基于标记和模糊聚类的分水岭声纳图像分割

针对传统分水岭算法在处理声纳图像时存在严重的过分割现象,提出一种结合分割前处理和后处理两类方法优点的算法.首先利用H-min变换技术提取区域极小值和新的标记,对标记后的图像进行分水岭图像分割;然后结合改进适应度函数的粒子群全局寻优算法,从初分割的小区域中搜索出较为准确的初始聚类中心,利用这个聚类中心和改进目标函数的模糊C均值聚类算法,再对分割后的小区域聚类,并控制迭代次数,以提高分割速度.实验结果表明:该方法能够有效消除过分割现象,提高声纳图像处理效果,有效分割率达89％,处理时间提高30％以上.     

Regional Merge K-means图像分割算法及其质量评价

K值是基于K-means聚类算法进行图像分割效果的关键因素,为了解决K值过小,图像分割不明显,K值过大,图像分割信息过于碎片化的问题,提出一种Regional Merge K-means(RMK)算法.首先对图像运用K-means算法进行聚类,然后运用区域合并(Regional Merge)优化图像分割效果,最后利用不同图像进行图像分割试验,并选用不同的质量评价指标对试验结果进行评价.结果表明,该算法能显著优化图像分割效果.     

乳腺 MR 图像的有效分割

乳腺核磁共振影像（ MR）的有效分割一直是医学影像分析领域的研究热点。针对目前人工解读图像信息的不足,提出一种自动化分割乳腺MR图像的方法,该方法结合传统FCM算法和最小距离分类器实现了感兴趣区域中不同位置、灰度值相似的样本点按距离分类。算法首先根据图像的灰度信息利用FCM算法实现聚类,其次自动提取感兴趣区域的聚类信息,并利用最小距离分类器对其按距离分类。实验结果表明,该算法对乳腺核磁共振影像的分割具有较高的准确性,提高了其组织划分的精度,且自动化程度比较高,为后续进行肿瘤区域的自动提取与识别奠定基础。     

基于改进的模糊c均值聚类水凝胶图像分割

基于实验图像中目标与背景区域具有明显的色差和形状差异且其直方图有明显双峰的特性,提出一种改进的模糊c均值聚类和数学形态学相结合的算法,将目标图像有效地分割出来.首先依据像素邻域间的约束属性以及二维直方图对角线元素含有稳定图像信息的特点,在模糊c均值聚类算法基础上对聚类目标函数进行改进,并将二维直方图对角函数引入隶属度函数中,最终将目标区域有效地分割出来.实验结果表明:该方法具有识别精度高、计算量小、去噪能力强的特点.     

一种提取MRI图像感兴趣区域的分割方法

以国际标准脑肿瘤MRI图像库为背景进行分割实验,提出一种结合模糊C均值聚类、区域生长和数学形态学的FCM_Region分割方法对MRI脑肿瘤感兴趣区域进行提取.先利用模糊C均值聚类算法对原图进行聚类粗分割,对分割的结果采用形态学双结构算子和区域生长法去除颅骨等非脑组织来获取脑部组织,并平滑图像,最后采用比对法获得肿瘤感兴趣区域.实验结果证明了该方法对MRI脑肿瘤图像分割的有效性.     

基于分水岭变换和核聚类算法的图像分割

提出了一种基于分水岭变换和核聚类算法的图像分割算法．通过分水岭变换把图像分割成多个小区域，为实现过分割小区域的合并，利用Mercer核把各小区域的灰度平均值映射到高维特征空间，使原来没有显现的特征突现出来，在特征空间进行更准确的聚类，为下一步图像分析提供较为准确的分割区域．实验结果证明了该算法的可行性和有效性．     

基于分水岭算法的磁共振脑图像自动分割

基于分水岭算法，提出了一种新的非脑组织去除和自动的脑磁共振图像的分割方法，利用区域合并技术克服分水岭算法固有的过分割问题，通过参数的设置，可以将图像中的非脑组织去除掉；对已去除非脑组织的图像，巧妙地将分水岭算法、区域合并和κ—均值算法相结合，可进行全自动地分割，效果良好。     

基于K-means算法分割遥感图像的阈值确定方法研究

当前遥感图像分割中阈值确定方法忽略了前景和背景内在的联系,导致过分割和轮廓模糊,造成整体性能低下。为此,提出一种新型基于K-means算法分割遥感图像的阈值确定方法,通过K-means算法对遥感图像进行分割,利用最大类间方差方法得到分割遥感图像的初始阈值,依据该阈值将遥感图像划分成两类,求出两类的均值,将其作为K-means聚类算法的两个初始聚类中心,通过K-means聚类方法逐次迭代,不断更新聚类中心,直至得到聚类准则函数,从而求出遥感图像的最佳分割阈值。实验结果表明,采用所提方法确定遥感图像分割中的阈值,不仅效率高,而且整体性能优越;将得到的阈值应用于遥感图像分割中,能够使目标和背景被有效分离,且分离后目标部分轮廓比较清晰。     

基于改进的Graph Cut算法的羊体图像分割

针对羊体图像复杂背景、不均匀光照且含有大量噪声等特点,提出一种融合多尺度分水岭的改进Graph Cut分割模型.引入多尺度分水岭对图像进行预分割,将基于像素级的Graph Cut算法转化为基于区域的算法以提高分割的效率.通过标记前景和背景种子点,利用模糊C均值算法实现前景和背景区域聚类.将多尺度分水岭分割的区域作为图割的顶点,以Lazy Snapping为框架计算图的边界项和数据项,并构造能量函数,通过最大流/最小割算法求解能量函数的最小值,从而实现图像分割.通过使用不同的分割算法进行实验比较,结果表明改进的算法在准确性和高效性方面都具有很好的性能.     

基于图割和分水岭变换的图像分割方法

为了解决分水岭变换在图像分割中的过分割现象和提高图割在图像分割上的速度,提出了一种基于图割和分水岭变换相结合的图像分割算法。首先对图像进行分水岭变换,将图像分割成多个小区域;然后利用每个区域内的像素平均信息代替每个像素信息,构造简化的网络图;最后利用图割算法实现网络图分割,产生最终分割结果。实验结果表明:本文算法既能解决分水岭变换所产生的过分割现象,又能提高图像分割的速度。     

基于新区域一致性度量与图论的SAR图像区域分割

由于SAR图像含有斑点噪声, 传统区域分割方法已不再适用于SAR图像分割.为此提出了一种新的SAR图像区域分割方法.该方法通过定义一种可有效抑制斑点噪声影响的区域一致性度量,以指导四叉树技术分裂SAR图像得到初始分割区域;然后以区域为顶点和区域间的相似度为边权,构建一个完全赋权图.最后运用图论分割方法中可利用全局信息的Minimum Cut方法进行区域合并,获得最终的图像分割结果.实验结果表明了该方法的有效性.     

一种针对脑部图像分割强度不均匀性的改进方法

强度不均匀性是医学图像中常见的问题,对图像的精确分割提出了许多挑战,图像分割是计算机视觉和计算的基础步骤,提出了一种基于模糊C均值（FCM）的能量最小化方法,将全局聚类和局部聚类相结合,用于磁共振（MR）脑图像的偏场估计和分割。该方法将MR图像分解为两个分量作为全局聚类项的优点,充分利用了表征组织物理性质的真实图像和解释强度不均匀性的偏置场及其各自的空间特性。MR图像的分解描述了整个图像中偏移场的变化,其中组织边界的某些深层变化细节可能会丢失。该方法利用了图像局部区域的不同偏移场的局部聚类项,较好地处理了不同组织间强度的深刻变化。由于局部聚类方法对偏移场的分布缺乏全局控制,此文利用了全局聚类和局部聚类的优点,考虑了两者的结合。在该方法中,通过能量最小化过程同时实现了偏移场估计和组织分割。用FCM迭代优化能量最小化问题,通过真实图像和合成图像与相关模型的对比实验,证明了该模型在偏差校正和分割精度方面的优越性。     

面向脑MR影像分割与偏置场修正的FCM方法

传统模糊C-均值(fuzzy C-means,FCM)算法以及结合空间信息的改进方法在分割脑磁共振(magnetic resonance,MR)影像时对噪声十分敏感,且无法消除脑MR影像中的偏置场。针对上述问题,提出一种面向脑MR影像分割与偏置场修正的FCM方法。该方法充分利用图像中的空间局部信息和非局部信息,分别构造出多局部信息模糊因子和非局部权重,在提高算法抗噪性的同时,尽可能多地保持图像细节;建立偏置场模型,以去除脑MR影像中的灰度不均匀性;将提出的多局部信息模糊因子和非局部权重嵌入到带有偏置场模型的FCM方法中,以实现噪声和偏置场条件下的脑MR影像分割。实验结果表明,与其他方法相比,所提方法对脑MR影像中的噪声具有更强的抑制能力,且能够有效消除偏置场对脑MR影像分割的影响,具有更优的分割性能。     

基于改进的区域生长鼻咽癌MR医学图像分割

在综述医学图像分割技术的基础上,针对临床鼻咽癌MR医学图像的特点,提出一种基于区域生长的改进分割方法.该方法从基于区域生长的自动分割入手,克服以往交互式地定义初始种子的不足,利用概率矩阵完成初始种子的自动生成,再运用SUSAN算子作为区域生长的终止准则,从而实现对鼻咽癌MR医学图像的有效分割.以福建肿瘤医院临床医学图像数据进行分析实验,结果表明,该方法分割效果显著提高.     

改进的基于ASFCM婴幼儿脑部MRI分割算法

在诸多FCM的改进算法中,ASFCM算法表现较好,该算法改变空间惩罚项结构,使目标函数连续,并且具有自适应的参数,但会出现无法抑制婴幼儿脑部MR图像噪声较大的问题.为了解决这个问题,在ASFCM算法基础上融合非局部权重和核函数思想,提出一种改进的ASFCM算法(KNL-ASFCM).采用本文算法,FCM,RFCM和ASFCM算法对加入不同种类和强度噪声的临床婴幼儿脑部MR图像进行实验.分析结果表明:本文算法的分割准确性和噪声抑制能力比其他三种算法均有一定的提高,对婴幼儿脑部MR图像分割问题具有明显优势.     

磁共振图像的随机场分割方法

基于Gibbs分布的Markov随机场是一个重要的先验模型,能够简单地通过势能形式表示图像像素之间的相互作用,从而把图像的先验知识和图像分割的数学模型相结合,利用Markov随机场方法提出了脑磁共振图像最大后验概率的分割模型,并通过迭代条件方法求解,与传统的K均值算法作比较,证明了算法的有效性。     

基于CSA和MCMC方法融合HMRF的脑部MRI自动分割研究

针对脑部磁共振(MR)图像分割问题,提出了一种基于克隆选择算法(CSA)和隐马尔可夫随机场(HMRF)的融合方法。首先,采用马尔可夫链蒙特卡尔(MCMC)算法对类标签进行估计,进行体素分类;然后,对分割结果进行偏场校正;最后,利用CSA的统计学进行HMRF模型参数估计,并利用迭代优化算法获得最终的分割结果。由于MCMC和CSA都是全局优化技术,所以HMRF-CSA算法能够克服传统HMRF方法的局部收敛以及较低分割精度的缺点。在仿真脑部MR图像集BrainWeb上的实验结果表明,对于主要脑部结构,本文算法的分割精度高于其他几种算法,且对图像伪影具有鲁棒性。     

基于生成对抗网络的海马子区图像分割

海马子区体积很小且结构复杂,传统分割方法无法达到理想分割效果,为此引入生成对抗网络模型用于海马子区图像分割.该方法构建一个生成对抗网络模型,通过构建生成网络和对抗网络并对其进行交替对抗训练实现对脑部海马子区图像的像素级精确分割.实验选取美国旧金山CIND中心的32位实验者的脑部MRI图像进行海马子区分割测试,在定性和定量方面分别对比了所提方法基于稀疏表示与字典学习方法和传统CNN的分割结果.实验结果表明,该方法优于基于稀疏表示与字典学习和CNN方法,海马子区分割准确率有较大提升.该方法提升了海马子区的分割准确率,可用于大脑核磁图像中海马子区的分割,为诸多神经退行性疾病的临床诊断与治疗提供依据.     

一种改进的分水岭人脑MR图像分割方法

针对传统分水岭算法分割图像后存在的细节不准确问题,提出了一种改进的分水岭算法.此算法将传统分水岭算法和概率相结合,通过有序队列来实现边界的计算,从而得到分水岭.实验证明,这种算法得到的结果更加准确,对人脑MR图像病灶区的分割非常重要.     

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。