基于多尺度特征融合双U型皮肤病变分割算法

针对皮肤病分割问题中皮肤病变区域大小不一且形状各异问题,提出一种基于多尺度特征融合的双U型皮肤病分割算法.该算法由粗分U型网络和细分U型网络两部分组成.首先粗分U型网络编码部分采用预训练VGG-19模型对相关特征进行多尺度特征提取;在解码阶段利用改进注意力残差块将底层与高层信息进行有效的映射融合,得到初步的Mask;然后将初步生成的Mask与原图像聚合,并输入多路特征提取编码器中进行二次特征蒸馏;而细分U型网络解码器同时与粗分U型网络编码部分和细分U型网络的编码部分特征映射进行融合,保证网络可以聚合更多的有效特征;最后利用Focal Tversky损失函数进一步提升分割效果.实验表明,所提算法在ISBI2016数据集上实验分割精度为96.11％、敏感度为93.59％、特异性为97.10％、Dice系数为93.14％、Jaccard系数为87.17％,能够有效地分割皮肤病病变区域.     

基于知识的多层Mumford-Shah向量值图像分割模型

针对多层Mumford-Shah模型不能正确分割对比度小且部分被遮挡的复杂医学图像问题, 将目标形状先验知识窄带水平集统计形状模型集成到多层Mumford-Shah模型, 提出了基于目标形状先验知识的多层Mumford-Shah向量值图像分割模型和求解该图像分割模型泛函最小值的水平集逐层迭代算法. 实验结果表明, 该方法能够有效分割对比度小且部分被血管遮挡的早期青光眼病人视乳头图像.     

基于改进Fast MBD显著性检测和多特征融合匹配的靶纸区域快速检测算法

为了解决基于机器视觉的自动报靶系统快速、准确定位靶纸区域的问题,通过对靶纸图像的颜色和形状特性分析,提出一种基于改进Fast Minimum Barrier Distance显著性和多特征匹配的靶纸区域快速检测算法。该算法在原始Fast Minimum Barrier Distance显著区域提取算法的基础上,引入局部区域对比度先验和形状先验作为显著性区域提取的补充准则。同时,为了判断提取到的区域是否包含靶纸,再引入多特征匹配算法。首先,分别对图像边界连通先验、局部区域对比度先验和形状先验进行量化,形成距离图、对比度图和形状图,再结合三者分割出显著性目标区域,然后提取分割出的各目标区域的多种特征,并将其进行特征融合,最后利用1-范式将得到的目标特征与模板特征进行匹配,把匹配结果小于阈值的目标视为靶纸。在400张包含靶纸图像数据集上的实验结果显示了该算法的有效性。同时,在华为海思平台上,该算法处理速度能达到30帧/秒,足以证明该算法的实时性。     

钢轨表面缺陷检测的图像预处理改进算法

由于线阵相机拍摄的图像光照不均、对比度低,使得钢轨表面离散缺陷检测成为机器视觉检测的难点,为此提出局部非线性对比度增强法和改进最大熵阈值分割法对钢轨图像进行预处理.该算法将局部区域内相对较低的灰度级映射到更低的范围,相对较高的灰度级映射到更高的范围,实现对比度拉伸;通过分析图像的目标熵、背景熵、灰度概率分布曲线,使用图像目标熵最大、目标概率较小的改进最大熵阈值分割法对图像进行分割,得到包含噪声相对较少的图像.实验结果表明,文中提出的非线性对比度图像增强算法简单、快速、有效,而且增强效果与光照无关;与原始的最大熵、目标最大熵、OSTU阈值分割法相比,改进的最大熵分割阈值较小,分割后的图像包含的噪声少;改进的预处理算法对测试图像的漏检率和误检率分别是6.2%和7.3%.     

基于窗口优化技术的肝和肿瘤CT图像的自动分割

针对窗口技术将高位计算机断层扫描(CT)图像像素强度范围重新映射到一个可观测的范围时会损失图像信息,并且做一次预处理后就进行自动分割的方法不能很好地适应肿瘤分割的问题,提出了一种分步优化分割CT值的强度窗口预处理方法.利用肝脏及其肿瘤的CT值直方图和窗口技术对原始图像和肝部图像进行分步预处理,提高感兴趣区域的对比度;在级联的卷积神经网络中分别对比不同强度窗口的肝和肿瘤的自动分割精度,并得到了肝脏及其肿瘤的最佳分割CT值范围,分别是[-40,190]HU,[-25,145]HU.该方法在3DIRCADb数据集上用三类主流分割网络UNet、ResNet和FCN进行了实验,验证了不同CT值范围对肝分割精度的影响能达到6.75％,并能将不同网络的分割精度提高2％左右.     

基于窗口优化技术的肝和肿瘤CT图像的自动分割

针对窗口技术将高位计算机断层扫描(CT)图像像素强度范围重新映射到一个可观测的范围时会损失图像信息,并且做一次预处理后就进行自动分割的方法不能很好地适应肿瘤分割的问题,提出了一种分步优化分割CT值的强度窗口预处理方法.利用肝脏及其肿瘤的CT值直方图和窗口技术对原始图像和肝部图像进行分步预处理,提高感兴趣区域的对比度;在级联的卷积神经网络中分别对比不同强度窗口的肝和肿瘤的自动分割精度,并得到了肝脏及其肿瘤的最佳分割CT值范围,分别是[-40,190]HU,[-25,145]HU.该方法在3DIRCADb数据集上用三类主流分割网络UNet、ResNet和FCN进行了实验,验证了不同CT值范围对肝分割精度的影响能达到6.75％,并能将不同网络的分割精度提高2％左右.     

基于多尺度残差路径的U型视网膜血管分割

针对视网膜血管形态结构复杂、特征信息多变的特点，提出一种结合残差网络和多尺度特征融合的U型视网膜分割算法。依次采用限制对比度直方图均衡化和局部自适应Gamma对原始视网膜图像进行预处理，得到血管增强、亮度提升的图像；将其输入至搭建的U型网络中进行端到端训练，该网络将U-Net原始卷积块替换为残差卷积块，实现对特征的复用，首尾的并行多分支结构和底部的金字塔池化结构扩大提取特征的感受野，在解码阶段加入带有注意力机制的跳跃连接改善视网膜血管的分割性能；通过sigmoid激活函数得到最终分割结果。在DRIVE数据集上进行实验，该算法准确率、敏感度和AUC分别为96.34%、84.61%和98.53%。     

基于对抗学习和多尺度特征融合的前列腺MR图像分割

前列腺MR图像的自动分割已被广泛应用于前列腺癌的诊断和治疗过程中,然而,由于前列腺的形状变化显著且与相邻组织的对比度低,传统的分割方法仍存在精度低、速度慢等缺点.生成对抗网络GAN在计算机视觉任务中展示出了优越的性能,因此提出了一种使用对抗学习的概念来训练分割网络的方法,实现前列腺MR图像端到端的自动分割.模型框架主要由分割网络和判别网络构成,分割网络生成分割预测图,判别网络判断输入来自真实标签还是分割预测.同时,在分割网络中集成了感受野模块RFB来获取和融合深度特征的多尺度信息,提高特征的识别率和鲁棒性,以提升网络的分割性能.在PROMISE12数据集上的验证结果显示,该模型的DSC和HD分别为89.56％ 和7.65 mm.     

基于HSV空间的果蝇复眼区域提取算法

针对果蝇复眼病变诊断研究中,由于果蝇复眼目标与背景对比度不大,直接在RGB空间操作,无法设计一个普遍性较好的图像分割算法的问题,提出了一种基于HSV色彩空间的果蝇复眼目标区域提取算法.该算法将果蝇复眼彩色图像分解成单个彩色分量,并以含有丰富信息的R分量代替B分量;将图像从RGB彩色空间映射到HSV空间,在灰度直方图具有明显双峰特性的S通道中,引入OTSU阅值设定算法进行阈值分割,达到准确提取果蝇复眼目标区域的目的.实验表明,该算法可以快速准确的完成果蝇复眼目标区域的提取,有利于病变区域的识别.     

融合Snake模型与拓扑路线的图像分割算法

为了能够提高图像边缘检测的准确度,提出一种新型图像处理算法.该算法是基于主动轮廓方法和拓扑路线相结合的方法,目的是提高图像检测过程的精确度.该算法提出了新型技术来整合拓扑路线和主动轮廓方法各自的优点.将基于拓扑路线的初始分割边界作为Snake模型输入信号,并逐步演化成为最终对象的分割边界.实验结果表明,该算法可以处理低对比度图像,同时可以提高针对弱图像边界进行分割的准确度,取得了更好的图像分割和边缘检测效果,说明该算法有改进低对比度和自动图像分割系统的处理能力.