基于形状的三维图像匹配插值方法

现有的插值方法在进行断层图像插值时,要么不能兼顾灰度和形状的变化,要么计算量太大。为解决这一问题,文中提出一种基于形状的三维图像匹配插值算法。通过对已知两幅断层图像进行门限分割,得到各个密度物质的区域后,利用数学形态学的方法确定出插值图像每个分割区域的轮廓,然后在每个轮廓内运用匹配插值方法得到插值点的值,从而得到整个插值图像。新算法将图像的形状信息和灰度信息较好地结合起来,因此,插值出的图像不仅克服了不同密度物质边界模糊问题,而且也克服了传统的基于形状插值方法的缺点。与线性插值相比,新算法插值出的图像视觉效果好;与小波插值相比,新算法的计算量极大地减少。插值结果可有效地应用于构建三维体模型。     

基于相关性的三维医学图像插值

现有的插值方法在进行医学断层图像插值时,要么不能兼顾灰度和形状的变化,要么计算量太大。为解决这一问题,文中提出一种基于相关性的三维医学图像插值算法。通过对原图进行门限分割,获得体素的分割值。对相同密度物质采用灰度插值,不同密度物质,利用体素的相关性来进行插值,使新的图像不仅在灰度上,而且在组织形状上,介于原来的断层图像之间,满足了医学图像插值的要求。与线性插值相比,新算法的视觉效果好,计算误差小;插值结果可有效地应用于构建三维体模型。     

形态学与测地距离函数应用于CT断层图像插值

现有的插值方法在进行断层图像插值时,要么不能兼顾灰度和形状的变化,要么计算量太大。为解决这一问题,提出一种基于数学形态学、测地距离函数与向量积点匹配相结合的插值算法。通过对已知两幅断层图像进行分割,得到目标与背景的区域后,利用数学形态学与测地距离函数相结合的方法确定出插值图像目标与背景区域的轮廓,然后在每个轮廓内运用向量积点匹配插值方法得到插值点的值,从而得到整个插值图像。实验结果表明,该算法插值出的图像不仅视觉效果好而且使计算量极大减少。     

基于小波的医学图像插值

现有插值方法在进行医学断层图像插值时,不能兼顾灰度和形状的变化.为解决这一 问题,文中提出一种基于小波的医学图像插值算法.通过对原图进行小波变换,获得图像边缘对 应小波系数的位置信息,在断层图像的相应小波系数之间进行强度和位置插值,使新的图像不 仅在灰度上,而且在组织形状上,介于原来的断层图像之间,满足了医学图像插值的要求.与线 性插值、克立格插值相比,新算法的视觉效果好,计算误差小,插值结果可有效地应用于构建三 维体模型.     

根据轮廓寻找匹配对应点的断层图像插值方法

插值是三维重建的一个重要步骤。目前常用的直接灰度插值会使得图像边界模糊。针对这一问题,提出一种基于轮廓寻找匹配点的插值方法：首先对两幅图像进行形状插值,得到插值图像的轮廓;再根据轮廓寻找插值图像在两幅源图像上的对应点,并根据匹配准测,找到最佳匹配点;最后对匹配点的灰度进行插值,得到插值像素点的灰度值。试验结果表明,和已有的算法比较,新算法较好地提高了插值图像的质量。     

基于物质分类的三维空间断层图像匹配插值

三维空间医学图像处理通常需要由各向异性的断层图像数据插值出各向同性的体数据。提出一种基于物质分类的匹配插值方法，在两幅原始图像一定窗口区域内选取尽可能属于同种密度物质的候选点对，再根据特片相似性判据找到最佳匹配点对插值。该方法可以获得清晰的灰度插值图像，有效地避免插值后易产生的不同种密度物质边界模糊现象。     

一种分区域多方向数据融合图像插值方法

为满足高端工业检测中对检测精度和检测时间的严格要求,针对现有图像插值方法在插值速度与精度方面的矛盾,本文提出了一种分区域多方向数据融合图像插值方法。在灰度平坦区域,采用双线性插值算法进行插值。在边缘纹理区域,则选取待插值点在源图像中对应点的4×4邻域内4个插值方向上距离最近的12个像素点,基于距离平方反比计算估计值;然后结合方向灰度梯度和插值距离两个权 重因子,进行数据融合,获得最终插值。实验表明,新提出的插值方法运行速度快,并且在图像任意级别变换时都具有较高的插值精度,能够很好地保持图像的边缘纹理细节。     

三维表面平滑约束断层图象形状插值

断层图象序列的层间插值是三维重建的关键技术之一。已有的断层插值方法主要使用灰度，灰度梯度，距离，方向等约束，重建的三维表面往往不平滑，本文引入有向距离概念，增加表面平滑约束，提出一种重建三维平滑表面的断层图象间形状插值方法。     

交互式医学图像分割算法

针对医学图像的特点,提出了一种结合Live Wire算法和轮廓插值算法的三维医学图像分割算法.与原Live Wire算法相比,改进算法在不增加算法复杂度的同时,大大提高了图像分割的性能.为了进一步提高图像的准确性,用下列方法弥补了原算法的不足:通过寻求最短搜索路径,另外尽可能地降低搜索的时间复杂度.将改进的算法与余弦轮廓插值技术相结合,用在病灶组织区域形状变化较大的断层图像(关键层)分割中.实验表明算法能快速有效的从序列医学图像中分割出感兴趣的物体,为医学诊断提供了依据.     

基于灰度分布匹配的多模态脑部MR图像肿瘤分割算法

针对多模态核磁共振(MR)脑肿瘤图像的分割问题,提出一种基于灰度分布匹配的分割算法。首先,学习图像灰度强度的非参数模型分布,来描述当前图像的正常区域。然后,计算肿瘤图像中各区域之间的全局相似性,从中寻找灰度分布与学习模型最匹配的子区域,同时利用平滑操作来避免存在孤立区域。最后,对FLAIR模态图像进行处理,以分离出脑水肿区域,最终获取脑肿瘤区域的准确边界。在多模态脑肿瘤图像数据库BraTS 2012上进行实验,结果表明该算法能够准确且完整的分割出肿瘤区域。     

基于形状的二维灰度图象插值

内插是三维重建中的一个重要步骤 .一般传统的插值算法大体可分为灰度插值和基于对象形状的插值两种 .其中直接的灰度插值对二值及灰度图象均适用 ,但结果在多数情况下并不准确 ;而基于形状的插值 ,早期仅适用于二值图象 .近来 ,人们将两者较好地结合起来 ,使得基于形状的插值同样适用于灰度图象 .为了克服直接灰度插值易造成较严重的轮廓模糊问题及为克服 Chuang等人提出用基于形状的插值方法求得的对应点易产生偏差的问题 ,提出了一种新的基于形状的二维灰度图象插值算法 .该算法首先采用数学形态学的方法分别对两幅源图象进行膨胀和腐蚀 ,用于确定插值图象的轮廓 ;然后对轮廓内的点 ,分别找出其在两幅源图象上的对应点 ,再通过灰度的线性插值来求得此点的灰度 ,进而得到最终的插值图象 .实验结果表明 ,此算法得到的插值结果是令人满意的 .     

基于对应点匹配的眼球切片图像插值算法

图像插值是三维重建的一个关键步骤。针对眼球切片图像的特点，研究和分析了传统的图像插值方法，并在此基础上提出了一种改进的对应点匹配插值方法。先根据改进的对应点匹配准则在相邻层间建立点对点的对应关系，然后利用这些对应点进行插值，得到插值图像数据。实验结果表明，该算法能有效减少插值误差，获得令人满意的效果。     

基于Sobel算子的自适应图像缩放算法

为了提高图像的缩放质量,提出一种自适应图像缩放算法。当原图像像素点处于边缘区域时,沿Sobel算子确定的边缘方向进行自适应插值,当原图像像素点处于非边缘区域时,采用双线性插值法进行插值。实验结果表明,Sobel算子可有效获得图像边缘特性,该算法能通过较低的运算复杂度获得较好的图像缩放质量。     

一种基于网格图像的几何畸变修正方法

在层削照相测量装置中,由于摄像装置所处的角度以及摄像镜头差,会导致获取的图像存在非线性几何畸变。因此在对图像进行重建之前,需要对获取的图像进行几何校正。为此,论文提出了一种基于网格图像的几何校正算法,该算法运用分段插值的思想,利用分块低次插值去逼近几何畸变,达到高次插值的效果。最后的分析结果表明,利用60X60正方形网格,该算法的校正误差不超过0.1个像素,能够有效校正图像的综合畸变。     

基于磁共振影像层间插值的超分辨率及多视角融合

针对磁共振（MR）图像切片内分辨率高而切片间分辨率低,导致MR在冠状面和矢状面上缺乏医学诊断意义的问题,提出了一种基于层间插值及多视角融合网络的医学图像处理算法。首先,引入了层间插值模块,用来将MR体数据沿冠状和矢状方向从三维数据切割成二维图像;然后,在分别对冠状面和矢状面进行特征提取之后,通过空间矩阵滤波器动态计算权重用于任意大小的上采样因子放大图像;最后,将冠状图和矢状图在层间插值模块中得到的结果聚合成三维数据后再次沿轴状方向切割成二维图像,对得到的二维图像两两进行融合并通过轴状方向数据进行修正。实验结果表明,所提算法相较于其他超分辨率算法在×2、×3、×4尺度下的峰值信噪比（PSNR）均有1 dB左右的提升,可见所提算法有效提升了图像的重建质量。     

基于对应点匹配的眼球切片图像插值算法

图像插值是三维重建的一个关键步骤。针对眼球切片图像的特点,研究和分析了传统的图像插值方法,并在此基础上提出了一种改进的对应点匹配插值方法。先根据改进的对应点匹配准则在相邻层间建立点对点的对应关系,然后利用这些对应点进行插值,得到插值图像数据。实验结果表明,该算法能有效减少插值误差,获得令人满意的效果。     

基于颜色分量间相关性的图像拼接篡改检测方法

由于目前数码相机在获取自然图像时,都存在着某种颜色滤波阵列（CFA）插值效应,使得图像颜色分量间具有很大的相关性。针对此问题提出基于CFA插值产生插值特性的图像拼接篡改检测方法。首先对图像颜色分量进行CFA插值预测,得到预测误差;然后计算图像块预测误差的局部加权方差得到图像块的CFA特征;最后根据高斯混合参数模型,对提取特征进行分类得到篡改区域。在标准拼接篡改图像数据集中的实验结果显示,此方法能够有效地检测出图像篡改区域的精确位置。