一种基于改进的遗传算法的脑MR图像去偏移场模型

由于磁共振图像（Magnetic Resonance Images,MRI）常含有偏移场,影响后继图像分割。采用Legendre多项式基函数来拟合偏移场,以去除偏移场对图像分割的影响。当使得恢复图像的信息熵达到最小时,求得的偏移场最优。求偏移场的过程中需要求解基函数的参数,由于传统的梯度下降法易陷入局部最优,将遗传算法引入到参数求解过程中,然而传统的遗传算法时间复杂度高,易陷入局部最优,对遗传算法进行了改进,更容易得到全局最优解且时间复杂度较低。实验证明该算法可以得到精确的偏移场,得到准确的分割结果。     

基于改进的Mean Shift算法虚拟人脑图像分割

为了克服Mean Shift算法各向同性的缺点,使用结构信息构造各向异性高斯核,使其具有各向异性,从而克服细长目标的影响;将颜色空间投影到新的坐标系下,使得相近颜色可以有较大的距离,以增大虚拟人脑图像中灰质与下层数据之间的区别.虚拟人脑图像分割结果说明,该算法可以得到较好的分割结果.     

基于迹的非线性结构张量

提出一种新的非线性结构张量计算方法,扩展了基于迹的PDE正则化方法,使其适用于矩阵值数据场;利用该方法平滑结构张量,得到基于迹的非线性结构张量;并给出了新的结构张量在去噪领域的应用.实验结果表明:文中方法具有较好的鲁棒性.     

总变差去噪方法中结合局部结构信息的自适应保真项

提出一种自适应保真项用于总变差去噪方法．在讨论了局部结构描述子应满足2个必要条件的基础上,分析了线性结构张量在提取局部结构信息中的不足;将非线性结构张量用于构造自适应保真项,使得总变差去噪方法具有更好的去噪能力．实验结果表明：该方法能够很好地保持目标的边缘、尖角等几何结构．     

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.     

心脏核磁共振图像标记线的Bayesian跟踪方法

标记线跟踪是对心脏进行三维运动重建的前提,提出了基于Bayesian方法的标记线跟踪算法.算法在使用活动网格模型进行跟踪的基础上,通过预测网格节点的位置建立Markov随机场(MRF)模型,并使用EM算法将节点按是否在心室内加以分类.根据不同类别的网格节点在跟踪过程中所应起到的作用,设计不同的先验分布及似然函数,使用迭代条件模式(ICM)最大后验概率(MAP)求解网格结点坐标.对多序列心脏收缩期核磁共振图像的实验表明,算法能较准确地对网格节点进行分类,从而能在未给定心脏的内外轮廓的情况下准确地跟踪标记线;并且由于考虑到了网格模型的Markov性质,在跟踪过程中保持了网格的拓扑形状.     

基于水平集的3D左心室表面重建

提出了基于分层2D MRI图像重建3D左心室表面的算法.分层2D MRI图像能够跟踪左心室边界在成像平面内的变形,但由于缺少层间数据,层间边界形变的信息难以获取.为了重建左心室的形状,使用基于形变模型的方法：首先建立变形曲面的动力学方程;再将成像坐标系中的图像平面映射到重建坐标系,根据图像数据构造外力,使用平均曲率构造变形曲面的弹性力,然后用水平集数值解法求解动力学方程以重建左心室的表面.实验结果证明了算法的有效性.     

使用半高斯核的冲击扩散滤波图像盲复原方法

提出一种冲击扩散模型对含有模糊与噪声的退化图像进行盲复原.该方法使用半高斯核提取图像边缘的精确方向,并且对不同的图像区域使用不同的冲击扩散策略.实验结果表明,所提出的方法能够有效地消除图像中的噪声并增强边缘,同时能够保存小物体与角落等图像结构.相比于其他方法,所提出方法的复原图像拥有更好的视觉效果与更高图像评价指标.     

基于HSV颜色空间的中国虚拟人脑图像自动分割方法

虚拟人图像是目前研究的重点,其中脑图像尤为突出.在HSV颜色空间中对虚拟人脑图像进行分析,可以加大当前数据与下层数据的区别,以利于目标的分析.给出一种改进的各向异性扩散方程,并构造混合信息场,以降低噪声、过渡区域等因素的影响;使用Ostu算法与一种新颖的快速符号表算法对饱和度信息场与色度信息场进行分类,得到灰质分割结果;并利用解剖学知识、区域信息以及数学形态学知识对亮度场信息进行分析,以修正分割结果,最终将脑组织分离出来.实验结果表明该算法能较精确地得到分割结果.     

先验形状力场参数活动轮廓模型及其医学图像分割

先验形状参数活动轮廓模型是一种抗噪声干扰稳定的图像分割方法.它具有对弱边缘、凹区域进行分割的能力,同时有较大的边缘捕捉范围.通过引入一种非距离性的先验形状力场,构建一种新的能反映先验形状的参数活动轮廓模型.新的先验形状活动轮廓模型避免了曲线之间距离的计算,减少了模型的复杂性.新的方法可以较好地解决传统型参数活动轮廓模型的一些本质缺陷.实验对带噪声且为弱边缘的医学CT图像和超声图像进行分割能得到理想的边缘轮廓.