基于边缘保持滤波和改进核模糊聚类的脑肿瘤图像分割方法

脑核磁共振图像常常受到噪声的影响,且有灰度不均、边界模糊的特点,使得传统聚类算法无法获得理想的脑部肿瘤分割结果,为此提出一种基于边缘保持滤波和改进核模糊聚类的脑肿瘤图像分割方法.该方法首先采用改进的引导滤波算法对图像进行预处理,解决平滑图像时不能保留图像边缘的问题;然后将传统核模糊C-均值聚类算法(Kernel fuzzy C-means clustering)中的单一高斯核函数替换为混合高斯核函数,将数据由低维空间映射到高维特征空间;最后将马尔科夫随机场的先验概率引入,对算法的目标函数进行修正,进一步增强算法的抗噪性.实验结果表明,所提方法在去除噪声的同时,能够有效保留图像的边缘信息,PSNR值相比传统算法提升0.804 1～2.096 2 dB,SSIM值相比传统算法提升0.031 2～0.065 4,且算法分割精度更高,Dice指标和Jaccard指标的平均值分别达到0.955 1和0.914 1.     

基于K均值聚类算法提取CT图像的肺部肿瘤

为自动提取CT肺部肿瘤,辅助医生对患病部位进行诊断和治疗,利用K均值聚类算法自动提取肺部肿瘤和剩余肺部图像,并分别和影像医生手工分割的肺部肿瘤和剩余肺部图像作对比。结果表明,自动提取的肺部肿瘤图像与专业医学影像医生手工提取的肺部肿瘤图像在外形、灰度和方差方面非常接近,说明利用K均值聚类算法自动提取肺部肿瘤的方法是有效的、可行的。     

基于Shearlet变换和Krawtchouk矩不变量的河流SAR图像分割

合成孔径雷达(synthetic aperture radar,SAR)图像分割是河流检测与识别的关键步骤,为了进一步提高河流SAR图像分割的准确性,提出一种基于Shearlet变换、Krawtchouk矩不变量及模糊局部信息C均值聚类的河流SAR图像分割方法.首先,对河流SAR图像进行Shearlet分解,提取其纹理特征,构成特征向量的前半部分;然后,计算河流SAR图像的Krawtchouk矩不变量,作为其形状特征,构成特征向量的后半部分;最后,利用模糊局部信息C均值算法依照上述特征向量进行聚类,由此得到河流SAR图像分割结果.大量实验结果表明,与近年来提出的脉冲耦合神经网络结合最大方差比准则分割法、Gabor小波变换结合模糊C均值聚类分割法、FLICM聚类分割法相比,所提出的方法在主观视觉效果以及客观定量评价指标误分割率上均有明显优势,且分割河流SAR图像更加准确.     

浅谈医学彩色细胞图像分割法――C-均值聚类算法

在本文中主要介绍了图像分割的基本概念,应用C-均值聚类算法对Ki-67彩色图像进行分割,提取阳性细胞。     

TV-L1分割方法与三维重建技术在骨外科手术中的应用

对骨外科CT数据进行三维重建有利于骨外科专家对骨科患者的临床诊断。通过常规骨折案例和带有金属植入物骨折两个不同案例的分析,进一步讨论了三维重建技术在骨外科领域的应用,提出一个新的三维变分框架,其中包含两个分割过程:对二维CT图像进行TV-L1分割,提取出感兴趣区域;对CT图像进行三维重建后,对三维图像再一次进行TV-L1分割处理,给出了一个更清晰的三维体绘制结果。在TV-L1分割算法中,采用一个双辅助变量和快速主-对偶方法来提高TV-L1模型的计算速度。     

一种结合遗传算法的图像分割方法

模糊聚类算法是一种解决图像分割的常见算法,Stelios在模糊C均值聚类算法的基础上提出了FLICM算法,极大地改进了图像分割的效果。基于此,经过分析证明FLICM算法存在的不收敛问题,在此基础上改进了FLICM算法,并提出了结合遗传算法来解决因目标函数复杂度高而无法给出"闭合"迭代公式的问题。从结果来看,该算法不仅克服了FLICM算法不收敛的问题,而且取得了更好的图像分割效果,使得图像细节得到更充分的保留。     

基于Shearlets变换的SAR图像去噪

在合成孔径雷达(SAR)相干噪声模型基础上提出了一种基于剪切波(Shearlets)变换的SAR图像去噪算法. Shearlets变换继承了Curvele变换和Contourlet 变换的优点,既有灵活的方向选择性又易于实现,并且对于包含C2 奇异曲线或曲面的高维信号具有最优逼近特性. 该文采用Shearlets逼近SAR图像,再用基于贝叶斯估计
理论的双变量阈值函数对Shearlets变换系数进行处理得到去噪图像. 仿真结果表明,相比使用同级Contourlet双变量阈值去噪,该算法峰值信噪比提高2 dB;相比使用非下采样Contourlet变换双变量阈值算法去噪,该算法去噪后图像不仅峰值信噪比有所提高,而且更平滑,计算时间也大大减少.     

改进的Snake算法在颅脑CT图像分割中的应用

尝试用一种改进的Snake算法创建模型,自动分割CT头颅断层图像的脑组织和脑脊液,用于后期辅助医生对患病部位的诊断和治疗,为临床提供更方便的工具。考虑到脑部CT图像和相邻的骨组织灰度差异较大,利用改进Snake算法对CT头颅图像进行自动分割,将分割的脑组织图像与专业医学影像医生手工分割的CT脑组织图像做对比,发现这种改进的Snake算法分割的CT颅脑图像从轮廓外形、灰度均值和方差值都和专业医生手工分割的CT颅脑图像非常接近,表明这种改进的Snake算法分割CT颅脑图像是可行的。     

图像的平移不变量小波去噪法及其应用

图像的平移不变量小波去噪法是小波收缩阈值去噪法的改进,能够有效抑制小波阈值去噪过程中出现的伪吉布斯现象.分析了图像的平移不变量小波去噪法的原理及其算法,并将该方法应用于颗粒显微图像的去噪.对采用不同去噪方法的图像按照分水岭算法进行分割,然后进行对比.实验结果表明图像的平移不变量小波去噪法的去噪效果较好。     

两阶段纹理图像分割

谱聚类是一种以图和相似性为基础的聚类新算法.当图像很大时,计算相似性矩阵及其特征值和特征向量十分耗时.为了将谱聚类算法应用于大规模聚类问题,该文提出一种两阶段纹理图像分割算法,采用改进的分水岭算法进行预分割,然后用特征值尺度化特征multiway谱聚类算法进行最终分割.为了检验算法性能,将其应用于纹理图像分割,分割结果令人满意.     

CT图像重建算法的改进

CT图像重建算法是医学影像学的主要研究领域,然而CT图像重建时不可避免地存在噪声、伪影,因此,需要研究一种新的算法对CT图像进行去噪处理,进而重建出低噪声、高分辨率的CT图像。基于此,本文提出基于过完备字典稀疏的去噪模型,并运用于CT图像去噪,同时将基于低秩矩阵分解应用于CT重建,核心思想是利用CT图像投影矩阵的稀疏特性,提出了一种新的CT图像重建法,其重建过程分成2个步骤:一个是过完备字典稀疏法(K-SVD)进行图像去噪预处理,一个是低秩矩阵分解(LRMD)更新CT图像。结果表明,提出的方法能更好地保持图像细节,低秩矩阵的特性使得算法的复杂度得以降低,提出的方法具有较好的去噪效果,提高了重建图像的质量。     

基于加权特征的无监督模糊聚类入侵检测研究

鉴于网络入侵检测数据样本特征属性的异构性及贡献率不同,提出一种加权特征的异构数据相似性度量法来反应网络数据样本间的相似程度.针对基于模糊C-均值聚类的网络入侵检测算法聚类数目难以确定的问题,提出了一种自动确定最佳聚类数的无监督模糊聚类入侵检测算法.通过KDDcup1999数据集的仿真对比实验,结果表明本文算法能找到最佳...     

基于三维脉冲耦合神经网络模型的医学图像分割

该文将脉冲耦合神经网络模型从二维平面扩展到三维空间,同时提出一种新的乘积型互信息算法,将其作为脉冲耦合神经网络分割算法的最优分割准则,并将两者结合实现三维医学图像的整体自动分割. 利用该文提出的算法对三维CT肺部图像进行分割实验,结果表明,该算法在保证分割精度的基础上显著地减少了分割运行时间,提高了分割效率,具有应用于医学图像分割的潜在价值.     

基于FCM和BP神经网络的棉麻纤维识别方法研究

提出一种基于模糊c均值(FCM)和BP神经网络的棉麻纤维识别方法。首先,根据纤维横向和纵向截面形态的不同,提取6个特征参数,然后运用模糊c均值算法将样本聚类成3类,再将聚类后的数据作为BP神经网络的输入进行训练和预测,最后进行仿真实验。结果表明,将两种算法结合起来用于纤维的识别具有明显优势,是值得推广的纤维识别方法。     

一种改进的变分正则化CT重建算法

针对常规ART算法重建图像像素值不稳定,收敛速度慢的缺点,从正则化方法和求解不适定方程问题的数学角度入手,提出了能应用在CT重建中的一种改进的自适应变分正则法.该算法首先对投影数据进行ART重建,然后引入重建图像的梯度作为先验信息,并让梯度自适应下降,来改善重建结果.仿真实验表明,本文算法不仅很好地重建了完整图像的结构信息,还使重建图像更加平滑,收敛速度更快.     

一种改进的K means聚类彩色图像分割方法

图像分割是从图像处理到图像分析的关键步骤.图像分割的目的是将图像分割为多个互不重叠且又各具特性的区域,主要应用于图像压缩、目标提取、模式识别等.以往的图像分割技术主要应用于灰度图像,随着计算机技术的进步,彩色图像分割逐渐受到关注.该文在前人对彩色图像分割问题的大量研究成果基础上,提出了一种将K-means聚类、蚁群算法以及分水岭算法相结合的分割方法.本方法有效的克服了聚类数目必须依据先验知识提前设定、最初的聚类中心是随机选取的、聚类的效果好坏依赖于距离判定公式的缺陷.     

基于超像素分割的图像复制粘贴篡改检测

提出了一种基于超像素分割的结果进行聚类来检测复制粘贴篡改区域的方法.常规K-means等点聚类方法是直接对点进行聚类分析,而该方法则是将若干随机种子置于图像中,借助于超像素分割方法进行区域分割,随后获得包含预先匹配特征点的区域.所提算法以此区域内匹配特征点的数目作为衡量标准,判定区域内的匹配特征点是否为有效特征点.当匹配点的数目到达某个阈值时则将子区域内的点聚为一类,这样聚类的结果更加贴近图像内容,符合实际情况.实验结果表明,所提方法比传统的SIFT等方法更加有效.     

迷彩设计中背景图像聚类方法的比较分析

迷彩设计中,通过对目标背景的图像信息进行归类处理,利用图像分割技术获取背景斑点,然后设计出与背景亮度和纹理相协调的迷彩图案. 目前,最常用的图像分割方法是均值聚类法,由于它直接利用灰度信息以致分割的细节不明显,容易导致模拟背景纹理失真. 针对它的不足,提出了采用基于自组织特征映射(self organizing feature map, SOFM)神经网络的分割方法对背景进行聚类分割. 该方法将整幅图像作为神经网络的输入,聚类分割后的颜色作为输 出,按照自组织特征映射网络的学习过程,使用其函数进行迭代运算直至学习停止. 比较实验结果表明,SOFM方法能更好地保留图像的细节纹理,得到较为理想的设计效果.     

改进K-means算法对大兴安岭蓝莓干销售预测的应用

K-means算法对噪音数据和孤立点敏感,致使其在应用方面存在很大的局限。传统的Kmeans算法在除噪阶段多以人为和经验判定噪音点或单纯从平均数角度剔除孤立点,造成聚类结果准确度难以保证。以大兴安岭地区精品蓝莓干商品为研究对象,基于DBSCAN算法辅助Kmeans算法去噪,用定量的方法解决K-means去噪欠缺合理性的问题。结合ARIMA模型加以验证聚类预测的结果,与实际值匹配度达到95%以上,明显高于未改进算法。     

PSO与K-means混合聚类的PCB图像分割算法

图像分割技术在PCB自动光学检测中应用广泛。 K-means聚类算法简单有效,能实现PCB灰度图像的自动分割。然而,随机选取的初始聚类中心易导致K-means算法最终找到的是局部最优值,对PCB图像分割效果有一定影响。引入PSO算法的群智能搜索策略,提出一种新的寻找聚类中心的算法。实验表明,在PCB图像分割中使用该算法可防止陷入局部最优值。