基于半监督阶梯网络的肝脏CT 影像分割

针对医学影像数据中标记样本较少且人工标记成本高的问题, 提出一种基于半监督阶梯网络的肝脏CT(Computed Tomography)影像分割模型。首先, 利用超像素分割对数据进行预处理减少数据量, 并以像素点为中心提取子图像(patch)放入半监督模型进行训练。最后, 利用训练模型进行肝脏分割。实验结果表明, 该模型利用少量的标记图片得到了与监督学习相近的结果。     

基于像素分类的图像语义分割方法及其应用研究

为了提高药片外观缺陷检测效率,提出一种使用深度学习进行药片外观缺陷检测的基于像素分类的图像语义分割方法 .首先,利用全卷积神经网络对预处理后的样本数据集进行训练,提取药片外观的缺陷特征,然后,采用像素精度和交并比来评估模型分割的精确度,最后,使用训练得到的模型分割出药片的缺陷位置并加以语义的描述.实验结果 表明,该方法...     

基于委员会查询和自步多样性学习的医学图像分割

由于拥有像素级标记的医学图像数量非常少,制约了卷积神经网络在医学图像分割任务上的应用,因此,该文提出了一种基于委员会查询的自步多样性学习算法,在训练数据有限的情况下提升医学图像分割模型的性能。该文所提算法结合了基于委员会查询的数据选择方法,实现动态地从易到难选择样本,对模型进行训练。同时,该算法通过应用仿射传播聚类,保证了数据选择的多样性,提升了图像分割模型的性能。为了验证所提算法框架的有效性,分别在3类医学图像分割任务的5个不同数据集任务上进行了实验,实验结果表明,该文所提算法可以显著提升分割性能。在使用相同数据的训练的情况下,相比于全监督学习,使用该文算法可以得到更高的Dice评估指标、表面距离和平均交并比值。     

基于全卷积神经网络迁移学习的乳腺肿块图像分割

针对乳腺X线摄片中肿块通常会被周围致密组织所掩盖,对比度低,且其形状不规则,肿块图像分割困难的问题,设计了一种基于全卷积神经网络迁移学习的乳腺肿块图像分割方法.该方法首先对乳腺肿块图像进行数据增强,然后利用迁移学习,对设计的全卷积神经网络模型载入参数并训练分割模型,最后在训练好的模型上对待分割图像进行处理.分割结果采用区域面积重叠率、Dice相似系数、Hausdorff距离等指标进行评价分析,在公开数据集的483幅图像上的实验结果表明:提出的方法的分割效果明显优于传统分割算法.     

基于图像技术的迷彩面料颜色测量

颜色测量对于迷彩面料的色彩分析、产品设计、质量控制有着重要的指导意义。针对由织物组织纹理和图案的多样性造成测色难度增大的问题,提出一种迷彩面料图案分割的方法,并提取色彩信息加以分析。利用数码相机进行迷彩面料图像的采集,利用Mean Shift聚类算法将图像分割成不同颜色的色块,再用神经网络回归实现图像从RGB(red,green,blue)颜色空间到Lab颜色空间的转换,并通过正态分布法对迷彩颜色进行分析测量。试验结果表明:提出的图像处理方法可实现迷彩服面料颜色的自动分割;与Datacolor分光测色仪测色结果相比,正态分布法分析得到的平均色差不超过2。     

基于带孔U-net神经网络的肺癌危及器官并行分割方法

为了提高肺癌放疗计划危及器官勾画的精度和效率,提出了一种基于带孔U-net神经网络的肺癌放疗计划危及器官肺及心脏的并行分割方法.首先,构建了肺窗、心脏窗以及纵膈窗下的三通道伪彩色图像数据集,将图像数据集分成训练集、验证集以及测试集;然后,搭建了带孔U-net神经网络,利用训练集和验证集对其进行训练和参数调优;最后,利用测试集对训练后的带孔U-net神经网络进行图像分割性能评价,并与U-net神经网络及3种传统图像分割算法进行比较.实验结果表明,带孔U-net神经网络分割性能最优,可有效地完成肺及心脏的自动并行分割,提高勾画效率,分割结果与人工勾画结果相当.     

基于深度学习的化妆品塑料瓶缺陷检测

提出一种基于深度卷积神经网络的化妆品塑料瓶表面缺陷检测算法。采用百万像素级别的工业相机采集大量的塑料瓶图像样本,并通过HSV(hue,saturation,value)颜色空间变换和Otsu阈值分割等方法对图像进行预处理。采用随机图像变换法对数据集进行增强,并对图像进行标准归一化处理。在卷积神经网络模型中应用深度可分离卷积和Dropout技术以减少参数量,从而避免过度拟合。使用训练样本集训练该模型,并在测试集中将结果与几种经典图像识别算法进行比较分析,结果显示,本文算法的识别准确率高达约0.97。由此表明本文算法的效果优于其他经典算法,有望将其应用于化妆品塑料瓶缺陷检测的工业自动化系统,以提升缺陷识别效果,从而提高生产效率。     

采用超像素标注匹配的交通场景几何分割方法

针对交通场景逐像素标注方法计算复杂、模型训练耗时长的问题,提出了一种基于超像素标注匹配的交通场景几何分割方法。该方法无需进行模型训练,根据全局特征搜索一组待分割交通场景图像的相似图像集。对待分割图像进行超像素分割和超像素块特征提取,并利用朴素贝叶斯原理进行似然比计算,根据似然比在相似图像集中进行超像素块标注匹配以实现初次分割。利用初次分割结果计算出一元势,应用全连接条件随机场模型对初次分割结果进行优化。实验结果表明,与传统的逐像素标注方法相比,本文方法的分割正确率和平均召回率分别提高了4%和3%,能够有效地实现交通场景几何分割。     

基于多点对参考模型的车辆阴影消除

为了解决车辆检测过程中的阴影干扰问题,以点对属性为基础,利用HSL色彩空间中前景、背景和运动阴影之间的色度、亮度属性,在给定的背景图像集中,采用离线训练的方法,于图像的全局域中建立稳定的不随环境变化的多点对参考模型.该模型充分考虑了图像全局域的颜色信息,减小了背景像素的误差,能在线消除运动阴影对车辆分割的影响,且对于复...     

一种改进变换网络的域自适应语义分割网络

语义标签的人工标注成本高,耗时长,基于域自适应的非监督语义分割是非常必要的.针对间隙大的场景或像素易限制模型训练、降低语义分割精度的问题,通过分阶段训练和可解释蒙版消除大间隙图片和像素的干扰,提出了一种改进变换网络的域自适应语义分割网络(DA-SSN).首先,针对部分源图到目标图的域间隙大、网络模型训练困难的问题,利用训练损失阈值划分大间隙的源图数据集,提出一种分阶段的变换网络训练策略,在保证小间隙源图的语义对齐基础上,提高了大间隙源图的变换质量.然后,为了进一步缩小源图中部分像素与目标图域间间隙,提出一种可解释蒙版.通过预测每个像素在源图域和目标图域之间的间隙缩小置信度,忽略对应像素的训练损失,以消除大间隙像素对其他像素语义对齐的影响,使得模型训练只关注高置信度像素的域间隙.结果表明,所提算法相比于原始的域自适应语义分割网络的分割精度更高.与其他流行算法的结果相比,所提方法获得了更高质量的语义对齐,表明了所提方法精度高的优势.     

基于卷积神经网络的MRI脑瘤图像分割方法研究

本文研究卷积神经网络在脑瘤图像分割中的应用.脑瘤位置易变,形状大小不定等特性促使我们去探索一个更加高效,更加准确,鲁棒性更好的方法.本文利用相同感受野下多个卷积层级联的非线性远大于单一卷积层的特性,将小卷积核级联层加入网络,并加入恒等映射来促进梯度流,使得训练速度增加.除此之外,网络利用多尺度操作同时提取同一像素点不同像素范围内的特征信息.最后将得到的结果送入卷积层构成全卷积神经网络,实现像素级别上的脑瘤分割.测试阶段在BRATS2013测试集上进行,研究过证明该模型能够得到较好的分割效果(Challenge:0.84,0.83,0.85;Leaderboard:0.77,079,0.78).     

基于改进ConvNeXt的COVID-19胸部图像分类

针对新型冠状病毒感染胸部 X-ray 图像分类任务数据集样本过少,现有的两阶段分类器和三阶段分类器模型对高纬度的图像特征提取效果差,模型训练慢等问题,提出一种基于 ConvNeXt 卷积神经网络改进的分类任务算法 ConvNeXt-AT。 ConvNeXt-AT 分类模型首先通过在 ConvNeXt Block 层添加混合域注意力机制 CBAM 来提高图像特征提取能力,不仅考虑了通道间的信息交互能力还考虑到了空间域上像素间的联系,得到 ConvNeXt-AT 模型;然后针对 X-ray 图片常见的泊松噪声使用全变差正则化方法对数据集进行降噪处理;最后在 COVID-19 公开的大型数据集共 21165 张图片进行对比实验。 实验结果表明,在训练数据集充分的情况下,改进的 ConvNeXt-AT 模型相较于常用分类模型 ResNet-50、MobileNet、EfficientNet 以及原 ConvNeXt-T 在准确率上分别提升了 2%、2. 7%、2. 1%、1. 9%。 最后通过 Grad-CAM 显示类激活图的图像可视化方法证明改进方法是可行的,模型具有很好的鲁棒性。     

卷积神经网络在SAR图像海面溢油检测中的应用

针对合成孔径雷达（SAR）海面溢油检测问题，采用Yolov4目标检测模型、语义分割网络（U-Net）模型、Xception预训练模型等多种卷积神经网络模型进行SAR图像海面溢油检测的模拟实验。基于一个仅有790个样本的像素为256×256的SAR图像海面溢油数据集，深入对比研究了3种SAR图像海面溢油检测神经网络模型，分析了不同检测模型在海面溢油检测中的检测效果。实验结果表明，相较于其他两种检测模型，Xception预训练模型具有更高的SAR图像海面溢油检测精度，更加适合应用于小数据集的溢油检测。     

基于改进凸包和颜色对比度的彩色图像分割方法

基于特征对比度的显著性检测方法在处理复杂背景图像时,容易将对比度较高的背景区域误判为目标,导致分割结果不准确.为解决上述问题,提出了一种基于改进凸包和全局颜色对比度的彩色图像分割方法.首先以超像素为基本计算单元,根据图像颜色及其空间分布,计算基于颜色对比度的基本显著图;然后利用颜色增强Harris角点得到目标的凸包,并利用FH方法生成的超像素对凸包进行修正,以此为基础计算基于改进凸包的中心显著图;最后将上述2个显著图进行加权融合得到最终显著图,并使用大津法得到图像中的目标.通过在MSRA1000和ECSSD数据集上进行实验,结果表明本文算法相较于其他算法在可视效果和准确率、召回率等评价指标方面有明显的优势.     

基于数据场和水平集演化的图像分割

为了充分挖掘图像内不同区域间的隐含关联性,并解决图像分割中自适应阈值选择问题,提出了一种基于数据场和水平集的图像分割方法。利用数据场能够有效地表示图像像素间的相互作用,根据势值能够得到对应的势值等势线,可以根据该等势线的分布情况,采用梯度下降法来得到图像的二值化分割结果。为了得到更为精确的分割边缘,还引入基于拉普拉斯边缘检测函数的水平集演化方法来对二值化结果进行边缘曲线演化。将二值化分割结果与传统的基于数据场的图像分割算法对比结果显示,所提出的算法在分割准确性上表现良好,并且能够使得图像边缘更加精确。实验结果表明,提出的方法能够较好地分割目标,且对噪声图像具有较强的鲁棒性。     

基于超像素运动统计的误匹配去除方法

特征匹配是实现图像配准的重要手段,然而特征匹配中往往存在大量的误匹配,对于存在非刚性形变和大位移运动的图像序列尤为严重;如何从初始匹配结果中找到准确可靠的匹配点集,是提升图像配准性能的关键.为解决上述问题,首先根据图像的空间和色彩相似性,利用改进的超像素分割算法对图像进行分割;分割后的超像素块在空间上紧密相连,严格遵循图像轮廓边缘,且在同一区域内的颜色纹理基本趋于一致,可保证内部特征点具有相同或一致的运动趋势;同时,采用ORB算子对图像进行特征提取与描述,并利用暴力匹配算法得到初始匹配点集.其次,在超像素运动一致性约束下,提出了一种基于超像素运动统计模型的误匹配去除算法.通过建立超像素网格统计模型,将初始匹配坐标分配至相应的超像素区域,利用累加器计算出每个超像素对的匹配度,将初始匹配的概率分布特性转换为统计特性.最后,根据超像素匹配度的差异,计算出正确匹配的掩膜图像,实现了误匹配点的自动识别和剔除.仿真实验结果表明,与当前的误匹配去除算法相比,本文算法不依赖于复杂的参数模型,具有较高的鲁棒性,运算速度较快,可有效去除非刚性形变图像配准过程中产生的误匹配.     

基于双任务一致性的半监督深度学习医学图像分割方法

【目的】医学图像分割是医学图像分析中的一个重要内容。现有的大部分图像分割算法都是基于监督学习,而实际应用中医学图像标签难以获取,大量标注需依赖领域专家,费时费力。因此,提出一种双任务一致性的半监督医学图像分割模型。【方法】该模型采用一个编码器,两个解码器的网络结构,其中编码器和一个解码器实现图像分割,与另一个解码器实现图像重建。无标签数据通过一致性分割与重建任务得到的两个不同图像背景计算损失并优化网络参数。同时在网络的编码器部分加入注意力模块以更好地获取分割区域的空间位置信息,并使用锐化操作增加无标签数据重建输出的置信度。【结果】在肝脏和细胞数据集上IOU分别为0.953 6和0.821 0,相较于U Net提高了1.5%和4.82%;在眼底血管数据集上,SP值为0.983 0,与第二名相比提升了0.18%。【结论】本文模型与有监督方法和半监督方法相比,在医学图像分割的有效性和泛化性上有一定的性能提升,能有效解决数据集数量少、小病灶分割难度大的问题。     

基于超像素特征表示的图像前景背景分割算法

图像前景背景分割是图像处理中的关键技术,文中提出了基于超像素分类的二值分割算法。对于输入图像,首先采用超像素分割算法,将图像分割成多个保留边缘的封闭区域,即超像素;对每一块超像素,考虑颜色和纹理,构造一种对光照和颜色较为鲁棒的特征,来消除同种物体在光照和颜色差异下的影响;用所得特征训练分类器,判断每块超像素属于前景或背景;最后将超像素分类结果作为初值用图分割的方法进行修正,得到最终的二值分割结果。实验结果显示算法能较好的完成前景背景分割的任务。此外,本算法易于和现有的分类算法相结合,具有较强的可移植性。     

基于多尺度特征提取的图像语义分割

指出了基于深度学习的图像语义分割中,如何充分利用图像上下文信息以达到更好的分割效果,是当前图像语义分割研究的关键问题.为解决这一问题,提出了一种基于多尺度特征提取的图像语义分割方法,通过构建深层卷积神经网络,并利用不同尺度图像作为网络的输入来提取不同尺度图像的特征,最后经过特征融合得到了分割图.在公开数据集Stanford background dataset 8类数据集上进行训练和验证,实验结果达到了84.33%的准确率.实验表明:通过提取和融合多尺度特征,可以达到更好的图像语义分割效果.     

结合目标检测的小目标语义分割算法

卷积神经网络(Convolutional Neural Networks,CNN)可以提供比传统分类算法更强大的分类器并且能够自学习得到深层特征,有效地提高了图像语义分割的准确性.然而,基于CNN的语义分割算法依然存在一些挑战,例如在复杂场景中现有较优的方法较难分割小目标.为了解决复杂场景下小目标分割的难题,提出一种结合目标检测的小目标语义分割算法.与现有较优方法不同的是,该方法没有直接利用单个神经网络模型同时分割单幅图像中的小尺寸和较大尺寸目标,而是将小目标分割任务从完整图像的分割任务中分离.算法首先训练一个目标检测模型以获取小目标图像块,然后设计一个小目标分割网络得到图像块的分割结果,最终根据该结果修正整体图像的分割图.该算法提升了语义分割数据集的总体性能,同时能够有效地解决小目标分割的难题.