重叠细胞图像分离算法的设计

在实际的细胞图像中,经常会遇到重叠现象（又称为聚堆）,即多个细胞聚一起的情形,这给后续的分析处理带来了困难,因此需要设计一个有效的算法,能够将这些重叠在一起的细胞群分离为单个的细胞,文中针对二值化的图像,提出了一个基于形态学的算法,该方法首先利用腐蚀操作,以确定聚堆细胞最终分离为单个细胞的个数,然后再根据腐蚀后的结果,在原妈的二值图像上找到了分离点,从而最终有效地将重叠细胞分离为单个细胞,文中主要     

一种改进的重叠细胞分离算法

在细胞图像识别中,经常会遇到细胞重叠的现象,需要有一种有效的方法将重叠在一起的细胞分离成单个的细胞。目前很多分离算法都是基于数学形态学的,但这些算法都存在着一定的局限性。为此,提出了一种改进的基于数学形态学的分离算法,该算法首先采用一种简单、快速的边界剥离方法得到距离变换结果,然后再用分水岭方法对细胞图像进行分离。实验结果表明,算法获得了较好的分离效果。     

结合W4算法和LBP模型的运动目标检测方法

针对传统W4背景模型算法无法消除运动目标阴影的问题,提出了一种有效消除阴影的运动目标检测算法。首先,给定背景初始帧,用传统W4算法计算出每一个像素点的最小灰度值、最大灰度值以及最大相邻帧间差分值;其次,对每个像素点提取的最大灰度值和最小灰度值进行线性加权;之后结合能抵抗阴影影响的改进的LBP纹理特征,采用类似混合高斯背景模型原理的思想提取多个运动目标检测背景模型。精简提取得到的LBP纹理的种类,减少计算量,以达到实时性的要求。实验结果表明,该算法与同类算法相比更有效地去除阴影对运动目标检测的影响,也满足实时性的要求。     

粘连血细胞图像分离计数算法的实现

目前相关文献中提出的分割算法很多,但都没有一种通用的图像分割算法。不论采用何种分割算法,其分割结果图像中总会存在一些细胞粘连的现象,因而影响到细胞的分析。本文利用数学形态学中的腐蚀运算对二值细胞区域进行层层剥离,然后根据剥离结果判断是否找到了细胞中心点,并对中心点进行适当的修正,解决了因细胞粘连或噪声等原因造成中心点的增加(减少),进而完成细胞的计数统计。文中主要叙述了算法的设计思想及实现,程序运行结果表明,基于vc++.net的算法设计是有效的。     

基于细胞神经网络的灰度图像负片算法

提出了一种基于细胞神经网络的灰度图像负片算法。根据细胞神经网络高速并行的特点。提出并设计了单层细胞神经网络负片模板用于灰度图像的负片处理。为细胞神经网络在图像处理领域中的应用提供了一种优良的算法。实验证明了，该算法对灰度图像负片处理的有效性。     

边缘检测中的改进型均值滤波算法

针对传统高斯滤波器算法存在边缘模糊及局部伪影的问题,提出一种改进型均值滤波算法,以有效去除图像中的高密度脉冲噪声。通过求解图像直方图,检测图像直方图的左右2个峰值点,以查找出可疑的噪声点,进而使用灰度值确定其坐标。利用图像像素点周围灰度值的相似性,在局部窗口选择递归加权平均值代替被污染的图像像素点灰度值。结合自动选择Canny算子的双阈值方法,对灰度图像边缘进行检测。实验结果表明,该算法的算子滤波效果优于LOG算子和传统灰度Canny算子,且具有较好的稳定性。     

一种新的动态二值化算法

本文提出了一种新的动态二值化算法，以实现从灰度点阵图象中提取其对象。通过分析象素和其所在的局部区和灰度值等数字特征，可以判断局部区的内是否存在对象，阈值和判断条件对应。     

基于距离变换的粘连细胞分割方法

在医学细胞图像中,经常会有细胞重叠和粘连的现象。将粘连在一起的细胞群单个分开是医学细胞处理中一项重要而困难的问题。对这一情况,文章提出了一种有效的分割算法。先用最大类间方差法对图像进行二值化,然后对图像作距离变换,将像素点位置信息转化为灰度信息,再利用分水岭算法,找到粘连边界点,从而将细胞群分开。实验证明,该算法能成功地分离粘连细胞。     

基于骨架的血细胞图像分离算法

文章从细胞图像骨架的角度出发,研究和发展了一种新的粘连细胞分离算法。其主要思路是:首先采用细化算法提取细胞图像的骨架,并计算骨架各点的边界距离值,然后利用骨架边界距离函数波谷的特性将相互粘结的细胞分离。新算法提出了一种计算骨架边界距离值的新方法用于分析骨架波谷的特性,并在理论和实践的基础上,研究和发展了细胞图像中粘结细胞的分离准则。为证明该算法的有效性,选取了上百种不同的细胞图像进行了测试。实验结果表明,新算法能有效、快速地对细胞图像中相互粘结的细胞进行合理分割。     

灰度不变的图象插值算法

现有的图象插值算法会改变局部平均灰度，导致图象对比度下降。本文提出了一种新的保持平均灰度不变的图象插值算法。此算法的关键不同点在于不是让算法结果在采样点的值等于原采样值，而是在一个象素大小的单位面积上得到的平均值等于原采样值。插值结果C1连续，视觉上的平滑性接近于样条插值。将该方法用于图象几何变换可以避免灰度的损失。     

A robust algorithm for separation of Chinese characters from line drawings

Separating characters from graphics is an important step towards automatic document understanding. In this paper, we propose a robust algorithm to separate Chinese characters from graphics. Our approach is based on clustering the feature points in an image. Two remedy procedures are also proposed to solve the problems caused by the thinning process. This will obtain a better localization of feature points and improve the performance of the separation process. Using our algorithm, all Chinese characters can be separated from graphics without regard to the font style or orientation of the character. Furthermore, our algorithm can also handle the serious case where characters touch/cross lines. The proposed algorithm has been successfully tested on several kinds of line drawings, such as land register maps and form documents.     

基于数学形态学的重叠昆虫图像分离的研究

在实际的昆虫图像处理中,经常会碰到重叠现象。即多个昆虫聚集在一起,这给后续昆虫自动计数的结果的准确性产生一定的影响。因此需要对其进行有效的分离。论文以白粉虱图像为例,对其二值化后的图像,利用数学形态学方法中的腐蚀操作,达到将重叠昆虫有效分离的目的。为下一步昆虫图像的自动计数打下了良好的基础。文中主要讨论了算法的基本思想,并给出了实验结果。     

Segmentation of muscle cell pictures: a preliminary study

This paper describes a procedure for segmenting muscle cell pictures. The segmentation procedure is broken into two logical parts. The first part segments the picture into regions composed of cells or clumps of cells using a number of low-level operations. The second part of the procedure involves the segmentation of the cell clumps into individual cells. This is done by using a hierarchical clustering algorithm to group together those boundary points of a cell clump that belong to the same globally convex sections of the boundary. The dissimilarity measure used by the clustering algorithm is based only on information about the shape of the boundary, where this information is derived from line segments interior to the boundary. This procedure has given us satisfactory results on a number of test pictures.     

结合卷积神经网络和超像素聚类的细胞图像分割方法

针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。首先,利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;然后利用卷积神经网络获得初步分割结果;最后再将简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,本文提出的算法细胞分割准确率达到了92.72%,与经典卷积神经网络、阈值分割等其他细胞分割算法相比,具有更好的分割效果。     

分割相碰的白血球与红血球的一种新方法

本文介绍了一种分割相碰的白血球与红血球的新方法.步骤如下:首先检出没有和红血球相碰的白血球的那部分轮廓线段,然后找出轮廓线段的端点,并按一定规律把每两个端点配对,最后用直线或椭圆曲线把每对端点连起来,形成闭合的白血球轮廓.用这种方法成功地分割了一千多个与红血球相碰的白血球.     

地形图上的等值跟踪标记算法

应用经典的分水岭算法来分割粘连细胞图像时,等值淹没方式显得更为合理。提出了一种有效的等值淹没分割算法。先从二值化并作距离变换后的图像中找到种子点,然后对各种子点进行等值跟踪,边跟踪边分类处理标记,最后实现分割。实验证明,该算法分割效果好且速度较快。     

基于聚类和PEDCC-Loss的CNN分类器的分类性能提升

提出了一种基于PEDCC-Loss和聚类的方法来提升CNN分类器分类性能的算法。利用CNN以及PEDCC-Loss来对图像进行特征提取,然后用BIRCH聚类算法对每类图像的隐特征进行聚类,以获得更好、更逼真的非线性边界,最大程度地减少误分类的边界点。将网络最后一层的PEDCC权重作为每类图像的中心,并以聚类后的子簇的簇心作为分类的辅助判断依据进行图像分类。实验结果表明,该算法的分类准确率相比CNN有一定的提升。