基于混合粒子群算法的自适应均值漂移算法

为能够自适应地计算均值漂移算法中的带宽,采用混合粒子群算法将带宽看作是粒子群算法中的粒子,根据采样点的局部结构,对密度大的区域采用小的带宽进行计算,对于密度小的区域则采用大的带宽,然后利用计算出的带宽将均值漂移算法用于图像分割.实验结果表明,与经典均值漂移算法相比,新算法不仅解决了均值漂移算法中带宽的选择问题,而且保证了图像分割的质量.     

基于均值漂移的高分辨率影像多尺度分割

高空间分辨率遥感影像在许多领域均有应用。由于遥感影像数据量大且内容复杂,目前少有针对这种影像的有效分割方法。引入一种快速、稳健的多尺度分割方法——均值漂移,该方法是一种通过简单迭代快速自适应上升的模式搜索法。基于均值漂移算法的分割方法,并充分利用光谱特征与空间特征,通过具有一定物理意义的参数控制分割精度,与目前商用软件eCognition提出的分割算法相比,同样达到与视觉分割一致的效果,并且速度更快。     

基于均值漂移的SAR图像分割方法研究

本文主要讨论了均值漂移算法在图像分割中的应用,指出均值漂移算法是一个稳定的图像分割算法,该算法具有很强的适应性.对于遭受噪声污染的图像,它的分割效果会受到很大的影响.因此针对噪声特性,提出了用滤波器来改善基于均值漂移的SAR图像分割的方法.该方法的关键是设计合适的滤波器.基于该方法进行了图像分割实验表明,该方法可以改进图像分割效果.     

一种鲁棒的无监督聚类图像分割算法

针对目前基于模糊C-均值聚类图像分割算法的噪声敏感问题, 提出一种基于无监督可能性聚类的自动加权图像分割算法. 该算法先应用均值漂移迭代确定可能性C-均值聚类算法的初始化中心, 利用可能性聚类的模式搜索性质自动确定聚类划分; 然后根据像素间灰度值关系进行图像加权, 通过将加权系数与像素噪声的可能性相关联, 降低噪声对图像分割的影响. 实验结果表明, 相对于基于模糊C-均值聚类的图像分割算法, 该算法不仅取得了较好的分割效果, 而且无监督分割时计算效率更高, 对噪声的鲁棒性更强.     

一种鲁棒的无监督聚类图像分割算法

针对目前基于模糊C-均值聚类图像分割算法的噪声敏感问题, 提出一种基于无监督可能性聚类的自动加权图像分割算法. 该算法先应用均值漂移迭代确定可能性C-均值聚类算法的初始化中心, 利用可能性聚类的模式搜索性质自动确定聚类划分; 然后根据像素间灰度值关系进行图像加权, 通过将加权系数与像素噪声的可能性相关联, 降低噪声对图像分割的影响. 实验结果表明, 相对于基于模糊C-均值聚类的图像分割算法, 该算法不仅取得了较好的分割效果, 而且无监督分割时计算效率更高, 对噪声的鲁棒性更强.     

带均值漂移的HEGY检验及其实证研究

研究了含多个均值漂移的HEGY检验.通过模拟实验,发现如果没有正确选择HEGY检验所含有的均值漂移个数,那么检验结果将会产生偏差.用不含均值漂移、含一个均值漂移和含两个均值漂移的HEGY模型研究了广东月度工业总产值周期性变化问题,结果表明,1991年至2003年间广东工业生产存在两个季节性均值漂移,仅含有一个非季节单位根.因此,选择含两个均值漂移的HEGY模型更适合本问题的研究.     

改进的基于模糊C-均值聚类的图像分割算法

目前的FCM类型的算法聚类数目的确定需要聚类原形参数的先验知识,否则算法就会产生误导.为了提高图像分割算法的抗噪性能,用K均值聚类算法简单、快速的优点对模糊C均值聚类算法进行改进.结合图像的邻域信息,对图像的直方图作均衡化处理,改善图像质量,通过自适应滤波,降低噪声对分割效果的影响.先用K均值聚类算法对图像进行分割,快速的获得较为准确的聚类中心和初次分割图像,避免了FCM算法中初始聚类中心选择不当造成的死点问题.用邻域灰度均值信息代替传统模糊C均值聚类算法中的灰度信息,对K均值聚类得到的图像作二次分割.该方法能更好的抑制噪声的干扰,提高了聚类算法的分割精确度.     

均值漂移算法对纬编提花针织物图像分割的探讨

为了取代人工方法来分析纬编提花针织物的彩色花型和绘制意匠图,探讨了用3种不同分割算法对提花针织物图像进行色彩识别.首先对织物的实拍图进行必要的矫正,接着采用K-均值聚类算法、闲值分割算法、均值漂移算法以及编程工具Visual C ,进行色彩的聚类和分割,实现了织物图像彩色花型的自动识别,最后在均值漂移算法的基础上,在取定的图像范围内自动生成了彩色意匠图.研究结果表明,与其他两种方法相比,均值漂移分割算法的彩色花型识别率较高,去除杂色效果较好,具有应用可行性.     

融合KFCM与改进DRLSE模型的甲状腺结节图像分割

针对超声甲状腺结节图像分割问题,提出一种融合模糊核(KFCM)聚类算法与改进距离正则化水平集演化(DRLSE)模型的分割算法,解决了DRLSE模型对初始轮廓敏感、演化参数需要人工设定及分割弱边缘能力较差的问题.该算法先利用KFCM聚类算法粗分割出结节区域并二值化作为水平集初始演化轮廓,然后利用初始演化轮廓围成的区域自动计算出水平集演化参数,最后采用高斯正则化规则演化水平集分割出甲状腺结节区域.对比实验结果表明,该算法提高了甲状腺结节的分割精度,在噪声干扰下也能准确地分割出结节区域.     

面向高分辨率卫星图像的几种图像分割算法稳定性对比分析

将基于均值漂移和图模型的图像分割算法及这两种算法的混合算法应用到高分辨率卫星光学图像,并对比了它们在分割遥感图像时的稳定性。均值漂移算法是一种基于核密度梯度估计的特征空间分析算法,其实质是一种统计优化过程。基于图模型的算法将一幅图像抽象为一个无向图,通过不断合并图结点,将这个图分割为多个连通分量,进而实现一幅图像分割。混合算法首先利用均值漂移技术对图像进行滤波,然后再使用图分割算法对图像进行分割。实验结果显示,均值漂移算法分割结果对其参数变化较为敏感,而基于图模型的算法和混合算法则较为稳定。     

一种基于CI特征的3-域均值平移聚类肺结节分割算法(英)

提出了一种有效的分割CT图像中肺结节的新算法。该算法采用均值平移（mean shift）算法和基于CI特征,共由三个步骤组成：（1）计算感兴趣区内的所有像素的CI特征;（2）把CI特征与像素的灰度值和空间位置信息结合在一起,形成3-域特征向量集;（3）利用均值平移聚类算法对特征向量集进行聚类。由于本文的算法能有效分析多高斯模型描述的包括实质性结节和亚实质性结节在内的所有结节,因此,可应用于CT图像中任何含有结节的用户感兴趣区域。实验结果证明,本文方法能更精确地分割出不同类型的结节。     

基于全局注意力引导的肺结节分割方法

肺结节的精确分割能有效地辅助医生的治疗诊断工作,但由于不同患者所呈现的肺结节病灶形式多种多样,基于传统专家系统和统计学习的方法难以获得准确的肺结节分割结果。针对这种情况,提出一种由全局注意力引导的注意力机制,达到了从一张完整的胸部影像切片中自动定位并分割出肺结节的效果。该方法首先对目标区域进行肺实质分割,再利用区域建议网络（region proposal network,RPN）进一步缩小感兴趣区域,并生成注意力权重图,最后使用融合了残差网络（residual network,ResNet）与卷积长短期记忆网络（convolutional long short-term memory,ConvLSTM）的结构结合注意力权重进行肺结节分割。将所提方法在肺图像数据库联盟（lung image database consortium,LIDC-IDRI）数据集上进行了全面的评估,结果表明,本文方法分割结果的平均dice得分（标准差）为89.97%（8.9%）,具有出色的分割性能,精度相较其他方法取得一定提升。进一步在相同数据集上将所提方法的肺结节分割结果与4位放射科医生的手工标注结果进行了比较,结果表明本文方法的分割结果与医生们的标注结果的一致性达到了85.81%,相较于医生们手工标注之间的一致性高出了3.39%。     

一种基于Rb-K平均带宽设定的点带宽可变的Mean Shift算法

Mean shift是一个用在图像滤波、图像分割中的迭代过程．传统的Mean shift在迭代过程中每一个点的带宽是固定不变的,现有的Mean shift没有考虑迭代点带宽可变的情况．提出一种新的迭代点带宽可变的Mean shift,即每一个点在迭代过程中带宽是变化的．对传统方法和迭代点带宽可变方法进行比较,并对迭代点带宽可变方法进行评价,迭代点带宽可变方法在细节处理方面有好的效果．     

Adaptive Order Polynomial Fitting for Pulmonary Nodule Segmentation in Chest Radiograph

Segmentation of pulmonary nodules in chest radiographs is a particularly challenging task due to heavy noise and superposition of fibs, vessels, and other complicated anatomical structures in lung field. In this paper, an adaptive order polynomial fitting based ray- casting algorithm is proposed for pulmonary nodule segmentation in chest radiographs. Instead of detecting nodule edge points directly, the nodule intensity proffies are first fitted by using the polynomials with adaptively determined orders. Then, the edge positions are identified through analyzing the local minimum of the fitted curves. The performance of the proposed algorithm was evaluated over an image database with 148 nodule cases in chest radiographs that were collected from a variety of digital radiograph modalities. The preliminary results show the proposed algorithm can obtain a high rate of successful segmentations.     

一种基于ARG的肺结节良恶性度判定方法

基于CT影像的肺结节的良恶性识别是肺癌诊断的重要环节，针对这一问题，提出一种基于属性关系图(attributed relational graph， ARG)的肺结节良恶性度判定方法.该方法以肺结节CT图像块作为输入，利用ARG构建其特征结构，并从大量ARGs中挖掘与或图(and-or graph， AoG)作为肺结节类别识别模板，即肺结节良恶性度判定的依据.此外，为提高模板挖掘效率，该方法利用马尔可夫毯(Markov blanket， MB)发现算法去除图像中的冗余特征，降低ARG节点数量.实验结果表明，该方法对恶性肺结节的识别率达到90.12%，能够帮助正确、快速辨识与分析肺结节良恶性，具有一定的实用价值.     

基于CV模型与改进ME模型的肺癌检测算法

针对CT影像中恶性肺结节病灶难以自动检测的问题,提出了一种基于CV模型与改进ME模型分割区域之间的面积差异的肺部CT影像癌症检测算法.该方法利用在肺部CT影像中结节边界的模糊程度是判断恶性肺结节的最重要指标这一特性,首先通过CV模型和改进ME模型两种交互式目标分割算法分别对肺部CT影像分割,因这两种分割方法收缩效果不同,故得到两种不同的结节区域,再计算这两种区域之间的面积差异得到该区域的模糊程度,最后计算得到模糊程度比较阈值,以此判断是否存在癌症.实验结果表明,该算法对于肺部CT影像中的癌症检测具有较高的准确率.     

基于连续最大流的三维肺实质快速分割算法

肺结节是肺癌的表征形式,形状结构多样且易与正常组织产生粘连,使分割存在困难.提出了一种基于空间约束的三维肺实质分割算法,实现对肺实质组织的分割及目标区域的获取.首先使用SLIC方法将二维CT序列图像构建成超像素图像矩阵,并对矩阵进行稀疏化处理,降低矩阵维度.然后连接相邻切片间的超像素构造肺实质组织的三维结构.最后采用连续最大流方法对构造的三维肺部结构进行分割.实验结果表明,所提算法能够快速准确地分割三维肺实质组织,对不同类型肺结节的分割均取得较好结果,具有一定的临床应用价值.     

用于肺结节检测和分类的两阶段深度学习方法

针对肺部CT数据具有空间信息的特点, 提出一种基于深度学习的两阶段方法, 即使用两个3D卷积网络有效学习结节特征, 对CT图像中的肺结节进行检测和分类. 该方法的检测器部分采用基于U Net的编码器 解码器结构的3D语义分割模型, 以预测结节的位置、 大小和语义掩码; 分类器部分采用3D双路径网络, 用于特征的汇总和收缩, 并给出分类结果. 为充分利用原始数据中的特征信息, 将检测器的结果应用于对原始数据进行采样和掩码操作, 并通过空间金字塔池化层获得一致的输入尺度. 在公开数据集上的实验结果表明, 该深度学习方法对CT图像肺结节的检测和分类具有良好的性能.     

基于CT图像的自动肺实质分割方法

在肺癌、肺气肿等肺部疾病计算机辅助诊断方法中,肺实质分割是最核心的步骤.提出一种基于三维CT图像序列的新的自动肺实质分割方法,综合利用了阈值分割、区域增长及数学形态学等算法,并在特定体层通过图搜索算法精确定位左右肺前后连接线狭窄区域,有效解决了肺实质边缘结节易分割遗漏及左右肺分离的难题.通过多组胸部CT序列图像的实验证明,该方法对于肺实质分割非常精确有效.