基于生成对抗网络与ResUNet的细胞核图像分割

细胞核的精准分割是病理诊断的基础工作,针对目前分割算法存在细小特征提取难、细节丢失多等问题,本文提出了一种基于生成对抗网络(generative adversarial network, GAN)与ResUNet的分割网络。首先将ResUNet网络作为生成网络(generator, G),利用LeakyReLU激活函数使负值特征能够得到激活,其次再通过判别网络(discriminator, D)的判别损失值引导生成网络更好地学习。实验结果显示,在乳腺癌细胞核数据集和DSB数据集上MioU、Dice、Acc等评价指标分别达到82%、83%、95%和90%、90%、97%,较ResUNet网络分别提升了2.5%、3.3%、0.7%和0.7%、1.5%、0.8%。同时与SegNet、FCN8s等6种常用分割网络的分割结果对比均有提升,结果证明本文改进后的网络具有较好的分割准确率,可以为病理诊断工作提供重要依据。     

基于改进U Net模型的焊缝特征提取

针对基于激光视觉自动焊接过程中,出现焊缝特征占比失衡,焊接偏移的问题,提出一种改进U Net模型,在U Net网络模型的基础上融合可学习的调整器模块,在编码块中接入特征增强模块,减少了弧光干扰,提升了焊缝特征提取的精度。以管道自动焊接机器人作为图像采集平台,设计了网络训练模型,同时辅以数据增强防止网络过拟合,实验结果表明,改进型U Net算法的像素分割准确率(acc)、平均交并比(mIou)、平均像素精确度(mpa)分别为9934%、8936%、9562%,与传统阈值分割算法、FCN算法、U Net算法、PSPNet算法相比,本文的精度指标最优,在强弧光干扰环境下能准确提取出焊缝特征,具有抗噪能力强,识别准确率高的优点。     

针对复杂噪声场景的FCM聚类算法非局部改进

<正>作为一种常用的图像分割算法,模糊C均值聚类(FCM)对噪声过于敏感。针对此缺陷,研究者们提出了诸多改进算法。然而,现有算法在面对较为复杂的噪声场景时,所得图像分割效果往往不令人满意。通过对经典FCM算法的目标函数施加非局部正则化,该文给出一个FCM非局部改进算法(FCM＿UNL)。在复杂噪声场景下进行图像分割时,FCM＿UNL能保持较高的分类精度。初步的图像分割实验表明了所提算法的有效性。图像分割是图像处理的关键内容之一,分割质量的好坏往往对后续的图像识别、分析等环节有着直接影响^[1,2]。     

病理切片中核分裂象的彩色特征分析

肿瘤大小和核分裂象(MF)被视为最重要和最方便的、组织学标准下预测多种肿瘤生物学行为的客观指标,因此统计病理切片中核分裂象的个数是判断肿瘤的重要依据之一。本文试图利用数字图像处理技术,从核分裂像的染色状态着手,对病理切片中的各个成分进行颜色上的分析,为最终实现核分裂象的计数、辅助临床做出正确诊断提供依据。     

多核处理器中混合关键级任务可调度及半分区划分算法

当前,多数多处理机中混合关键级任务可调度性分析以及半分区调度算法均针对单核利用率展开研究。但由于多核系统任务调度复杂性较高,现有研究结果存在各处理器负载不均衡以及任务可调度性不理想等问题。针对该问题,文中将动态需求边界函数(Dynamic Demand Boundary Function, DDBF)的应用范围扩展至多核处理器系统。根据半分区划分调度算法对DDBF改进,并加入了结转作业和前接作业分析提出了SDDBF(Super Dynamic Demand Boundary Function),可更精确地计算与利用资源。文中基于SDDBF提出了SDA(Stepper Dispatch Algorithm)可调度性分析法与半分区划分算法MCWF(Mixed-Criticality Worist First)。仿真结果表明,相较于AMC(Adaptive Mixed Criticality)、AMC-max以及XU算法,SDA可调度性分析判定提升了5%～10%,相较于WF＿MY(Worst First＿My)、WF＿NEW(Worst First＿New)算法,MCWF可使系统在任意关键等...     

基于改进UNet的视网膜血管分割算法

针对视网膜血管结构复杂、图像对比度低、细节区域分割不精准问题,提出一种基于改进UNet的分割算法.首先,结合Diverse Branch Block多分支、多尺度思想,在编解码路径上增加DBB-ConvNet模块,该模块组合了不同尺度、不同复杂度的分支来丰富特征空间的多样性,进而提升网络的特征学习和表达能力;其次,为加强特征重用,避免冗余特征影响,在网络底端加入Dense-net密集连接;最后,为进一步提升分割效果,在跳跃连接用BConvLSTM结合非线性函数处理编解码路径间的特征映射,替换原始的简单串联.该算法在公开数据集DRIVE和CHASE＿DB1上的实验结果表明,对比其他算法,本文所提出的算法在视觉和各项客观评价指标上均有较好的分割效果.与U-Net算法相比,在两种数据集上本文所提算法在精确率、F1值上分别提升了1.97%、2.04%与2.05%、5.86%.     

一种有效神经网络训练优化方法

指数移动平均(EMA)算法,通常可用于过滤由小批量梯度下降引起的噪声,提高模型鲁棒性。然而,传统EMA算法在持续训练后期,无法有效优化网络参数,深层神经网络经常出现过拟合。因此,本文提出一种以变系数Tanh为衰减函数的动态衰减EMA算法,结合SGD优化器的T-ADEMA+SGD算法,进行神经网络训练。针对MNIST、CIFAR＿10、CIFAR＿100数据集,采用优化器SGD训练ResNet50模型,并针对胸部X射线图像训练Vision Transformer(ViT)模型,同时采用深度卷积生成对抗网络(DCGAN)进行数据增强和基于t分布,随机邻域嵌入(t-SNE)模型用于可视化分析。实验表明,对于CIFAR＿100测试集,T-ADEMA+SGD算法的准确率、精度、召回率和F₁值分别为74.15%、74.39%、74.15%、74.04%;而对于Kaggle COVID-19三分类图像,相应的评价指标分别为87.94%、91.19%、84.43%、86.87%,与典型算法相比,本文模型可以更好地根据训练时间,动态调整最优参数、降低噪声,具有更好的泛化性能,适用于...     

一种HEVC帧内快速编码算法

高效视频编码(HEVC)采用编码单元(CU)四叉树的 分割结构,相比H.264/AVC显著地提升了编码效 率,但却使编码复杂度急剧增加。为此,本文提出一种帧内快速编码算法。首先,根据视 频图像纹理复 杂度,提前判断是否进行最大编码单元(LCU)分割。然后,根据空域相邻CU的深度预测当前C U的深度范围, 跳过不必要的计算;最后,根据预测模式被选为最优预测模式的统计特性,去掉可能性小的 帧内预测模式。本文算法在HM14.0的基础上实现。 仿真结果表明,本文算法在全I帧模式下与HM14.0相比,帧内编码时 间平均减少38%,码率(BR)只增加1.41%,峰值信噪比(PSNR)只降低0.29dB,在保证编码性能和视频质量几乎不变的 情况下,本文算法降低了编码的计算复杂度。     

一种融合上下文多光谱空间通道特征的左心室分割算法研究

针对左心室生理结构复杂以及心脏磁共振成像纹 理不均匀、噪声大、心腔肌肉干扰造 成边界模糊等情况而导致左心室分割效果差等问题,本文提出了一种融合上下文多光谱空间 通道特征的左心室分割算法。本文算法采用U型结构与跳跃连接方式将不同尺度的特征图进行 融合,确保局部特征信息二次利用,提高了特征利用率。采用深度可分离池化通道金字塔(depthwise pooling attention pyramid,DPAP)模 块对多尺度特征的有用信息进行优化;接着采用频域通道空间注意力模块对特征的通道和空 间两个维度进行优化;最后采用组合损失函数缓解正负样本不均衡的问题。结果表明,在MI CCAI2009磁共振左心室挑战赛数据集上,本文算法在相似性系数上验证 集为93.25%、在线集为 93.33%,相比主流分割算法DeepLabV3+有1.6 个点提升,相比医学经 典U-Net算法有6.9个点提升,能对左心室有效分割,分割结果边缘 连续,轮廓清晰。     

3D-HEVC深度图帧内编码快速算法

编码3D视频的3D-HEVC编码标准采用多视点加深度图的编码格式,新增的深度信息使编码复杂度剧增。本文针对编码块(Coding Unit,CU)的四叉树分割模型和帧内预测模式,提出了深度图帧内编码的快速算法。用Otsu’s算子计算当前CU的最大类间方差值,判断当前CU是否平坦,对平坦CU终止四叉树分割和减少帧内模式的遍历数目。根据子CU与上一层CU的相似性,利用已编码的上一层CU对提前终止CU分割算法做优化。本算法与原始3D-HEVC算法相比减少40.1%的编码时间,而合成视点的质量几乎无变化。      

基于空洞U-Net网络的乳腺细胞图像分割算法

乳腺细胞的准确分割是乳腺组织切片图像病理分析的关键环节,对乳腺癌的诊治具有重要价值.针对乳腺细胞图像分割中细胞边界不清晰、分割准确率低的问题,提出一种基于空洞U-Net网络的乳腺细胞图像分割算法.在U-Net网络中引入空洞卷积增大卷积层感受野,获得包含更多乳腺细胞边缘信息的特征图,在卷积层和池化层间增加实例归一化层,提...     

基于超像素与图卷积神经网络的白细胞分割

白细胞分割是医学图像处理领域的一项富有挑战性的任务,针对目前白细胞分割存在的准确度不高、粘连情况不易分割等问题,将图像的分割转化为区域节点的分类问题,提出基于图卷积神经网络的白细胞分割算法.首先将训练图像经超像素分割得到若干超像素区域,把每个超像素区域作为图的一个节点,并充分利用超像素区域的彩色特征以及空间邻域关系构造稀疏加权图来训练图卷积网络,然后利用训练好的网络对测试图像进行白细胞核、质、背景的三域一次性分类.实验数据表明,本文算法对不同类白细胞均具有较好的分割效果.     

一种改进级联U-Net网络的结肠息肉分割算法

结肠镜图像中息肉的精确分割是诊断结肠癌的关键环节,针对目前结肠息肉分割算法存在孔洞、分割粗糙以及分割不完全的问题,提出了一种改进级联U-Net结构的结肠息肉分割算法。运用特征融合思想,设计了多尺度语义嵌入模块和残差模块,充分利用深、浅层特征的语义信息。引入注意力机制,在模型的级联处构建了改进空洞卷积模块,扩大卷积感受野并增强特征捕获能力。改进了卷积层模块和分割损失函数,提升模型的泛化性和鲁棒性。在Kvasir-SEG数据集上进行实验分析,相似系数、平均交并比、召回率和准确率分别达到了90.39%、88.34%、83.62%和95.12%。实验结果表明,该文所提算法改善了分割图像内部孔洞、边缘粗糙及分割不完全的问题,优于其他息肉分割算法。     

一种改进的基于Viterbi的语音切分算法

主要针对文本提示型说话人识别中语音切分高精确度要求的问题,在利用Viterbi算法的语音切分基础上,提出了向后平滑搜索多帧能量极小值的语音切分方法。该算法首先对0~9的每个数字建立模型,然后利用Viterbi算法对随机数字串进行切分得到初始切分点,最后利用搜索多帧能量极小值的方法更新原始切分点。实验表明,相比于传统的切分算法,在误差范围小于20 ms之内,改进算法的切分准确率由82.1%提高到88%。     

改进海鸥算法的多阈值图像分割算法北大核心CSCD

为进一步提高图像分割精度,改善传统多阈值图像分割方法计算量大、分割慢的问题,提出了改进海鸥算法(improved seagull optimization algorithm,ISOA)的多阈值图像分割方案。针对原始海鸥算法(seagull optimization algorithm,SOA)存在早熟、寻优精度不足的问题,首先,采用cubic混沌映射优化初始解,提高搜索效率;其次,引入鹰栖息优化算法(eagle perching optmizer,EPO)的缩放因子和疯狂算子进行扰动,并与麻雀搜索算法(sparow search algorithm,SSA)警戒者的位置更新相结合,优化寻优精度和收敛速度,避免陷入局部最优。利用6种基准测试函数对ISOA进行寻优性能测试。最后,将ISOA与图像分割的最优阈值选取相结合,进行基于Otsu的多阈值图像分割,并与现有分割算法进行对比。仿真结果表明,ISOA在基于Otsu的图像分割中,100%取得了最优值,且80.9%的结果优于其余算法,使图像的分割精度和质量均得到了优化。     

基于改进Mask R-CNN的模糊图像实例分割的研究

Mask R-CNN是现阶段实例分割相对成熟的方法,针对Mask R-CNN算法当中还存在的分割边界精度以及对于模糊图片鲁棒性较差等问题,该文提出一种基于改进的Mask R-CNN实例分割方法。该方法首先提出在Mask分支上使用卷积化条件随机场(ConvCRF)来优化Mask分支对于候选区域进一步分割,并使用FCN-ConvCRF分支来代替原有分支;之后提出新锚点大小和IOU标准,使得RPN候选框能够涵盖所有实例区域;最后使用一种添加部分经过转换网络转换的数据进行训练的方法。总的mAP值与原算法相比提升了3%,并且分割边界精确度和鲁棒性都有一定提高。     

融合改进FT显著性与Grabcut的图像目标分割算法

针对目前复杂度较大的图像中目标分割速度较慢、显著性边界分割不明确等问题,提出了一种融合改进的FT（Frequency-tuned）显著性检测与Grabcut的图像分割算法。该算法首先通过改进基于频率调谐的FT显著性检测方法得到图像中显著性较高的区域,并利用SLIC（Simple Linear Iterative Clustering）算法对显著图进行预处理得到超像素图,能够有效改善边界的分割效果,然后通过以图论GraphCut算法为基础改进的Grabcut算法建立高斯混合模型。为了提高算法效率,通过聚类以超像素代替原像素,并反复迭代高斯混合模型（Gaussian Mixed Model,GMM）参数,最后利用最大流最小割算法得到最优目标分割结果。实验结果表明所提算法能够更准确更高效率地分割图像中的显著性目标,对高分辨率图像也有很好的适用效果,相比于其他算法在分割精度上提高10%左右,并具有较高的分割效率。     

基于RGB和C-Y颜色空间的白细胞分割

为了解决血细胞图像中白细胞与其它细胞色彩接近、亮度不均匀等问题,采用了一种基于 C - Y 颜色空间的白细胞分割方法,将原来的 RGB 图像转化为 C - Y 图像,分离 C - Y 图像获得包含全部信息的 B - Y 颜色分量图像,再根据连通域面积筛选、开运算、像素点操作得到完整的白细胞图像;提取对比度拉伸后的 G 图像,阈值分割得到细胞核的大概位置,再用连通域面积筛选、开运算方法分割出完整的细胞核图像。结果表明,本文中的算法对嗜酸性粒细胞、淋巴细胞、单核细胞和嗜中性粒细胞图像都具有较好的分割精度,分别取得了94.33%,91.60%,97.72%,98.66%的准确率。本文中的算法能较完整地分割出白细胞,为后续分类研究奠定了基础。     

基于概率神经网络改进的GrabCut算法

针对GrabCut算法在分割图像时效率低,且容易出现欠分割与过分割的问题,提出了一种基于概率神经网络(PNN)改进的GrabCut(PNN_GrabCut)算法。该算法用PNN模型替换GrabCut算法中的高斯混合模型(GMM)进行t-links权值计算,以提升算法的计算效率;通过构建前景和背景直方图,选取像素值出现频率较高的像素作为PNN模型的训练样本,以提高算法的分割精度。在公开的ADE20K数据集中选取图像进行分割实验,结果表明,PNN_GrabCut算法的分割精度优于其他对比算法,且效率较高。对前景与背景相似度高的图像进行分割实验,结果表明,PNN_GrabCut算法的分割精度明显高于GrabCut算法。