基于模糊数模型的医学超声图像分割方法

针对基于模糊推理的医学超声图像分割方法存在算法复杂度高及灵活性较差等问题,提出了一种基于模糊数模型的医学超声图像分割方法。用局部直方图间相似性匹配和自适应平滑方法对输入图像进行预处理得到相似图像和平滑图像,通过一种基于模糊数模型的模糊控制方法处理生成的相似图像和平滑图像,实现医学超声图像的分割。实验结果表明,该方法简化了处理过程,降低了算法复杂度,对医学超声图像能够进行有效分割。     

基于纹理相似栈的超声图像分割方法

超声图像高噪声、低对比度的特点使其含噪图像的纹理信息较难提取。为此,提出一种基于自适应相似栈的聚类分割方法。对超声图像进行自适应去噪获得估计图像,结合超声图像和估计图像建立基于非局部搜索的相似栈列,应用相似栈列对超声图像纹理特征值进行修正,并使用K-means聚类将超声图像划分为互不重叠的区域。实验结果表明,该方法分割结果与人工分割结果的重合度达到93. 28%,在差异较大的样本下重合度标准差为2. 07%,从而验证其可对超声图像实现稳定有效的分割。     

基于PSO的Markov随机场在医学图像分割中的应用

研究了应用粒子群优化算法（PSO）优化Markov随机场方法对磁共振图像进行分割的算法。建立了基于马尔可夫随机场的图像分割模型,针对马尔可夫随机场图像模型的局部相关特性和最大后验概率估计,将粒子群优化算法应用于该模型,快速获得图像分割目标的全局最优解。实验数据表明该方法的高效性。     

相似背景下的苹果图像分割方法仿真研究

研究基于图像的苹果分割问题.针对传统基于背景颜色像素的区别,利用像素相减的方法进行苹果图像的分割,当图像中,苹果颜色和树叶颜色相近的时候,边缘像素相减的结果变化不明显,算法根据结果不能完整的分割苹果图像的问题.本文提出基于改进的主成分分析算法的苹果图像分割方法.通过像素概率知识,将苹果图像的颜色特征进行归类,运用边 缘像素排序的方法,描述苹果图像边沿的细节信息.排除相似边沿像素的干扰.实验证明,这种改进后的方法实现了在与自身颜色相似情况下苹果图像的完整分割,取得了满意的效果.     

基于SOM神经网和K-均值算法的图像分割

提出了一种基于SOM神经网络和K-均值的图像分割算法。SOM网络将多维数据映射到低维规则网格中,可以有效地用于大型数据的挖掘;而K-均值是一种动态聚类算法,适用于中小型数据的聚类。文中算法利用SOM网络将具有相似特征的象素S点映射到一个2-D神经网上,再根据神经元间的相似性,利用K-均值算法将神经元聚类。文中将该算法用于彩色图像的分割,并给出了经SOM神经网初聚类后,不同K值下神经元聚类对图像分割的结果及与单纯K-均值分割图像进行对比。     

一种基于区域综合特征的图像检索方法

提出一种基于目标区域的图像检索方法,首先采用颜色聚类的分割方法将图像分割成不同的区域,提取每个区域的颜色、位置、形状等低层特征,然后提出一种相似度计算方法实现图像的相似性度量。为了提高图像检索的准确度,最后采用支持向量机（SVM）的相关反馈算法。实验结果表明,基于目标区域的图像检索效果比基于全局图像特征的检索效果有较好的改善。     

基于伪并行免疫遗传算法和粗糙集的图像分割方法

提出了一种结合伪并行免疫遗传算法和粗糙集的新的图像分割方法,该方法适用范围广.以各抗体子群体适应度为依据构建属性值表,基于属性值的不可分辨关系将图像分成许多小区域;通过值约简、属性权值、区域差异度计算得到各基本区域之间的差异度矩阵,进而对基本区域进行相似域和非相似域的划分,最后基于相似度的最终等价关系及分割来实现基本区域的合并完成图像分割.实验结果验证了该方法的有效性.     

改进的PCNN用于遥感图像分割

遥感图像通常具有分辨率低、对比度弱的特点,采用经典的脉冲耦合神经网络模型分割时,难以得到理想的分割效果.为了解决这一问题,考虑神经元之间的相似程度和神经元之间距离的远近,采用高斯函数定义神经元之间的相似度,重新描述神经元之间的激励和抑制关系,改进了连接输入项和动态阈值,得到新颖的脉冲耦合神经网络模型,对新模型的动态行为进行理论分析.为了进一步说明改进方法的有效性,对遥感图像进行仿真对比实验,实验结果表明改进的脉冲耦合神经网络模型优于其它分割方法,更适用于遥感图像的分割.     

一种基于QPSO的脉冲耦合神经网络参数的自适应确定方法

针对目前脉冲耦合神经网络(PCNN)神经元模型中的参数主要通过人工定义的问题,提出一种基于量子微粒群优化(QPSO)算法的PCNN参数自动确定方法,并分析该算法的时间复杂度。该方法利用PCNN分割后的图像熵作为QPSO算法的适应度函数,在解空间中自动搜索PCNN中待确定参数的最优值,提供一种PCNN神经元模型中的参数自动确定方法。将该方法应用于图像分割时,以互信息量作为图像分割评价标准。仿真结果表明文中方法实现正确的图像分割,其性能优于Otsu方法、人工调整PCNN参数方法、遗传算法优化方法和微粒群优化方法,表现出较好的鲁棒性。     

一种基于前景与背景划分的区域图像检索方法及实现

区域图像检索(RBIR)是基于内容图像检索(CBIR)的一个分支,它以图像分割为基础,通过图像局部视觉特征的相似性进行图像检索。由于准确的图像分割技术尚不成熟,区域图像检索性能容易受到冗余分割和错误分割的影响。为了降低RBIR中图像分割的影响,提出了一种基于前景和背景划分的区域图像检索方法。该方法通过规则分块、图像分类和有效区域定位来得到图像分割区域,然后应用中心对象提取算法(COEA)获得图像主体对象,最后提取颜色和纹理特征进行相似度匹配。实现了一个基于上述方法的RBIR系统ObFind,实验结果表明该方法不仅具有与SIMPLIcity相当的检索性能,而且计算复杂度更低。     

利用曲率信息的图像分割改进模型

首先从理论上分析无须重新初始化的水平集方法的主动轮廓图像分割模型,该模型对一些具有不光滑尖角的图像进行分割时,捕捉这些尖角往往不精确甚至失败;然后对利用边缘检测函数的曲率信息识别出凸尖角并进行分割的方法进行研究,由于此方法没有考虑凹尖角的情形,故对含凹尖角的图像分割效果不理想。为解决该问题,提出利用图像的曲率信息识别出凹尖角,再将其与利用边缘检测函数曲率信息识别凸尖角的方法相结合,进一步修正边缘检测函数,达到准确捕捉物体的凸尖角和凹尖角的目的,保证了分割的准确性。数值实验表明,该方法的分割效果较好。     

基于热平衡的中智学图像分割方法

为降低噪声对图像分割结果的影响,提出一种基于热平衡理论的中智学图像分割方法。该方法将图像转化为中智学图像,考虑每一个像素的不确定性,通过热平衡运算及图像增强处理,使噪声点变得更平滑,再使用γ-均值聚类方法分割图像。实验结果表明,对于含不同程度噪声的图像,该方法的分割效果明显优于中智学方法及改进的模糊C-均值方法。     

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.     

基于复合矢量场的改进ACM模型与医学图像分割

提出了一种基于复合矢量场的改进ACM模型分割算法。采用广义模糊理论对图像进行处理,得到较理想的边缘映射图,在此基础上构建一个复合矢量场替代原有的力场,使得图像的分割结果有了较大的改进。实验结果证明,该算法能在较大范围内捕获图像的特征、较好地处理深度凹陷区域和大曲率边缘的能力。     

一种基于粗糙集理论的神经网络图像分割方法

神经网络用于分割图像时需要大量的训练数据,由于数据量大,计算速度相当慢。不适合实时数据处理。基于此,将粗糙集理论与神经网络相结合,提出基于粗糙集的神经网络图像分割方法。利用粗糙集理论中的约简的计算方法,从图像属性中获取精简的规则,根据这些规则构造神经网络各层的神经元个数,并根据粗糙集理论中的属性重要性来修正神经网络的权值。实验结果表明,该方法抗噪能力强,提高了精度,在大大缩短网络训练时间的同时改善了分割效果。满足图像处理的实时性要求。     

一种快速均值漂移图像分割算法

图像分割是图像分析及图像理解的关键步骤。与其他图像分割算法相比,均值漂移(Mean Shift)算法具有原理简单、无需先验知识、可以处理灰度图像及复杂的自然彩色图像等优点。但该算法需要对图像中每个像素点进行迭代计算,因此分割所需要的时间较长。本文提出了一种快速Mean Shift图像分割算法(Fast mean shift,FMS),将少量像素点作为初始点进行迭代计算,而出现在高维球区域内的其他像素点根据其到已有类中心的距离进行归类,从而减少Mean Shift算法的迭代次数,缩短分割时间。实验结果表明,本文提出的快速Mean Shift图像分割算法可以获得良好的分割结果且具有较高的分割效率。     

融合边缘增强注意力机制和U-Net网络的医学图像分割

医学图像分割是医学图像处理领域中的关键步骤,随着深度学习技术的逐步深入,图像分割技术有了突飞猛进的发展.然而,在分割过程中,病灶特征的边缘像素点划分仍存在模糊、不准确的问题.为此,提出一种边缘增强的注意力模块(CEA),分别进行水平和垂直2个不同方向的特征编码捕获位置信息,并通过计算位置特征和输入特征之间的偏移量加强边...     

基于图像处理的体外诊断试剂浓度定量检测

针对目前大多数体外诊断试剂浓度只能靠目测或半定量检测的问题,结合数字图像处理技术,提出了一种快速定量进行体外诊断试剂浓度检测的方法。通过对诊断试剂进行图像采集,运用边缘检测、Hough变换进行旋转校正,然后对图像进行分割、抗噪声等技术处理,提取样本图像信息,根据标准曲线计算诊断试剂浓度。实验结果表明,该方法具有稳定性和准确性。     

基于相似性的中智学图像分割方法

针对传统图像分割算法抗噪性差的问题,提出基于相似性的中智学图像分割方法。该方法在中智学基础上,利用图像信息的不确定性,结合相似性运算对图像信息进行处理。根据像素点的不确定性,图像在中智学领域内经相似性运算和图像增强后,利用聚类将其分割。实验结果显示,该方法可以有效剔除噪声,提高图像的信噪比,对合成图像分割错误率仅为0.110 7,低于其他方法,表明本方法在抗噪性以及图像分割效果上比其他方法更为理想。