排序方式: 共有35条查询结果,搜索用时 0 毫秒
31.
肺实质分割是肺部CT用于诊断肺部疾病的关键步骤之一,精准的肺部分割有助于辅助医生提高诊断效率。现有的分割模型严重依赖大量样本的训练,面对突发疾病或样本有限时对新病灶的特征学习不够充分,无法实现有效的肺实质分割。针对上述问题,提出了一种基于K-Means和阈值凸包算法相结合的肺实质分割方法。首先利用K-Means实现背景和前景的分离,然后使用连通区域标记法和孔洞填充法相结合以剔除干扰像素,以边界追踪法得到粗分割的肺实质轮廓,最后应用新提出的阈值凸包算法对轮廓进行平滑处理,实现肺实质的精准有效分割。实验表明,对比经典的形态学方法和凸包算法,本文方法在有效修补肺部轮廓凹陷的同时也能更好地保留肺门处的轮廓;与分割网络U-Net和U-Net++进行对比,该方法在数据有限时能实现更好的分割结果,面对突发肺部疾病有更好的普适性。 相似文献
32.
为解决现存可回收垃圾分类方法较为低效,垃圾不能及时处理的问题,本文提出了一种基于多模型决策融合网络并实现了准确的垃圾分类。构建的决策融合网络以垃圾图像作为输入,选取经典神经网络Googlenet、VGG19_BN、Resnet18分别作为3个决策模型,融合3个决策模型的决策分类结果作为最终分类结果,实现更为可靠、精确的可回收垃圾分类。模型的训练还加入了迁移学习与学习率衰减的技巧。经过数据集验证,与其他可回收垃圾分类深度学习方法相比所提出的方法实现了更高的可回收垃圾分类准确率,其在数据集上的测试准确率达到97.67%,同时与单模型决策网络的比较结果验证了本文所提多模型决策融合方法的有效性。 相似文献
33.
针对复合信号源信号数目未知,无法正确预设分解模态数K值而不能对信号进行有效变分模态(variational mode decomposition,VMD)的问题,提出了一种基于稀疏指标的优化VMD法。该方法基于VMD所构建变分模型中各个分量的稀疏先验知识,实现了VMD自适应寻优K值,其将最佳K值确定为稀疏指标由上升至下降的转折点;在计算VMD各个分量的稀疏度时,考虑到不同分量间的能量差异加入了能量权值因子,最后将稀疏指标确定为分解后各分量边际谱稀疏度的平均值。仿真信号与实际信号分解试验验证表明:相较于其他两种VMD的K值确定方法,该方法确定的K值结果更为准确,实现的优化VMD自适应性更强,较其他信号分解法如经验模态分解(empirical mode decomposition,EMD)有更好的分解效果,为源信号数目未知的复合信号VMD提供了新思路;此外,噪声的鲁棒性试验证明所提基于稀疏指标的优化VMD法还具有一定的抗噪能力,较稳健,可开发应用于实际工程。 相似文献
35.