缘检测,将其叠加合成后转换成灰度图;最后使用小波变换将两幅图像融合得到新的亮度分量,将其与I、Q分量融合后转回RGB颜色空间,从而获得色彩保真度高、细节清晰的图像;实验结果表明,该方法有效提高了图像边缘细节信息,避免了色彩失真,具有很好的视觉效果。     

基于脊波融合的射线图像增强算法

提出一种基于脊波变换的射线图像增强算法,根据射线成像的特点,对射线成像系统采集信号做分段灰度变换,得到多幅图像,每幅图像含有被测工件的某种细节,再将这些图像分别做有限脊波变换,对得到的变换系数进行融合,再对融合后的系数进行有限脊波逆变换从而得到增强了的射线图像。在融合中低频系数采用基于区域方差和邻域像素相关性分析的融合策略,高频部分采用脊波变换系数绝对值最大的作为融合的高频系数,此法可以将来自不同图像的特征与细节融合在一起并且可以有效地抑制噪声。文中对融合图像质量进行了对比评价,实验结果表明,这种方法能够有效地提高图像的清晰度,在保留图像微小细节方面获得满意的结果。