基于注意力机制和Inf-Net的新冠肺炎图像分割方法

新型冠状病毒肺炎肆虐全球,严重影响了人类社会的生活和健康。CT影像技术是检测新冠肺炎的重要诊断方式,从CT图像中自动准确分割出新冠肺炎病灶区域,对于诊断、治疗和预后都有重要意义。针对新冠肺炎病灶的自动分割,文中提出基于Inf-Net算法改进的自动分割方法,通过引入通道注意力机制加强特征表示,并运用注意力门模块来更好地融合边缘信息。在COVID-19 CT分割数据集上的实验结果表明,文中所提出新冠肺炎图像分割方法的Dice系数、灵敏度、特异率分别为75.1%、75.4%和95.4%,算法性能也优于部分主流方法。     

基于超像素分割的深度图像修复算法

为了提高Kinect相机获取的深度图质量,提出了一种基于超像素分割的图像修复算法。 首先对深度图和彩色图分别 进行双边滤波和超像素分割;其次,结合深度图像和彩色图像相似性,记录彩色分割块的位 置,并对应于 深度图中;最后,在每个分割块对应深度区域中,根据丢失像素点在分割块中所占比例,划 分为无空洞区 域、小空洞区域、大空洞区域和全空洞区域4类。采用快速行进算法对小空洞区域进行 修复,利用中 值填补算法进行大空洞区域修复,对全空洞区域利用邻域区间对应彩色图像相似性进行填充 。4种类型中 的无空洞区域无需修复。实验结果表明,本文方法与FMM、Shen和Scheming的方法相比, 平均均方根误差(RMSE) 分别降低了2.958、0.822和0.078,修复 的主观质量也有所提高。     

一种快速的超像素分割方法

围绕图像分割算法介绍了一种快速的超像素分割算法,传统的分割算法在算法效率,计算成本,复杂度等方面均存在问题。围绕着以上问题,进而提出了一种改进型的算法:超像素分割算法SLIC,并通过实验测试数据性能参数比对,证明了该种算法的优越性,且获得了更好的品质和更高的计算效率。     

基于超像素和模糊聚类的医学超声图像分割算法

图像分割在医学超声图像的定量、定性分析中均扮演着十分重要的作用,并直接影响到后续的分析、处理工作.针对医学超声图像对比度低和噪声强的特点,提出了一种将超像素和模糊聚类技术相结合的图像分割方法.该方法利用简单线性迭代聚类算法产生多个超像素子区域,通过比较各个子区域间特征向量的相似性,利用模糊C均值(FCM)聚类技术对这些过分割区域进行合并,实现超声图像目标区域的有效分割.和传统的基于单像素的FCM聚类算法相比,该方法具有较强的鲁棒性,有效提高了目标区域的分割精度和分割效率,取得了较好的分割效果.     

一种基于模糊C均值的图像超像素分割方法

在分析现有图像分割算法基础上,提出一种基于超像素的模糊C均值分割算法.首先利用像素间灰度和距离定义像素间相似度,从而循环迭代出图像的超像素;然后进一步提取每个超像素的小波能量特征并利用模糊C均值算法对该特征进行聚类.大量实验表明,提出的图像分割算法对噪声有一定稳健性,分割准确率高,并能有效抑制孤立点的影响.     

医学图像分割技术

医学图像分割作为图像处理技术的关键步骤,为医生临床诊断、手术方案制定、病灶的定位提供重要依据。与普通图像不同,医学图像具有模糊、不均匀的特点,这使分割的难度大大增加。目前,医学图像分割技术繁多,总的来说可以分为基于区域、基于边缘、与特定理论相结合的方法。我们今后研究的重点是制定评价算法优劣的定量准则。     

基于超像素分割的RGB与高光谱图像融合

本文提出了一种基于超像素分割的RGB与高光谱图像融合方法。首先,利用在线字典学习法由低空间分辨率的高光谱图像数据学习得到光谱字典。然后,通过光谱字典的线性变换,得到与高光谱图像同一场景的RGB图像字典。其次,对RGB图像进行超像素分割,并根据分割结果在每一个超像素块中进行稀疏编码,得到稀疏矩阵中的系数包含了RGB图像的空间信息。最后,将稀疏编码矩阵与高光谱图像谱字典相结合重建得到高空间分辨率高光谱图像。实验结果表明,该方法不管是在主观视觉上的图像恢复质量,还是在峰值信噪比等客观指标上均具有优势。     

LRSAR-Net语义分割模型用于新冠肺炎CT图片辅助诊断

自2019年末新型冠状病毒(Covid-19)疫情在全球爆发以来,世界各国都处于疫情的危害之下。新冠病毒通过入侵人体的呼吸系统,造成肺部感染,甚至死亡。CT(Computed Tomography)图是医生对肺炎患者进行诊断的常规方法。为了提高医生对新冠感染者进行诊断的效率,该文提出一种基于低秩张量自注意力重构的语义分割网络LRSAR-Net,其中低秩张量自注意力重构模块用来获取长范围的信息。低秩张量自注意力重构模块主要包括：低秩张量生成子模块、低秩自注意力子模块、高秩张量重构子模块3个部分。低秩张量自注意力模块先生成多个低秩张量,构建低秩自注意力特征图,然后将多个低秩张量注意力特征图重构成高秩注意力特征图。自注意力模块通过计算相似度矩阵来获取长范围的语义信息。与传统的自注意力模块Non-Local相比,低秩张量自注意力重构模块计算复杂度更低,计算速度更快。最后,该文与其他优秀的语义分割模型进行了对比,体现了模型的有效性。     

关于医学图像分割的综述

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.     

SAR图像海岸线分割的超像素合并方法

由于SAR图像固有的相干斑噪声和海陆交界处复杂的地形影响,利用区域合并方法在进行SAR图像的海岸线提取过程中很容易出现误合并。为解决SAR图像海岸线分割中单一分割尺度造成的误分割问题,提出基于SLIC超像素的SAR图像海岸线分割算法,超像素分割后再利用改进的融合光谱和纹理信息的合并代价(CT-Model)进行合并,最后将海陆交界处的海岸线显示用来进行分割效果对比。实验结果表明,改进后的合并准则在SAR图像的海岸线分割上具有更好的精确度。     

基于像素相似性与Graph-Cut的图像自动分割

采用Graph cut的图像分割分为交互式分割与自动分割,为了弥补交互式分割需要用户的参与、分割结果依赖种子点的选取与模型的建立、需要用户的进一步修正才能得到满意结果等不足,介绍基于相似性的自动图像分割。该方法采用Mean-shift平滑图像、转换成YCbCr空间后将图像分割成若干区域块等方法,建立合适的能量函数后利用最大流/最小割定理求最小割。并通过实验证明,该方法在自动性、准确性、时间效率方面都获得较好结果。     

基于超像素多特征融合的快速图像分割算法

为了提高高分辨率图像分割效率,解决复杂图案中待分割目标边缘附近前景与背景区分度小而造成的分割目标不完整问题,本文通过引入超像素HOG特征,提出了一种基于超像素多特征融合（superpixel multi-feature fusion,SMFF）的快速图像分割算法.首先采用目前最有效的超像素算法对待分割图像进行超像素预分割,然后提取基于超像素的HOG特征、Lab颜色特征和空间位置特征,设计基于超像素的多特征度量算法,最终采用图割理论实现了基于超像素多特征融合的快速图像分割.实验结果验证了本文算法的有效性,其算法性能接近于目前最经典图像分割算法,且本文算法的时间性能要明显优于其它对比算法.     

一种融合局部像素信息和改进NLFCM的SAR图像分割方法

针对传统局部信息模糊C均值聚类算法权重系数仅由像素间欧式距离决定,无法准确衡量和充分利用像素间的相似性,对SAR图像分割不准确的问题,提出了一种全新的局部信息相似性描述方法,并结合图像的非局部信息,对像素到聚类中心的距离和像素隶属度计算方法进行改进,并提出了一种同时包含图像局部和非局部信息的改进SAR图像分割方法。实验表明,与其他模糊聚类方法相比,该方法在抑制SAR图像相干斑噪声的同时,能较好地保护SAR图像目标的边缘和细节,具有很好的SAR图像分割效果。     

基于可变形模型及像素相似性统计的自动图像发割

提出一种通用的融合基于可变形模型及区域特征统计的自动图像分割方案,像素相似性定义综合考虑灰度、梯度、色彩及纹理等多种图像因素,采用梯度矢量流Ｓｎａｋｅｓ算法自动进行目标匹配。为使分割结果更趋合理,利用相似单元分解技术对属于同一目标的区域进行自动合并,而对同一区域中属于不同目标的区域进行自动分裂,实现对未知目标个数及目标位置的输入图像的自动分割。对人工合成的低信噪比图像及自然图像的实验表明,本文方法     

基于增强型EM模型重叠区域图像分割算法

针对图像大规模重叠区域的有效分割一直是一个难题,传统的Log算子、Sobel算子、Canny算子以及梯度算子等算法解决大规模像素重叠问题时,模型会陷入不收敛的境地,导致分割效果较差,为了解决这样问题,提出一种增强型EM模型解决重叠区域图像分割的问题,利用curvelet变换在curvelet域内提取图像的边缘特征,并定位特征curvelet系数.通过增强特征curvelet系数,增强边沿特征对比性,分割多尺度多结构元素形态学检测的边缘图像,消除重叠带来的干扰.仿真实验结果表明:分割的边缘更为完整准确,取得了令人满意的效果.     

基于深度学习的医学图像分割方法研究进展

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。     

基于梯度的极化SAR图像超像素分割

超像素分割在图像分割领域以其优异的性能表现被广泛应用,准确性和高效性是评价分割性能的重要指标.简单线性迭代聚类（simple linear iterative clustering,SLIC）方法在光学图像上表现出了优异的性能,在极化合成孔径雷达（synthetic aperture radar,SAR）图像中也被广泛应用,然而SLIC方法中的初始化步骤不能准确地定位类中心,需要多次的迭代纠正误差.改进的分水岭方法（spatial constrained watershed,SCoW）是一种基于梯度阈值区分的简单且高效的分割方法,但是不能直接用于极化SAR图像.本文受SCoW的启发,提出一种对SLIC进行预处理的分割方法,通过横虚警（constant false alarm rate,CFAR）边缘检测器计算得到极化SAR图像的梯度信息,并将梯度信息用于初始化分割.基于两幅实测极化SAR图像,将本文提出方法与其他三种方法对比.实验表明本文方法可以减少整个算法的迭代次数,得到更加符合图像信息、贴合图像边界的分割结果.     

基于分水岭的超像素分割方法

超像素算法作为一种预处理工具已在计算机视觉中得到了广泛应用,尤其在实时视觉系统中,超像素算法的高效性尤为重要。文中是基于分水岭算法而提出的高效超像素分割算法,即空间约束的分水岭算法(SCoW),SCoW算法是通过一组均匀标集来进行分水岭分割。该算法通过引入边缘预处理来确保均匀性和紧凑性之间的平衡,从而对齐超像素的图像边缘,且无任何复杂计算。文中提出的算法比传统算法所产生的超像素图像质量好且运行效率高。