邻域信息约束融合Students t混合模型的医学图像分割

医学图像的高噪声以及偏移场的存在使得传统图像分割方法在分割此类图像时分割效果不理想.针对上述问题,提出一种邻域信息约束融合Students t混合模型分割算法.首先,获取像素点的邻域信息进行滤波操作以达到降噪效果;其次,构建Students t混合模型,通过噪声平滑因子融合邻域信息约束修正先验概率;最后,利用最大期望(EM)算法求解,获取最大后验概率实现图像分割.实验结果采用DICE指标验证了算法的有效性.     

多尺度特征融合的图像语义分割

针对多尺度下的目标分割问题,提出了一种多尺度特征融合的图像语义分割方法.该方法改进了空洞空间金字塔池化(ASPP)模块,采用6种不同采样率空洞卷积并行架构增强了对输入图像信息的提取,该模块可以获取多尺度的卷积特征,从而进一步增强图像分割能力.通过在PASCAL VOC 2012数据集上进行训练和验证,达到了82.0%的平均像素准确率和71.9%的平均交并比.实验结果表明:通过改进空间维度上的ASPP模块,该方法可以达到良好的图像语义分割效果.     

基于全卷积网络迁移学习的左心室内膜分割

为了避免过拟合现象，提出了基于全卷积网络迁移学习的左心室内膜分割方法.该方法在已用自然图像训练好的VGGNet模型的基础上对参数进行微调;其次，利用了心室内膜位于MRI图像中心处的先验信息作为选取准则来优化分割结果.将该方法对2009 MICCAI数据集的45个病例进行测试，其DICE指数、APD距离和GC率分别为0.91，1.73mm和97.81%.测试结果表明该方法对于心脏MRI图像的左心室内膜的分割结果较好，当引入一定的先验信息后可以优化测试结果.     

多通道特征增强风格迁移算法

针对风格迁移算法在迁移过程中图像内容特征映射出错,无法保证特征映射完整性,使生成图像出现内容失真的问题,提出多通道特征增强风格迁移算法.该算法在CycleGAN(Cycle Generative Adver-sarial Networks)风格迁移网络基础上,引入多通道特征增强机制,增强每个通道对图像特征的非线性表达能力,不仅可保持通道的独立,还能提取更加丰富的内容特征,在确保特征映射一致的同时,提高风格迁移质量.经仿真实验表明,本文所提算法与CycleGAN相比:在风景方面,冬-夏季节场景数据集在评价指标IS和FID上分别提高6.2％和25.7％;在静物方面,苹果-橘子水果静物数据集在评价指标IS和FID上分别提高9.3％和24.4％.     

基于空洞卷积的人体实例分割算法

针对人体实例分割任务中存在着姿态多样和背景复杂的问题,提出了一种高精度的实例分割算法。利用Mask R-CNN算法特征融合过程中的细节信息,改善人体分割任务中边缘分割不精确的问题,提高人体分割精度。改进了特征金字塔的特征融合过程,将原有自顶向下的路径改为自底向上,以保留浅层特征图中更多的空间位置信息,并且在特征融合过程中加入多尺度空洞卷积,在增大特征图感受野同时保持分辨率不变,可以避免降采样过程中特征丢失;使用COCO数据集和网络平台,建立新的人体图像数据集。最后将本算法与Mask R-CNN算法做对比,在IoU分别为0.7、0.8和0.9时,准确率提高了0.26,0.41和0.59。实验结果表明,算法在新的人体图像数据集可以得到更精确的结果。     

融合多特征和谱聚类集成的图像分割方法

针对图像单一特征分割结果的适应局限性,提出融合多特征和谱聚类集成的图像分割方法(MFSC-IS).首先对图像进行基于粒计算的多特征子分割;然后将分割结果映射到超图,利用谱聚类集成算法得到最终分割结果.实验结果表明,与Gpb(Globalized probability of boundary)算法相比,融合多特征和谱聚类集成方法可以得到一个相对较好的分割结果.     

基于神经网络的脑组织图像分割方法的研究

本文采用模糊自组织特征映射网络的图像分割方法,以颅脑图像为研究对象,以精确分割出白质﹑灰质﹑脑脊液等脑组织为目的.在分割过程中,对算法进行了改进,获得了较好的效果。     

特征增强U形网络的图像语义分割

复杂场景语义分割任务是对场景图像逐像素进行分类并标记.图像中目标种类多,尺度多样的特点给分割任务增加了难度,提出了特征增强U形卷积神经网络(feature enhanced U shape networks,FEUNet)是一种改进的编码器加解码器的结构,编码阶段引入局部特征增强模块(local feature enhanced,LFE)提取局部感知特征来改善非显著目标的分割效果;考虑到神经网络深层和浅层之间特征表达的差异,在解码阶段利用全局池化方法(global pooling)设计全局特征增强模块(global feature enhanced,GFE),实现选择性地从深层特征图提取上下文信息作为对浅层特征图的指导,改善深层和浅层特征图的融合,保证同类像素预测的一致性.采用CamVid和Cityscapes数据集进行试验,模型mIOU测评值分别达到64.5％和73.2％,对比其他主流语义分割算法,该方法在分割性能和模型体积上具有一定竞争力.     

基于空间感知与细化残差的视频运动目标分割

针对视频运动目标分割中目标快速移动、障碍物遮挡、相似干扰时存在剧烈位移或目标消失等问题,提出一种基于空间感知与细化残差的视频运动目标分割方法 .首先,将标签图像输入小型神经网络获取视觉信息;其次,通过空间感知器对当前帧获得预测的目标热图,以获取空间位置信息;最后,利用空间信息和视觉信息,融合细化残差模块细致轮廓边缘,完成目标分割任务.引入空间感知器,可以减少空间位置的误差,提升了空间调制器网络的准确性;利用多级细化残差模块改善特征图的边缘细节,可以提高目标分割的准确度.在DAVIS 2016和DAVIS 2017数据集上的实验结果表明,该方法可以获得良好的分割结果 .     

基于二维直方图的快速FCM图像分割

模糊聚类方法广泛应用于图像分割,目前最常用的算法是将空间邻域信息作为惩罚函数用以修改聚类目标函数,虽然它有效提高了算法的抗噪性,但当数据样本大时,运算速度较慢.为解决此问题,一种利用原图像及其平滑图像的二维统计信息将图像从像素空间映射到二维直方图特征空间的方法被提出,对标准测试图像和真实脑部CT图像的实验表明,该算法在不影响分割效果的前提下快速地对含噪图像进行分割,有效提高了运算效率.