基于神经网络的超声肝图像识别研究

肝脏超声图像是肝病辅助诊断的重要手段。通过选择图像特征向量来研究肝脏超声图像的识别算法;通过空间灰度独立矩阵、空间频率分解和分形特征进行特征提取,采用神经网络对正常肝脏、肝硬化和肝癌三类肝脏超声图像进行分类识别。实验结果表明神经网络分类器对三种肝脏超声图像的分类可以达到93.5%的正确率。     

基于特征融合与稀疏表示的肝病识别

由于肝脏超声图像具有回声不均匀、边缘模糊等缺点,肝脏疾病的无创诊断易受到影响,考虑到单个特征的局限性,提出了一种基于HOG-LBP特征融合和稀疏表示的肝病识别算法。首先使用HOG-LBP特征融合方法将肝脏超声图像中相应区域的图像特征提取出来,并将训练样本集所提取的特征构建字典,然后使用字典学习算法对测试样本特征矩阵构成稀疏表示,最后根据稀疏表示分类原理进行分类识别。通过对取自青岛大学附属医院肝胆科的包括正常肝脏、肝硬化和脂肪肝的共900个样本进行分类,平均识别率达到85.76%,实验结果表明,所提方法的准确率高于传统方法,有助于临床诊断。     

基于分形和神经网络的B超图像识别

为了给脂肪肝的辅助诊断提供科学依据,提高临床诊断的准确性,利用分形方法对脂肪肝和正常肝脏的B超图像进行了分析对比,获得两类肝脏图像具有多重分形的特性,并利用RBP神经网络进行分类,对提高脂肪肝诊断的正确率收到较好效果,具有一定的实际意义和理论价值.     

基于BP神经网络改进算法的遥感图像分类试验

BP神经网络分类方法是一种新的模式识别方法,在遥感图像分类识别处理中有良好的应用前景。本文在阐明标准BP算法及其改进算法——Levenberg-Marquardt算法的基础上,介绍了BP神经网络的遥感图像分类过程,并在MATLAB平台下对基于BP神经网络的分类算法进行了试验。实验结果表明基于BP神经网络的遥感图像分类方法是一种有效的图像分类方法。     

用自适应谐振网络进行图像纹理的分类与识别

分析了逢适应谐振神经网络模型的模式分类能力，并利用该网络来进行图像纹理的分类和识别，对６类自然景物的纹理图片分类和识别结果难验证了方法的有效性，对心脏超声图片的分类也取得一些初步成果。     

基于人工神经网络的遥感图像分类研究

随着人工神经网络系统理论的发展,神经网络技术日益成为遥感图像分类处理的有效手段,并有逐步取代最大似然法的趋势。本文重点讨论了遥感图像分类处理研究中应用效果显著的BP神经网络方法,并在MATLAB平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与最大似然法的分类结果进行了精度比较分析。结果表明基于BP神经网络的遥感图像分类效果是较好的,是一种有效的图像分类方法。     

一种基于空间域和频谱域特征的图象分割方法

提出了一种基于空间域和频谱域特征的神经网络的医学图像分割方法．本方法不需要教师监督,能自动生成最优的网络输出节点,即分类数．对ＣＴ,ＭＲＩ和超声图像的分割表明本方法有效方便．     

一种基于空间域和频谱域特性的图象分割方法

提出了一种基于空间域和频谱域特征的神经网络的医学图像分割方法。本方法不需要教师监督,能自动生成最优的网络输出节点,即分类数,对ＣＴ,ＭＲＩ和超声图像的分割表明本方法有效方便。     

基于人工神经网络的遥感图像分类研究

随着人工神经网络系统理论的发展,神经网络技术日益成为遥感图像分类处理的有效手段,并有逐步取代最大似然法的趋势.本文重点讨论了遥感图像分类处理研究中应用效果显著的BP神经网络方法,并在MATLAB平台下对基于BP神经网络的分类算法进行了研究,最后将它的分类结果与最大似然法的分类结果进行了精度比较分析.结果表明基于BP神经网络的遥感图像分类效果是较好的,是一种有效的图像分类方法.     

基于灰度共生矩阵和BP神经网络集成的纹理图像分类

通过对灰度共生矩阵的分析,提取图像的纹理特征参数,并用BP神经网络集成的方法对Brodatz纹理库图像进行分类,仿真结果显示,其分类效果优于单一的BP神经网络,可有效提高分类识别率。     

基于小波变换的纹理识别

利用小波变换在时、频域同时具有良好的局部化性质,提出由小波变换得到的多分辨率表示来进行纹理识别.通过对肝脏B超图象进行分类,结果表明,本文提出的方法具有分类精度高的特点.     

分维方法在肝癌超声图像纹理识别中的性能比较研究

研究描述超声肝图像纹理特征的分维方法。用14幅正常肝样本图像和14幅原发性肝癌样本图像检验并比较评估4种分维方法。用布朗运动方法、毯子法、傅里叶功率谱法和差分盒计数法4种方法得到的分维作为特征进行ROC(Receiver operating characteristic)分析,以SVM作为模式分类方法的分类正确率进行分析。研究结果表明:除了分数布朗运动方法外,由毯子法、傅里叶功率谱法和差分盒计数法获得的描述正常肝图像感兴趣区域的分维值明显小于描述原发性癌图像感兴趣区域的分维值;采用傅里叶功率谱方法得到最大的ROC曲线下的面积;用SVM(Support vector machine)方法进行分类也取得了与ROC分析类似的结果,即用傅里叶功率谱方法进行分类准确度最高,分数布朗运动和差分盒计数方法效果较差,毯子方法效果居中;傅里叶功率谱方法是描述超声肝图像纹理特征最适合的方法。     

B超图象的纹理识别

根据肝脏B超图象的特点 ,提出利用分形特征配以和差直方图提取特征参数进行纹理识别 ,实验结果表明 :该方法分类精度高且计算速度快 ,克服了它们各自作为特征对肝脏B超图象进行纹理识别时 ,其识别率较低的缺点     

自组织神经网络在钢板和橡胶粘结缺陷检测中的应用

利用超声波对钢板和橡胶的粘结质量进行检测.通过分析回波信号的谐波振幅、频率等信息,提取出了信号能量、奇异波的峰值和数量,并采用自组织神经网络分类算法对钢板和橡胶的粘结质量进行了定量分析.分析结果表明,自组织神经网络可以有效地对钢板和橡胶的粘结质量进行分类和识别.     

基于深度残差网络的医学超声图像多尺度边缘检测算法

为提高医学超声图像在临床诊断的效果, 需先对图像进行优化检测和识别, 提出一种基于深度残差网络的医学超声图像多尺度边缘检测算法. 首先, 通过对原始医学超声图像进行自动标注, 构建医学超声图像灰度分布矩阵, 利用分布矩阵完成医学超声图像的多尺度分割; 其次, 构建医学超声图像多尺度边缘的轮廓模型, 提取多尺度图像边缘特征; 再次, 构建深度残差网络结构, 采用深度残差学习算法进行超声图像的底层图像信息融合; 最后, 对融合后的边缘图像数据进行多尺度边缘检测. 实验结果表明, 该算法的图像分割精度高, 特征提取准确率达80%以上, 图像边界中间断区检测效果较好, 边缘点查全性较高, 算法检测耗时短、收敛性强.     

粗晶材料缺陷的超声检测信号识别

对于非均匀材料，超声无损检测技术受到能否有效区分有用信号与背景噪声的限制，目前人们大多倾向使用频率分隔与统计算法来提高粗晶材料（一种非均匀材料件相对颗粒散射的缺陷回波比例．文中介绍一种用Ｗｉｇｎｅｒ分布作特征提取、用前馈网络自动识别超声散射回波中的缺陷信号．由于普通的人工神经网络要求输入信号的特征与时间起始点无关，因此采取了一种数学变换方式来实现这一要求，这样训练好的网络就有很强的识别能力．在实验中，正确识别率达到９０％．所述方法对其他非均匀介质的超声检测与评价工作也有益处．     

新疆地方性肝包虫CT图像的灰度直方图特征提取与分析

 图像特征提取是图像识别、图像数据挖掘、基于内容的图像检索等工作的基础,是模式识别和分类中的关键问题。本文运用灰度直方图法提取新疆地方性肝包虫CT图像特征,对图像进行尺寸归一、去噪和增强的预处理,并对灰度直方图特征进行统计分析,用最大类间距法获取图像分类的主要特征,同时使用判别分析法对特征的分类能力进行评价。结果表明,灰度直方图法提取的特征在统计分析中存在差异,且提高图像分类的准确率,一定程度上有助于对肝包虫病CT图像进行分类和检索。     

猪离体软组织超声频谱衰减特性实验分析

应用频谱分析的谱差法,对猪离体的脂肪、肌肉及肝组织的超声传输衰减特性进行了实验分析.结果表明,猪脂肪、肌肉组织的衰减系数随频率的变化与指数规律符合相当好;肝组织的衰减乐数和频率的关系与线性规律接近.     

超声回波参数的高斯与牛顿迭代法计算

应用超声回波模型,对检测目标的超声回波进行模拟,在模拟过程中应用高斯与牛顿法迭代出估计参数.结果表明,该算法能以较少的迭代次数计算出向量参数,但对模型中到达时间初值设定较为敏感,这可用常规方法(互相关或小波变换、遗传算法等)解决.