基于色彩通道融合的火焰图像分割

提出了基于色彩通道融合的回转窑火焰图像分割方法,由彩色火焰图像的红绿通道、红蓝通和绿蓝通道构成三幅新的图像,分别从中提取训练样本集,对三个神经网络进行训练,神经网络收敛后,各自对相应的图像进行分割,会得到三种不同的结果,采用均值、中值、模糊逻辑和神经网络四种方法将其进行融合,会得到很高的分割准确率,实验结果表明该方法是可行的。     

基于Zernike矩和BP神经网络的纹理分割

提出了一种基于Zernike矩和BP神经网络的纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Zernkie矩,然后通过非线性变换器将得到的矩值转换成纹理特征;选择BP神经网络作为分类器,将图像的每个像素得到的n维特征向量输入BP神经网络进行分类,最后将结果标注在原图像上.和基于Legendre矩的纹理分割结果相比,基于Zernike矩的纹理分割可以降低分割错误率.     

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.     

基于PCNN模型的区域生长图像分割

提出了一种结合区域生长算法和脉冲耦合神经网络进行图像分割的方法.该方法将待分割图像的像素点映射为PCNN模型中的神经元,把改进的脉冲耦合神经网络模型的点火频率同区域生长的理论结合起来进行图像分割.实验表明该方法分割的图像与传统的分割法相比具有边缘信息更加完整,区域划分更加准确,分割效果更能符合人眼视觉的识别特征.     

基于二维Tsallis熵的改进PCNN图像分割

为了改善图像分割的性能,采用改进的脉冲耦合神经网络(PCNN)进行分割,通过对其内部活动项进行空不变的单阈值化分割,来达到对原图像空变阈值化分割效果.另外分割准则也作了修正,通过计算图像二维直方图的Tsallis熵,得到二维Tsallis熵,以此作为图像分割准则.最后,修正了动态门限项的下降速度,使得PCNN收敛更快.实验证明二维Tsallis熵准则优于最大Shannon熵准则与最小交叉熵准则,且改进的PCNN模型比传统PCNN模型收敛更快.     

基于头饰特征的肖像类唐卡图像自动标注

人机交互选择肖像类唐卡图像的头饰区域,采用最大类间方差法取得阈值对图像进行分割,得到初始的唐卡分割图.计算头饰区域的欧拉数、头饰轮廓内部的颜色分布,综合这两个维度的特征刻画头饰的整体特征.头饰特征到肖像类唐卡图像名称具有对应规则.结合这一规则,实现肖像类唐卡图像的名称标注.实验结果表明,整合多特征,利用底层特征到名称的映射,可以有效地对肖像类唐卡图像进行标注.     

一种不同色域空间下的无监督图像分割技术

针对图像分割有监督学习模型训练时间长、需要大量训练样本才能确保模型精度要求且样本标记费时费力的问题,提出了在不同色域空间下基于神经网络的无监督图像分割方法。首先将图像进行不同颜色空间模型转化,得到不同色域空间下图像的颜色表示;其次利用felz和quickshift方法,对转换后的图像进行粗粒度聚类,形成超像素结果,并对每个像素打上相应的标签;最后利用神经网络细粒度的图像特征分辨能力进行微调,得到最终的图像分割结果。该方法在公开的COD10K等数据集上选取了数据集进行验证,实验表明,文中方法能够对图像进行合理分割,且与有监督长时间训练过程相比,无监督的推理耗时大大缩短,速度显著提高。     

基于AFM图像的分割方法的研究

该文针对AFM图像的特点,提出了一种基于内部标记的分水岭分割算法.首先利用LoG滤波器对图像进行滤波并通过二值化得到内部标记图像,然后利用最小标定技术得到外部标记图像,最后使用分水岭分割算法得到最后的分割图像.实验结果表明,该算法能够有效地对图像进行分割.     

基于PCNN模型的生物细胞图像分割

在基于脉冲耦合神经网络（PCNN）模型中,讨论了模型中阈值θ、链接权ω和迭代次数量N等参数的求解方法;采用最大熵值及PCNN模型对生物细胞图像进行了分割,并分析了各参数对图像分割质量的影响.实验结果表明,分割图像熵值越大,分割图像总体效果越好.     

基于灰度共生矩阵的模糊神经网络FuCMAC在图像分割中的应用

文中提出了一种改进的CMAC神经网络(FuCMAC),与经典的FCMAC相比,其逼近精度得到提高,解决了CMAC系列神经网络逼近精度不高的弱点.在颅脑磁共振图像分割仿真实验中,把当前像素点的子图像的纹理特征和该像素点的灰度值作为该像素的特征向量,将该特征向量作为神经网络的输入,结果表明其具有较高的分割准确性.     

一种基于视觉感知的复合医学图像分割算法

为提高医学图像分割的视觉效果,依据人类视觉感知的分层特性,提出了一种新的复合医学图像分割方法.该方法通过提取医学图像的底层特征,利用Fuzzy-ART神经网络作为像素的分类器,对医学图像进行连续两次分割.实验结果表明,该医学图像分割方法能有效地解决局部信息与整体分布边缘淡化等相关问题,达到良好的分割视觉效果.     

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.     

基于卷积神经网络的细胞图像分割与类型判别

组织细胞图像形态各异、大小不一、纹理变化多样等特点,导致难以精准地分割细胞区域的问题,对此提出了一种基于卷积神经网络(CNN)和边缘聚类方法的新算法.对原始切片采用染色校正预处理,提高色彩对比度,利用CNN得到初步分割结果,结合边缘聚类方法提升初步分割结果的连续性和完整性.在此基础上,结合计算机视觉技术,获得分割图像中细胞颗粒的基本属性特征,并使用Softmax分类器判别细胞类型.实验结果表明:相较于经典的卷积神经网络、阈值分割、模糊聚类等细胞图像分割算法,该算法在分割结果的完整度方面提升了6.15个百分点.     

基于混合神经网络的脑部MRI图像语义分割算法

针对传统医学图像对缺乏标注的数据进行自动分割时存在分割精度不高、边缘模糊等问题,提出了一种利用混合神经网络对脑部核磁共振成像(magnetic resonance imaging,MRI)的图像进行语义分割的算法。利用仿射网络对脑部MRI图像进行线性几何变换,基于卷积神经网络进行3D医学图像仿射变换,加入稠密模块减轻梯度消失和加强特征传递问题; 通过空间转换网络对脑部MRI进行空间转换,基于图谱的分割法获得脑部图像的分割结果。采用MICCAI的公共数据集BraTs2019进行实验验证,结果表明,算法可由脑部肿瘤MRI图像获得较好的分割精度和分割效率,为脑部MRI图像语义分割的研究提供一种新的实验方案。     

基于小波变换和数学形态学的图像分割算法

传统的分水岭变换由于对噪声和细密纹理的敏感会产生严重的过分割现象,为了克服这种缺点,提出了一种基于小波变换和数学形态学的图像分割算法.该方法首先利用小波变换去除红外图像的混合噪声,利用形态学开闭重建运算消除梯度图像中由于灰度非规则扰动和噪声引起的局部极值;最后通过采用基于前景和背景标记的分水岭分割算法进行分割.仿真实验表明,该算法可以实现更好的分割效果,不需要再进行后续的合并处理就能够得到较为理想的结果.     

基于三维卷积神经网络的肝脏静脉血管的分割

针对传统的血管分割算法需人工参与且分割效果不佳,神经网络的方法存在设计特征量的数量有限等诸多问题,提出了一种基于三维卷积神经网络的血管分割的算法,可以利用多层卷积神经网络获取三维图像的特征,与传统的二维分割有很大的不同。通过正负样本训练后得到的模型,可以对CT图像分割后的三维子块V_i中心位置的像素点进行分类实现血管的自动分割。使用正负样本各14 976个来进行训练和测试所提出的三维卷积神经网络算法,最终,三维卷积神经算法的准确率能够达到86.11%,Dice相似系数为92.43%,召回率为99.76%。实验结果表明了基于三维卷积神经网络的血管分割算法的有效性,可以获得比二维输入数据更好的实验结果。     

基于改进BP神经网络的岩心图像分割方法研究

图像分割是提取岩心孔隙结构特征的重要基础,为解决传统图像分割方法对岩心图像分割精度不高的问题,利用遗传算法对传统BP神经网络图像分割方法进行优化,通过提取岩心图像领域特征,进一步对训练样本进行了修正。利用改进的BP神经网络岩心图像分割方法,分别从整体连通领域、局部领域和边缘领域3个方面对岩心图像进行分割。与ImageJ软件和传统BP神经网络的岩心图像分割结果对比表明,改进的BP神经网络能够自主学习岩心图像中的整体连通结构、局部领域结构以及边缘结构特征,实现了对岩心图像的智能化分割,提高了BP神经网络对岩心图像分割的准确度与速度。     

基于优化BP神经网络的图像分割实现

神经网络在图像分割时需要计算大量的训练数据,计算速度跟不上实时数据处理,造成分割图像的质量较差的问题,分析了传统优化BP神经网络算法中存在的问题,提出了一种将增加动量项与自适应调整学习率相结合的优化BP神经网络图像分割方法,该方法可以加快迭代速度,还可以跳出过早局部极小值的局面。最后对经典图像进行分割实验验证,取得较好的效果,同时该算法还有效的缩短了图像分割的时间。     

基于卷积神经网络的臂丛神经超声图像分割方法

近几年卷积神经网络(convolutional neural network,CNN)在图像处理、语音识别、自然语言处理以及信息检索等领域得到广泛应用,颈部臂丛神经超声图像具有较低的信噪比、较低的对比度、模糊的边缘,其分割是一项富有挑战性的工作。文章针对目前臂丛神经超声图像手工标注的训练样本较少的情况,对U-Net模型进行改进,构建了一个适用于臂丛神经分割的卷积神经网络模型QU-Net,并选择BP图像数据库进行训练、测试。实验结果表明,与主流神经卷积网络分割算法SegNet、U-Net相比,QU-Net的图像分割结果具有更高的准确性。