基于空洞卷积密集连接网络的左心室MR图像分割方法

左心室核磁共振(MR)图像分割对于评估心脏功能和诊断疾病具有重要意义.传统分割算法对于左心室,尤其是含有左心室流出道的左心室MR图像,存在分割精度不够的问题.设计了一种基于空洞卷积密集连接网络的左心室MR图像分割方法.该方法利用密集连接网络和空洞卷积缓解了深度学习中梯度消失和内存过度消耗的问题,并且通过数据增强和提取感...     

基于动态规划的IVUS图像序列分割

血管内超声(IVUS)诊断是临床上对冠状动脉粥样硬化的重要检测手段之一.由于超声图像感兴趣区域受斑点噪声影响较大,传统的分割方法很难得到令人满意的内外膜分割效果.首先对IVUS帧序列图像进行了时域降噪和空间滤波等预处理,然后基于优化的活动轮廓模型将图像的分割转化为目标函数的最优化求解问题,利用动态规划算法求得全局最优值.实验结果表明,该算法不仅准确性和可靠性较高,而且是一种全局收敛的最优算法,对IVUS序列图像处理的可重复性和鲁棒性较好.     

基于动态规划与图像分割的立体匹配算法

针对传统图割立体匹配算法耗时太长以及动态规划立体匹配算法匹配精度不高,且视差图带有条纹瑕疵的问题,提出了一种基于动态规划和图像分割的立体匹配算法.采用自适应多阈值图像分割算法对参考图像进行高效可靠的区域分割,提取边界,使用多种子点动态规划算法精细求取边界上点的视差,并以区域为单元用图割立体匹配算法求取区域内各点的视差,拟合得到图像对的视差图.通过对比,实验结果表明：此算法较传统图割法匹配速度有明显提高,且可以得到匹配精度较高的稠密视差.     

基于QPSO的图像分割算法

文章将具有量子行为粒子群优化(QPSO)算法应用到图像分割中,提出了一种新的图像分割算法.新方法基于最佳熵阈值分割技术,用QPSO算法自适应选取分割阈值;仿真实验针对Lena图像分割问题,将标准粒子群优化(PSO)算法与QPSO算法分别独立运行,仿真结果表明,基于QPSO优化的图像分割算法不仅克服了PSO容易过早陷入局部最优值的缺点,而且分割速度更快,是一种更有效的分割方法.     

基于混沌粒子群优化算法的二维熵图像分割方法

针对二维熵图像分割方法在求取最佳阈值时存在计算量大及微粒群算法容易陷入局部最优且速度较慢等等问题,提出了基于混沌粒子群优化算法的二维熵图像分割方法。该方法考虑了图像中像素点灰度——邻域灰度均值对作为阈值对图像进行分割;利用混沌运动随机性、遍历性和初值敏感性,将混沌粒子群优化算法与阈值法相结合在二维空间作全局搜索。实验结果表明了基于混沌粒子群优化算法的二维熵图像分割法用于阈值寻优减少了搜索时间,提高了收敛率。     

基于动态规划的联机手写汉字分割方法

为解决手写汉字文本的自动切分问题,提出了一种基于动态规划的联机手写汉字分割方法.该方法根据手写笔画的结构特征、笔顺信息以及神经网络分类器给出的类概率构造代价函数,并将其分别应用于手写句子的预分割和基于识别的分割过程,然后利用动态规划算法寻找最佳分割路径.预分割在保持较低误分割率的前提下,可以有效地降低候选分割块的数量,以加速分割过程.实验结果表明,预分割的误分割率为0.57% ,过分割率仅为1 1. 1 % ;在未应用语言模型的情况下,最终的正确分割率为88.2%。     

基于神经网络改进粒子群算法的动态路径规划

针对机器人在不同类型障碍物环境下的路径规划问题,提出基于神经网络的改进粒子群优化算法.采用神经网络统一障碍物环境建模,快速实现路径与所有障碍物的碰撞检测,通过惯性权重和三次样条曲线平滑路径,以较低的粒子编码维度,在提高算法收敛速度的同时保持路径精度,避免陷入局部最优.仿真结果表明:神经网络能够统一静态和动态障碍物环境表...     

基于改进粒子群的模糊聚类超声图像分割

医学超声图像由于存在斑点噪声等模糊和不确定性的特点使得分割一直是一个难题.模糊C-均值聚类算法是一种结合无监督聚类和模糊集合概念的技术,广泛应用于图像分割,但存在着受初始聚类中心和目标函数高度非线性影响,极易收敛到局部极小的缺点.将集群智能的粒子群优化算法(PSO)与模糊C-均值聚类算法相结合,实现了基于粒子群模糊C-均值聚类的图像分割算法.实验结果表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果.     

基于改进粒子群优化算法的图像分割

针对当前主动轮廓模型难实现图像高精度分割的问题, 以获得更理想的图像分割结果为目标, 提出一种基于改进粒子群优化算法的图像分割方法. 首先分析传统主动轮廓模型, 指出其存在的局限性; 然后建立能量最小化控制点的泛化函数, 采用粒子群优化算法对泛化函数的最优值进行搜索, 根据所有的能量最小化控制点实现图像分割; 最后采用标准图像库与传统图像分割方法进行对比测试. 测试结果表明, 相对于传统方法, 该方法能更精准、 快速地分割图像, 并有效抑制图像中的噪声干扰, 可获得理想的图像分割效果.     

基于改进C-V模型乳腺癌MR图像分割

在乳腺癌MR图像分割中,传统C-V模型没有充分利用图像边界曲率信息,需要重新初始化水平集函数使其保持为一个符号距离函数(SDF),导致图像分割比较慢,同时目标区域易产生过度分割.为此,通过在传统的C-V模型中引入惩罚能量项和全局边界曲率能量项,提出一种改进的C-V模型图像分割方法,克服了水平集函数需要重新初始化和目标区域易产生过度分割等问题.实验表明,改进的C-V模型对乳腺癌MR图像具有较好的分割效果,分割收敛速度较快.