多阈值优化交互式分割算法及其在医学图像中的应用

针对交互式图像分割方法对边界模糊的医学图像进行分割时通常需要用户标记较多的初始种子或进行二次交互的不足,提出了一种简化标记的多阈值优化交互式分割算法。该算法在GrowCut交互式算法基础上通过引入图像灰度直方图的多个阈值自动生成初始种子模板,并利用改进的细胞自动机迭代算法实现图像分割。算法简化了用户操作,提高了分割精度。应用该算法分别对临床100张肝脏图像和牙菌斑图像进行分割,结果显示了该算法的良好性能。     

多阈值交互式图像智能分割方法优化与仿真

目前多阈值交互式图像分割方法没有对图像进行预处理,存在图像分割效果差与图像分割性能不佳的问题。提出基于Prewitt算法的多阈值交互式图像分割优化方法。方法首先利用自适应算法对图像进行去噪以及纹理处理,对图像进行增强,将增强后的图像进行交互式处理,即对图像进行标记和合并以此提高分割效果,最后在Prewitt算法的基础上优化阈值选取并进行图像分割,实现多阈值交互式图像分割优化。实验结果表明,所提方法的图像分割效果与分割性能较好,说明该方法的应用价值较高。     

基于自适应局部阈值的交互式图像分割

目前比较主流的交互式图像分割技术,对用户的输入位置和输入量比较敏感,而且用户的输入具有试探性,所以为了得到满意的分割结果,用户不得不多次调整自己的输入,比较繁琐。针对这种不足,提出一种新的交互式图像分割方法。首先采用基于自适应局部阈值的图像分割算法,生成一系列同质区域,并描绘出其轮廓;然后用户用不同颜色,粗略标记出组成不同目标的区域集;最后通过合并同色标记的区域集,完成图像分割。实验结果表明,该算法不仅满足用户对交互式图像分割输入更直观、结果更准确的需要,同时方便地实现了多区域多目标的图像分割。     

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.     

基于图像区域的交互式文本图像阈值分割算法

针对现有局部阈值分割算法因参数过多带来的参数选择问题以及在分割结果中块与块之间不连续性问题,利用用户提供的先验知识或经验,提出了一种基于灰度图像区域的交互式文本图像阈值分割算法.该方法首先粗略地将图像进行分块;利用标准差作为衡量图像块含有信息量(背景信息与目标信息)多少这一度量,接着按标准差大小对所有图像块进行排序;然后由用户输入交互式信息将所有图像块分为3个集合:仅含背景或仅含目标的图像块、含有少量背景或者是含有少量目标的图像块以及背景和目标分布比较均衡的图像块;最后对各个集合中的图像块分别按相应准则进行分割.实验结果表明,对于均匀和非均匀光照条件下的文本图像,与全局分割算法、直接分块分割算法和Chou方法相比,该方法在分割效果上有显著提升,而且执行效率也较高.另外,对于部分非文本图像也同样有效.     

基于阈值的图像分割方法

通过分析图像阈值分割方法的基本原理。得出直方图闽值分割方法以及迭代阈值图像分割，并通过VC＋＋6．0加以实现。分析图像分割结果，并对两种阈值分割方法进行利弊分析。     

医学图像自动多阈值分割

针对医学图像的自动多阚值分割问题,采用模糊C-均值(FCM)聚类法找到医学图像的不同组织和背景的聚类中心,再利用二雏直方图的方法,找到多阈值分割的各个阈值点进行分割.引用二维直方图的方法可以很好地保留目标的细节信息,更好地抑制噪声.     

基于图像边缘信息的2维阈值分割方法

为了改善2维阈值分割性能,提高图像分割的效率,在传统2维Otsu阈值分割算法的基础上,提出了一种基于图像边缘信息的2维阈值分割方法。这种改进的方法保留了2维Otsu阈值分割算法分割结果准确的优点,并在此基础上充分利用图像的边缘信息,通过分析图像的边缘直方图和阈值的关系来得到最优分割阈值。仿真实验结果表明,该方法与传统2维分割算法相比,不仅计算简单,而且实时性好。     

多分辨率二维直方图阈值分割方法

鉴于二维直方图阈值分割方法利用灰度的空间相关性取得高的分割效果和多分辨率阈值分割方法具有阈值搜索灵活高效的特点,提出了一种基于多分辨率的二维直方图自适应阈值分割的结合方案,降低了二维直方图计算复杂度,提高了多分辨率阈值方法的搜索精度。实验结果表明,该方法取得的分割结果与二维直方图方法基本一致,计算复杂度随分辨率的级数成指数下降。     

基于配对堆的交互式医学图像分割算法的研究

在序列医学图像的交互式分割过程中,分割速度是交互式算法应用的一个瓶颈.提出了一种基于配对堆的交互式医学图像分割算法.通过使用配对堆实现可降级的优先队列,降低了Live-Wire交互式分割算法从图上大量节点中动态搜索两目标点之间最短路径的时间复杂度.经算法分析以及在放疗计划系统中的应用实验表明,该算法可有效提高序列医学图像的分割效率.     

交互式流域算法在医学图像分割中的应用

本文首先介绍了流域算法的基本思想、基本原理以及流域变换过程中所存在的问题,回顾了为加快流域变换的计算而进行的大量研究工作,然后利用区域信息、结合交互式流域变换分割医学图像,实验结果表明该方法能有效地解决流域变换中的过度分割问题。     

面向生物医学图像的交互式分割算法

结合阈值法和区域生长算法,提出一种面向生物医学图像的交互式分割算法。利用阈值法对图像中用户选取的感兴趣区域进行预分割,通过阈值分割得到的目标区域确定区域生长算法的种子像素与相似性准则,获得最终分割结果。实验结果表明,该算法简单快速、对生物医学图像可取得良好的分割效果。     

基于Level Set算法的医学图像分割的研究与实现

提出了一种改进的结合基于阈值分割特点的Level Set方法.首先用滤波器对原始图像进行平滑,然后根据当前曲线找到区域的统计特性,最后根据区域之间的统计特性的相似度重新定义了Level Set方法的演化停止准则,从而提高了算法的准确性和自动性.实验结果表明,该方法具有较好的分割效果和较高的分割效率.     

一种改进的拉普拉斯水平集医学图像分割算法

作为图像识别与图像理解的关键步骤,图像分割一直受到人们的重视,很多相应的算法被提出,但它也面临着很多挑战。医学图像分割的难点是对模糊边缘的连续有效分割,为准确的目标提取提供保障。提出一种新的医学图像分割算法,算法在拉普拉斯水平集图像分割算法基础上,融入图像的区域信息,重新定义了驱动水平集表面演化的速度函数。算法除了利用图像的边缘梯度信息外,还充分融合了图像的区域信息,从而在保持图像边缘局部特征的同时,充分利用了区域全局优化的特点,可实现医学图像的有效分割。与经典水平集分割方法相比,改进后的方法能够更好地保持边界的连续性,得到比较完整的分割结果,为图像分析提供可靠的科学数据。     

结合分水岭算法的水平集医学图像分割方法

由于医学图像中的复杂目标通常难以被完全分割,提出标记分水岭与改进型Li模型的组合图像分割算法。改进型Li模型构造了符号压力函数来取代传统的停止函数,解决了曲线单向演化的问题。标记分水岭具有较强的抑制噪声的能力,对医学图像的弱边缘具有较强的捕获能力。所以首先运用标记分水岭算法对图像进行预分割,快速准确定位目标区域边缘信息。再引入改进型Li模型算法,通过符号压力函数来指引曲线演化方向,控制演化速度大小,实现对复杂目标的完全分割。实验结果表明:全局信息和边缘信息都能被获得,该组合算法对医学图像中的复杂目标的分割效果较满意。     

基于双模型交互学习的半监督医学图像分割

在医学图像中, 器官或病变区域的精准分割对疾病诊断等临床应用有着至关重要的作用, 然而分割模型的训练依赖于大量标注数据. 为减少对标注数据的需求, 本文主要研究针对医学图像分割的半监督学习任务. 现有半监督学习方法广泛采用平均教师模型, 其缺点在于, 基于指数移动平均(Exponential moving average, EMA)的参数更新方式使得老师模型累积学生模型的错误知识. 为避免上述问题, 提出一种双模型交互学习方法, 引入像素稳定性判断机制, 利用一个模型中预测结果更稳定的像素监督另一个模型的学习, 从而缓解了单个模型的错误经验的累积和传播. 提出的方法在心脏结构分割、肝脏肿瘤分割和脑肿瘤分割三个数据集中取得优于前沿半监督方法的结果. 在仅采用30%的标注比例时, 该方法在三个数据集上的戴斯相似指标(Dice similarity coefficient, DSC)分别达到89.13%, 94.15%, 87.02%.     

医学DR图像分割处理过程仿真分析

研究医学DR图像准确分割方法.人体组织的分布特征很难运用准确的数学模型进行描述,由于厚度不均匀,在进行CT图像采集的过程中,图像细节信息会被噪声等不利因素埋没,边缘变得不清晰,对比度降低.传统分割算法主要针对像素的某一个具体特征做出判断,在有噪的环境下,像素提纯受到干扰,很难对非可控信息进行模型控制,导致对医学DR图像的分割效果不好.为了避免上述缺陷,提出了一种人工鱼群算法的医学DR图像分割处理方法.通过对采集的DR图像进行增强处理,提高DR图像的对比度,利用SUSAN算子去除干扰信号,准确计算初始病变区域边界,对边界像素运用人工鱼群方法寻求.实验结果表明,利用改进算法能够有效提高医学DR图像分割的准确性,有利于临床医疗诊断.     

深度学习下的医学影像分割算法综述

医学影像分割是计算机视觉在医学影像处理中的一个重要应用领域,其目标是从医学影像中分割出目标区域,为后续的疾病诊断和治疗提供有效的帮助.近年来深度学习技术在图像处理方面取得了巨大进展,基于深度学习的医学影像分割算法逐渐成为该领域研究的重点和热点.叙述了计算机视觉下的医学影像分割任务及其难点,重点综述了基于深度学习的医学影...     

一种改进的IS图像分割算法

由于交互式分割中Live-wire算法运算速度较慢和操作复杂的问题,该文提出了改进的IS分割算法,在其代价函数中,使用Canny算子代替Laplace算子,并加入了像素边界函数、内边界函数和外边界函数等约束条件,较大的提高了算法运算速度的同时也提高了精度。