基于改进残差U-Net的乳腺肿块图像分割方法

针对乳腺钼靶图像中肿块体积小且常被致密组织掩盖导致肿块分割精度较低的问题,提出一种基于复合加权损失函数的U型对称残差语义分割模型SRes-Unet:首先将含有残差结构的卷积模块嵌入U型网络架构中,提升模型整体的特征提取能力;其次,为了解决乳腺图像中因背景较大造成像素类别严重不平衡问题,利用复合型wBCE_DiceLos...     

基于改进U-Net方法的脑肿瘤磁共振图像分割

为提高脑肿瘤磁共振图像分割精度,在U-Net图像分割方法基础上,提出了一种引入注意力机制的深度学习改进模型,利用全局上下文信息,使模型重点关注需要分割区域的特征,并抑制无关的特征,以此提高模型的分割精度,同时引入残差块来加速模型的训练.实验结果表明:提出的改进模型相比U-Net方法,脑肿瘤MRI图像的分割精度有了提高,...     

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.     

图像分割方法综述

图像分割是指将一幅图像分解为若干互不交迭子图像的集合，是图像处理与机器视觉的基本问题之一。本文重点对近年来图像分割领域的主流方法进行归纳总结。每基于一定理论和算法的图像分割方法都有各自不同的优势和缺点，在实际应用当中应根据不同使用目的和使用标准采取不同的方法以达到最佳效果。     

基于改进U-Net网络的复杂背景下冰川遥感图像检测方法

由于山体坡度、光照角度、传感器成像角度等因素,遥感图像中的山体阴影影响了冰川识别的精度.现有方法一般是先去除阴影再进行冰川识别,既繁琐又可能破坏图像的光谱信息.本文在U-Net框架中集成金字塔池化模块以增强多尺度特征提取能力,提出了一种U-PSP-Net结构的卷积神经网络,可以实现阴影区冰川识别.在自制的含阴影冰川数据集上进行验证,与PSP-Net、SegNet和U-Net的性能比较表明,提出的U-PSP-Net的平均像素精度为95.84%,平均交并比(IoU)为92.79%.与U-Net相比,分别提升了0.61%和0.92%;与PSP-Net和SegNet相比分别提高了1.41%、2.54%和2.85%、2.86%.以上结果证明了神经网络结构在含阴影遥感影像中识别冰川的可行性和有效性.     

基于DCNN的图像语义分割综述

图像的语义分割是计算机视觉中重要的基本问题之一,其目标是对图像的每个像素点进行分类,将图像分割为若干个视觉上有意义的或感兴趣的区域,以利于后续的图像分析和视觉理解.近年来,深度卷积神经网络(Deep Convolutional Neural Network,DCNN)的出现,极大地推动了语义分割的发展.本文从语义分割的基本定义出发,对语义分割中存在的困难和挑战进行了分析和描述.总结了目前用于评测语义分割算法的典型数据库,并以PASCAL VOC数据库为主线对近年来基于DCNN的语义分割算法进行了梳理和总结.最后对语义分割未来的研究重点进行了探讨和预测.     

基于改进U-Net网络的混凝土表面裂缝分割

如何快速、高效、准确地像素级分割混凝土表面裂缝是当前研究的热点问题之一.在混凝土表面裂缝图像中裂缝面积远远小于正常路面面积,造成现有方法在这种正负样本分布不均问题中无法有效学习裂缝特征,最终分割效果较差.提出了一种将Focal损失与活动轮廓模型相结合的新损失函数,针对裂缝面积较小且连续分布的特点,通过Focal损失加强...     

基于残差注意力和金字塔上采样的图像语义分割

针对图像语义分割中,存在细节信息丢失、分割类别边缘模糊而粗糙的问题,在编码解码结构的基础上,结合残差模块和注意力机制,设计一种残差注意力模块.通过注意力机制加强特征图通道之间的联系,以提升语义分割的细腻度.为提高模型对多尺度物体的识别能力,结合金字塔模型,设计一种金字塔上采样模块.利用编码过程中产生的不同尺度的特征图,...     

一种基于深度学习的卫星遥感图像分割方法

近年来,基于深度学习的语义分割方法得到了广泛应用.本文针对实际遥感图像中的语义分割问题,为了减少网络参数和计算量,以及提高网络性能,提出了一个使用通道注意力机制的卷积神经网络(channel attention network,CA-Net).首先,对高分二号(GF-2)遥感图像进行预处理和数据标注,得到一个7分类数据...     

基于多尺度区域块的糖尿病性视网膜病变级联检测

目前,基于形态学检测糖尿病性视网膜病变的算法复杂度较高,深度学习直接逐像素检测的方法虽然能够避免排除生理结构、手动设计特征的不足,但计算量大、分割速度较慢.为了解决上述问题,提出一种基于深度学习的级联检测框架.首先,分块检测眼底图像是否存在病变区域,然后对病变区域进行逐像素的分割,从而检测出微动脉瘤、出血点、硬渗出及软渗出4种病变.实验结果表明:在眼底图像公开数据库DIARETDB1中,4种病变的检测率分别为88.62%、94.91%、98.91%和92.91%.与形态学方法相比,微动脉瘤和出血点检测精度分别提高了17.39%和15.18%;与直接逐像素检测方法相比,平均检测时间仅为原来的1/4.     

比例公平保证下的SCMA能效资源分配研究

在倡导绿色通信的背景下,基于能效的资源分配算法是近些年研究的热点。针对稀疏码多址接入(sparse code multiple access, SCMA)下行链路系统,以保障用户服务质量为前提,降低接入网能量损耗,给出一种比例公平保证下的能效资源分配方案。将用户的最小速率需求以及传输速率比值作为约束条件进行能效资源分配。通过2个阶段的码本分配,既满足各个用户不同的速率需求,又保证了用户之间的公平性;根据已得到的码本分配方案,利用二分法求得近似最优能效下的功率分配。实验结果表明,所给出的算法在保证用户速率比例公平的前提下,也能获得较好的能效性能。     

基于自组织特征映射网络SOM的图像分割方法

阈值法是图像分割中常用的有效分割技术之一,但是阈值的选取对分割结果影响很大,特别是对于生物医学图像,分割结果往往不能满足要求.本文将SOM神经网络应用到图像分割中,利用其自组织学习的能力自动获取阈值,其结果不仅优于传统阈值法,而且也优于竞争型神经网络.     

基于卷积神经网络的布料疵点检测方法

针对传统布料疵点检测准确率低、识别较慢且计算量大问题,提出基于卷积神经网络的布料疵点检测方法,实现增强布料疵点检测鲁棒性、高效性的设计目标。为保证训练结果准确,首先采集数量以千万级为单位的布料图像并进行图像预处理,标记无疵点布料和疵点布料;然后将图像送入设计的卷积神经网络进行训练和测试,获取疵点检测框;紧接着采用改进的NMS分类算法对检测框进行多框合并,减少误检,进一步提高模型检测效果;最后利用设计的特征图分割算法使网络模型脱离GPU显存限制,适用于各种性能计算机。实验结果表明该方法可在实现布料检测高速度、高准确率的同时增强检测方法的鲁棒性。实际检测速度为3fps,准确率可达99.6%,超过现有疵点检测算法,表明该检测方法可应用于对布料要求更高的生产企业。     

红外序列图像小目标的特征及不变性分析

对红外序列图像小目标检测过程中出现的误差做出了分析，在检测过程中采用形态学中的Top-hat滤波，并根据目标运动的连续性去除噪声和云团。对目标与背景灰度均值之差，目标灰度方差和目标面积这三个特征量进行了研究，发现它们保持相对的稳定，可以作为小目标的不变特性，利用这些特征量设计了RBF神经工对检测结果进行评估，实验结果证明该方法是可行的。     

基于神经网络的茄子采摘机器人视觉识别方法

针对生长环境中茄子图像背景复杂的特点,提出了一种基于BP神经网络的图像分割方法。通过对茄子果实的分析,选取3×3邻域像素EXG灰度值作为图像特征。选取30幅图像作为训练样本,以人工借助Photoshop软件分割后的图像作为教师信号,采用改进的BP算法对神经网络的权值进行训练。经过120次循环后,获得有效的网络权值,误差为0．001。结果表明,利用BP神经网络能够较好地实现茄子与背景的分离,经过数学形态法结合中值滤波方法的进一步处理后完全能满足采摘机器人的要求。     

基于神经网络的带钢表面孔洞检测系统研究

简要介绍了带钢表面孔洞实时检测中的图像处理系统 ,提出了一种应用边缘检测和聚类分析的图像分割算法对带钢表面孔洞进行准确快速的分割 ,同时采用改进的BP神经网络分类器对孔洞进行分类与识别 ,实验结果表明 ,该带钢表面孔洞实时检测系统具有较高的精度和较快的速度 .     

基于D-UNET的胎儿产前超声检测

胎儿的产前超声检测对判断或预测孕妇孕期、估计胎儿尺寸和质量具有重要意义.超声检测主要是基于超声图像对胎儿的腹围(abdominal circumference)、股骨长(femur length)以及头臀径(crown-rump length)等参数进行测量.这些生物参数的测量可以用来判断胎儿的生长状况是否良好以及胎儿是否畸形.当前,这些参数需要依靠医生进行手动测量,该方法效率低下且严重依赖医生经验,从而导致检测准确率下降.对此,本文提出了一种基于深度学习的算法来对腹围、头围、股骨等部位进行自动分割,并对这些生物参数进行自动测量.该算法基于UNET结构,并采用扩张卷积(dilation convolution)以提高网络提取上下文信息的能力,因此本文将其命名为D-UNET.本文基于腹围、股骨以及头臀径三个临床数据集对所提D-UNET进行了实验验证,并与一些其他先进的深度学习分割算法进行了比较.实验结果表明,本文算法在三个数据集上都表现了与专家医师手动标注接近的测量结果.由此说明,本文算法能辅助医师对生物参数进行自动测量.