多阶U-Net甲状腺超声图像自动分割方法

甲状腺超声图像广泛应用于甲状腺相关疾病的诊断。针对甲状腺超声图像对比度低、边缘模糊以及散斑噪声严重等问题,提出一种基于多阶U-Net的深度卷积网络模型,用于实现甲状腺腺体与甲状腺结节的自动分割。该模型以U-Net为基本网络框架,通过不断进阶的特征融合,以实现图像边缘的信息提取。同时,在模型中使用了一种多尺度残差卷积模块以进一步提升分割精度。对比实验结果表明,该模型相较于其他方法能够获得更好的分割结果,具有一定的临床应用价值。     

基于自适应加权中值滤波的二维Otsu图像分割算法

为解决传统二维Otsu算法在含噪声较多的图像应用中分割效果较差这一问题,提出一种基于自适应加权中值滤波的二维Otsu图像分割算法.该算法首先利用一种新的自适应加权中值滤波对噪声图像中值滤波;然后将中值图像的二维直方图区域划分由四分法改为二分法;最后利用改进的二维Otsu算法对图像作精确分割.实验结果表明,该算法对灰度噪声图像具有更强的抗噪性且分割效果也更为理想.     

改进的自适应加权中值滤波算法

在分析了自适应算法和中心加权算法的原理和优势后,提出了一种改进的自适应加权中值滤波（IAWMF）算法。采用扩展边缘的方式,使原图像的所有像素点能够用噪声检测因子进行噪声检测,对含有噪声的图像采用自适应窗口（N ×N）的中心加权算法进行滤波,可以有效降低邻域噪声点对滤波图像质量的影响。仿真结果表明：改进算法在高浓度椒盐噪声条件下获得的实验效果峰值信噪比（ PSNR）、均值平方误差（MAE）、均值绝对误差（MSE）显著优于其他算法,在降噪和保持细节中取得很好的平衡。     

基于改进粒子群和自适应滤波的快速模糊聚类图像分割

为改进传统模糊C均值聚类(FCM)算法对初始聚类中心敏感、易陷入局部收敛、抗噪性差、计算量大的问题,提出一种新的基于改进粒子群算法的快速模糊聚类图像分割方法(PSOFFCM);方法首先利用自适应中值滤波对图像进行滤波处理,增强算法的鲁棒性;然后,将图像像素灰度值映射到二维直方图特征空间,作为聚类样本,优化FCM的目标函数,减少图像分割的计算量;最后,利用PSO算法代替FCM的梯度迭代过程,减弱了算法对初始聚类中心的依赖,同时增强全局搜索能力;实验结果表明,该方法不仅克服了FCM算法对初始聚类中心的依赖,而且抗噪能力强,收敛速度快,分割精度明显优于传统FCM。     

基于改进归一化割的甲状腺肿瘤B超图像分割

为了实现甲状腺肿瘤B超图像和核素图像的图像配准融合以及得到特征级图像配准所需要的特征区域,需分割出甲状腺、肿瘤及其周围组织。这类图像在形成过程中往往会产生斑点噪声使图像质量较差,且具有灰度对比度低和亮度分布不均匀等特点,提出一种基于各向异性扩散的归一化割分割法,将各向异性扩散模型引入到归一化割中,并通过调节模型参数来对甲状腺肿瘤B超图像进行去噪和边缘增强,优化了归一化割中轮廓线图和权值矩阵,在一定程度上避免了归一化割的过分割和欠分割,实验结果证明了该方法的可行性。     

一种滤波修正的K均值分割方法

许多传统的图像分割方法都需要输入用户难以理解的参数,而且这些参数对于结果的影响又比较大。基于聚类分析技术的方法对参数不敏感,简单而且高效,但因其专注于对单一特征空间的划分而无法同时保持区域均一性和空间紧致性。尽管已经出现了许多改进的方法,如采用进行空间约束的聚类方法和使用其它保持空间紧致性的方法进行结果修正等,不过不同空间划分之间的协调、新的参数复杂性和算法复杂性反而使得聚类分析技术失去其简单有效的优势。给出一种新的医学图像分割算法,通过结合K均值方法和各向异性滤波技术,保持图像空间紧致性并解决过分割和图像噪声问题,同时弱对象也能够被提取出来。对比实验以及应用表明,该算法具有良好的分割结果和性能。     

基于蚁群和自适应滤波的模糊聚类图像分割

为了改进模糊C均值聚类(FCM)算法对初始聚类中心敏感、抗噪性能较差、运算量大的问题,提出一种新的基于蚁群和自适应滤波的模糊聚类图像分割方法(ACOAFCM).首先,该方法利用改进的蚁群算法确定初始聚类中心,作为FCM初始参数,克服FCM算法对初始聚类中心的敏感;其次,采用自适应中值滤波抑制图像噪声干扰,增强算法的鲁棒性;最后,用直方图特征空间优化FCM目标函数,对图像进行分割,减少运算量.实验结果表明,该方法克服了FCM算法对初始聚类中心的依赖,抗噪能力强,收敛速度快,分割精度高.     

图像快速自适应加权中值滤波

中值滤渡由于可对随机噪声起到良好的去除效果因而在信号恢复中得到了较为广泛的应用.本文提出了一种新的快速自适应加权中值滤波算法以提高中值滤波算法的性能.该算法通过噪声检测确定图像被污染的程度.再根据污染情况选取不同的加权值.为提高中值滤波的速度,作者基于数组分布范围有限这一特征提出一种多级分阶的统计直方图中值求解方法.实验证明该算法在抑制噪声的同时也能较好地保护细节信息,并且能有效地提高标准中值滤波的速度.     

一种改进的自适应中值滤波方法

提出了一种改进的自适应中值滤波算法,以有效地去除图像中的脉冲噪声,并保留图像细节。在进行噪声点检测时,引入了最小集合距离测度,有效地避免了将高频细节信号误判为噪声。采用最小无污染点集合的中值恢复噪声点,消除了其邻域噪声点的影响。通过与RAMF、NASMF等方法的比较实验表明,新算法噪声检测的正确率高、降噪与保留细节效果好, 尤其对含噪声密度高的图像的处理效果优势更为明显。     

改进Mask R-CNN的甲状腺结节超声图像分割方法

甲状腺结节超声图像对比度低,斑点噪声严重,且不同病人的甲状腺结节形态差异较大,这给医生准确分割结节带来极大困难。为了精确地从超声图像中分割出甲状腺结节,对原掩膜区域卷积神经网络（mask regionconvolutional neural network,Mask R-CNN）的主干网络进行改进。在原主干网络的残差网络层中加入注意力机制模块来提高模型收敛性,并且在特征金字塔网络中增添一条由下向上的支路,将该支路输出特征图进行融合后,输入至区域推荐网络和感兴趣区域池化层,从而能够在融合多尺度特征的同时平衡特征图信息差异。经过对600幅甲状腺结节超声图像进行测试,改进后Mask R-CNN图像分割的平均Dice系数为0.914 8,平均精确度为0.932 2,平均召回率为0.903 4,平均F1分数为0.917 6。改进算法分割的Dice系数比原Mask R-CNN提升了0.080 6,改进算法可以应用于实际临床医学中自动分割甲状腺结节超声图像。     

基于各向异性扩散的医学图像分水岭分割算法

针对医学图像形态建模过程易产生过分割的问题,提出了一种基于各向异性扩散的分水岭分割算法。该算法首先对原始图像进行自适应各向异性扩散滤波,然后引入多尺度的形态梯度图像作为分水岭变换的参考图像,以突出图像中物体的边界轮廓,平滑具有均匀亮度的区域。最后,定义基于边界平均灰度和面积的区域合并准则,对分割后的区域进一步合并。实验结果表明,该算法能有效抑制过分割,具有较强的抗噪声性能,得到的分割结果可以满足医学图像建模的需要。     

基于融合自适应形态滤波的分水岭分割新算法*

针对分水岭分割易产生过分割问题,提出一种基于融合自适应形态滤波的分水岭分割算法。该算法对图像进行多结构多尺度自适应形态滤波处理,从而抑制图像的暗噪声和暗纹理细节。为了增强目标和背景的对比度,进行高低帽变换,再应用浸没模型的分水岭算法进行图像分割。实验结果表明,与一般的分割算法相比,该算法能有效地抑制各种噪声对分割的影响,具有较强的抗过分割性能,快速有效地实现图像的分割。     

Adaptive segmentation based on multi-classification model for dermoscopy images

Segmentation accuracy of dermoscopy images is important in the computer-aided diagnosis of skin cancer and a wide variety of segmentation methods for dermoscopy images have been developed. Considering that each method has its strengths and weaknesses, a novel adaptive segmentation framework based on multi-classification model is proposed for dermoscopy images. Firstly, five patterns of images are summarized according to the factors influencing segmentation. Then the matching relation is established between each image pattern and its optimal segmentationmethod. Next, the given image is classified into one of the five patterns by the multi-classification model based on BP neural network. Finally, the optimal segmentation method for this image is selected according to the matching relation, and then the image is effectively segmented. Experiments show that the proposed method delivers better accuracy and more robust segmentation results compared with the other seven state-of-the-art methods.     

自适应中值滤波算法滤除医学图像脉冲噪声

实现了一种滤除医学图像脉冲噪声的自适应中值滤波算法,用均方根误差和噪声对原图像的毁坏程度两个客观评价指标对该算法及传统均值、中值滤波方法进行了比较与评价。根据设定条件检测滤波窗口中心像素是否为脉冲噪声,采取滤波窗口自适应的算法来滤除脉冲噪声,去除了传统中值滤波对所有像素均用中值代替的弊端,减少了不必要的图像细节损失。基于MATLAB的仿真实验表明,对于较大密度的脉冲噪声,该算法在有效抑制噪声的同时,能较好地保护边缘和细节信息。该算法已应用于虚拟内窥镜系统中,取得了令人满意的效果。     

基于改进能量泛函模型的噪声图像分割算法

针对噪声图像的分割难,分割不准确,以及现有模型无法适应多种噪声环境的问题,提出了一种基于改进的能量泛函模型的噪声图像分割算法,该算法结合各向异性扩散方程和灰度水平集算法,通过对能量泛函的改进实现对噪声图像的准确、快速分割。将非凸泛函引入能量泛函模型,并通过证明不存在全局最小值,利用获得的能量泛函模型得到光滑的目标图像边界。将各向异性扩散模型得到的光滑图像与水平集模型相结合,得到改进的能量泛函模型。通过求解在能量泛函的最小值,得到前景目标的水平集演化的最佳位置。该算法与同类模型的对比实验表明该模型对噪声图像具有较高的分割精度和鲁棒性。     

基于非线性扩散滤波的水平集模型MRI分割

基于曲线演化的图像分割模型在分割目标时需要在目标附近人为地构造一条曲线作为初始曲线,在此基础上进行演化得到目标边界.当初始曲线离目标边界较远时,影响模型分割的效率;当初始曲线离目标边界很近时,意味着需要过多的人为操作,这使得其时间效率较低且易出错.为此,在非线性扩散滤波的基础上,给出一种半自动初始曲线构造方法,该方法首先利用AOS算法对图像进行非线性扩散滤波,再利用区域信息快速地得到离目标边界很近的初始曲线.然后构造一种新的基于区域信息的速度函数,由水平集模型对其演化,得到了较好的结果.MRI分割实验表明了方法的有效性.     

分类与分割相结合的JPEG图像隐写分析

目的 隐写分析研究现状表明,与秘密信息的嵌入过程相比,图像内容和统计特性差异对隐写检测特征分布会造成更大的影响,这导致图像隐写分析成为了一个"相同类内特征分布分散、不同类间特征混淆严重"的分类问题。针对此问题,提出了一种更加有效的JPEG图像隐写检测模型。方法 通过对隐写检测常用的分类器进行分析,从降低隐写检测特征类内离散度的角度入手,将基于图像内容复杂度的预分类和图像分割相结合,根据图像内容复杂度对图像进行分类、分割,然后分别对每一类子图像提取高维富模型隐写检测特征,构建分类器进行训练和测试,并通过加权融合得到最终的检测结果。结果 在实验部分,对具有代表性的隐写检测特征集提取了两类可分性判据,对本文算法的各类别、区域所提取特征的可分性均得到明显提高,证明了模型的有效性。同时在训练、测试图像库匹配和不匹配的情况下,对算法进行了二分类测试,并与其他算法进行了性能比较,本文算法的检测性能均有所提高,性能提升最高接近10%。结论 本文算法能够有效提高隐写检测性能,尤其是在训练、测试图像库统计特性不匹配的情况下,本文算法性能提升更加明显,更适合于实际复杂网络下的应用。