基于图像处理的CT图像肝癌诊断技术研究

该文对基于图像处理的CT图像肝癌检测技术进行了研究。根据放射科医生临床诊断经验及肝癌CT图像的特点,提出了一个包括图像预处理、图像分割、特征提取和分类识别的肝癌检测方法,实现了对肝癌的有效识别。通过图像分割、轮廓提取和轮廓校正,得到了较为精确的病灶区边缘;提取了图像的纹理特征和形状特征;采取BP神经网络方法设计了两个分类器进行肝癌识别,第一个分类器依据纹理特征将目标区域区分为正常肝组织和非正常肝组织,第二个分类器利用形状特征将非正常肝组织区分为肝癌、囊肿和血管瘤。实验结果表明:正常肝的识别率为90.00%,非正常肝的识别率为85.00%,区分肝癌、囊肿和血管瘤的识别率分别为83.33%、72.73%和50.00%,肝癌的识别效果良好。     

基于区域增长算法分割DICOM格式的CT肝脏图像

在计算机辅助诊断中,为减少数据损失与处理时间,直接从DICOM格式的CT腹部图像中分割肝脏组织.利用区域增长算法自动分割CT肝脏,并和医生手工分割的肝脏图像做对比.分割的肝脏图像与原图像相比,自动分割的肝脏和原图像肝脏接近一致,得到较为满意的效果.区域增长分割算法能从胸腹腔CT图像中分割出保留灰度的肝脏,为CT图像的计算机辅助诊断起到了重要的作用.     

基于Zernike矩和BP神经网络的纹理分割

提出了一种基于Zernike矩和BP神经网络的纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Zernkie矩,然后通过非线性变换器将得到的矩值转换成纹理特征;选择BP神经网络作为分类器,将图像的每个像素得到的n维特征向量输入BP神经网络进行分类,最后将结果标注在原图像上.和基于Legendre矩的纹理分割结果相比,基于Zernike矩的纹理分割可以降低分割错误率.     

一种基于遗传神经网络的医学图像分割方法

针对一类具有纹理特征的医学图像,提出一种结合纹理信息,利用遗传神经网络的图像分割方法。该方法以混合递阶遗传算法优化径向基神经网络,同时优化其结构及参数。试验表明,该方法应用于生物医学图像,能够区分图像不同的纹理区域,获得较好的分割效果。     

基于LVQ神经网络的医学图像识别研究

以医学肝脏CT图为研究对象,设计了一种基于LVQ神经网络的医学图像识别方法。基本思想是首先确定图像ROI区域,并作灰度映射变换。接着提取其颜色、纹理和形状特征构成表征医学图像的特征矢量,最后将特征归一化后利用LVQ神经网络进行识别。通过与其他典型神经网络识别方法的实验比较,结果表明,设计的方法能取得更为理想的识别效果。     

基于分形维数的图像纹理分析

利用分数维能够把图像的空间信息和灰度信息有机结合起来的特性,提出了一种基于分形维数的图像纹理分析方法.为了更准确地描述纹理表面的粗糙度,该方法首先将纹理图像进行6种灰度变换并计算其相应的分形维数,同时采用H lder指数作为描述图像纹理的奇异性特征,然后利用提取的纹理特征对图像进行纹理分割.实验结果表明:采用该方法所分割的图像能很好地体现图像的纹理分布.     

一种淋巴组织结构彩色病理图像自动分割算法

提出了基于约简纹理谱特征值的分割方法.首先,对淋巴组织结构病理图像进行特征分析,利用约简纹理谱特征及形状特征,分离出各组织结构,同时进一步提高滑动窗口的纹理谱计算方法;然后对淋巴小结采用灰度分割算法,分离出细胞核、胞浆等.实验证明,该方法简单快速,能对彩色淋巴组织结构病理图像进行有效的分割.     

基于图像校正技术的大豆病害自动诊断模型

为解决大豆病害无损采集的非线性失真图像与病种之间映射关系的问题,将数字图像处理技术与神经网络推理机制相结合,提出了基于图像校正技术的大豆病害自动诊断模型.通过自制标定模板无损采集大豆病害数字图像,利用双线性投影映射算法校正病害图像的几何失真,同时计算病斑区域的形状特征、颜色特征及纹理特征参数,以此多维特征指标为基础,应用神经网络的强自适应性自动取得大豆病种推理规则,建立大豆病害自动诊断模型.仿真试验表明:大豆病害的失真图像校正精度达到99%以上,其病害种类诊断准确率为98.33%,实现了大豆病害自动诊断和精确测报.     

肝脏MR图像自适应分割方法

提出一种基于自适应边缘检测和自适应灰度阈值的肝脏MR图像序列分割方法.方法通过构造频率图像自动选取序列中含有最大肝脏区域的图像切片,以此图像切片为起点,向上、向下对序列图像依次进行分割.在分割的过程中,将相邻图像的分割结果作为当前分割图片的掩膜图像,以表示当前图像中肝脏区域的大致轮廓,据此轮廓,统计当前图像中肝脏区域灰度值变化范围,进行自适应阈值分割,最后利用集合关系及质心位置合并阈值分割后的肝脏区域.以此方法对福建省肿瘤医院提供的30个腹部MR图像序列进行分割实验,结果证明该方法对肝脏MR图像分割的有效性.     

基于改进的大津方法与区域生长的医学图像分割

提出了一种自动分割边缘模糊图像的新方法.该方法利用小波变换对图像进行压缩与多解像度分解,通过强调各解像度上高周波成分的极值进行图像锐化;利用邻域平均与中值滤波方法对图像进行平滑;利用改进的大津方法与多种子投票机制的区域生长方法进行图像的自动分割;根据分割效果对阈值进行迭代控制;通过自动分割的区域与影像医生手动分割区域的误差、平均最短距离进行自动分割效果的评价.将本方法应用于实际的30幅边缘模糊的腹部MRI图像,证明了其对复杂图像分割的有效性.     

基于叶片图像的植物识别方法

 基于计算机的植物自动识别是植物识别分类学的发展趋势,本文提出了一种基于植物叶片图像的植物自动识别方法。该方法在对叶片图像进行亮度校正、中值滤波和阈值分割等预处理后,计算植物叶片的偏心率、圆形性、圆形度指标、方向角、最小矩形宽轴/长轴、最佳椭圆短轴/长轴6个形状特征参数和植物叶片的二阶矩、对比度、相关、熵、逆差矩5个纹理特征参数,再使用径向基人工神经网络设计了植物自动识别的分类器。通过对3种植物的60个叶片图像进行实验,仅用植物叶片形状特征进行植物识别的平均正确识别率为70.83%,利用植物叶片形状特征和纹理特征进行植物自动识别的平均正确识别率为83.3%,并得到了径向基人工神经网络的参数。实验结果表明,植物叶片图像的纹理特征能够提高植物自动识别的平均正确率,基于植物叶片图像的植物自动识别是切实可行的,研究成果为深入研究植物自动识别分类系统奠定了一定的理论基础。     

绗缝花样打板算法研究

绗缝花样自动生成系统中要防止图像锐角钝化处理,以获得精美花型。随着计算机数据处理能力的提高,对传统的花样打板算法进行改进。针对绗缝机运动系统的特点,提出了依据曲率变化的BP神经网络算法。对花样进行精确的识别处理,有效地防止图像锐角钝化。自动生成足量的加工代码,生成的精美花型。相对传统插补运算的花型,得到明显的改善。实践证明在绗缝花样打板中采用BP神经网络算法是可行。     

基于栈式稀疏自编码多特征融合的快速手势识别方法

针对复杂背景下手势分割提取效果不佳、图像识别率不高、识别困难等问题,研究多特征融合的快速手势识别方法.利用YCbCr颜色空间模型,构建肤色分布模型,从复杂背景中去除大部分非肤色的干扰,从而实现手势分割;接着采用5层栈式稀疏自编码网络框架,分别提取手势感兴趣区域（region of interest,ROI）的纹理图像、形状图像和显著视觉图像作为自编码网络输入,将提取到的不同类型的特征进行线性融合;最后使用基于径向基核函数（radial basis function,RBF）的支持向量机（support vector machine,SVM）分类器进行融合特征数据分类,从而实现不同类型的手势识别.实验结果表明,相比其他手势识别方法,本文方法识别率较高,提取特征更具有代表性,平均识别率可达95.05%.      

基于多因子复杂度的结构误检区域排除算法

在检测金属工件表面细微缺陷过程中,往往将工件的某些结构区域图形误检为缺陷。提出了一种基于多因子复杂度的结构误检区域排除算法;该算法先计算经过卷积神经网络检测之后框选的区域图像的复杂度,即综合计算信息熵,纹理特征及边缘比率的复杂度。根据实验设定合理的复杂度阈值,排除结构误检区域,保留真实缺陷。算法克服了卷积神经网络检测结果中存在一些结构区域的缺点,能够有效去除结构误检区域,并保留非误检区域,有较高的准确率,且计算速度能够达到工业流水线的实时性要求,具有实用价值。     

基于概率神经网络的矿井运输胶带图像监测

针对煤矿井下输煤胶带图像形状和边缘特征难以提取的特点,为实现煤矿井下输煤系统胶带状态的监控,提出了胶带红外图像识别方法提出了用灰度共生矩阵提取胶带图像纹理特征,将提取的纹理统计量经正规化处理后表现出较好的可分性,采用概率神经网络对空载(或少煤)的胶带图像和有煤的胶带图像进行了识别。实验结果表明,提出的算法可以较好地识别胶带的两种状态,为煤矿井下胶带运输系统监控提供了新的途径。     

基于脉冲耦合神经网络的目标特征抽取方法

为解决待识别目标的特征抽取问题,提出了一种脉冲耦合神经网络结合形状信息的图像混合特征抽取方法。该方法利用脉冲耦合神经网络将图像空域信号转化为时域信号的特性,结合物体形状信息,对图像的灰度和形状进行了统一描述。实验结果证明,该方法在一定程度上对物体的形变、平移、缩放不敏感,对目标识别系统是一种很好的特征抽取方法。     

文本区域字符颜色极性判断方法

文本区域的字符存在着不同的颜色极性.为了能够正确地把文本区域的灰度图像转换成OCR识别软件可以识别的二值图像,提出了一种判断文本区域字符颜色极性的方法.首先计算文本区域的灰度-梯度共生矩阵,并根据目标函数快速地找到分割的灰度和梯度最佳阈值;然后在此基础上提取特征向量,送入神经网络进行分类;最后根据颜色极性判断的结果,分割出字符.实验结果表明,提出的方法在复杂度不同的背景下,正确地识别出了不同类别的字符颜色极性.     

基于BP网络与Mahalanobis距离的图像识别技术(英文)

提出基于BP人工神经网络与Mahalanobis距离的图像识别技术.在对IC芯片图像进行二维小波分析后,通过Mahalanobis距离在图像的低频小波系数矩阵上进行目标图元的区域搜索与位置标定,而后根据待定目标图元像素分布特征建立特征参数向量,建立BP网络对目标图元进行模式识别.实验证明此方法能够有效地对IC图像进行目标图元的位置标定与模式识别,获得准确的IC标定识别结果.     

基于PCNN的RLNSW-NSCT卫星云图融合算法研究

提出了一种基于PCNN的RLNSW-NSCT卫星云图融合新方法。首先采用基于冗余提升不可分离小波的NSCT变换对卫星云图进行变换。对带通方向子带系数的融合设计了基于PCNN的融合规则,而低通子带系数的融合则采用基于图像区域信息熵的系数加权融合规则。为验证算法的有效性,对不同多尺度变换算法和不同融合规则分别进行了融合实验。结果表明该方法在较多地保留云图红外信息的同时,具有更好图像细节表达能力,融合云图的云层特征更为分明。