基于萤火虫算法的三维Renyi熵眼底图像血管分割

对于眼底血管网络分割精度低的问题,提出了基于萤火虫算法的三维最大Renyi熵眼底血管分割方法。该方法先提取出眼底G通道图像;然后用多尺度线性滤波器对眼底血管增强;接着引入萤火虫算法,将基于三维共生矩阵的最大熵求解问题转化为寻找最亮萤火虫的问题;最后,将最亮萤火虫所处的三维空间位置作为Renyi熵函数的阈值对眼底图像分割。实验结果表明,方法的真阳性率和ROC曲线下方区域面积都有所提高,能准确分割出眼底血管。     

基于Hessian矩阵和水平集的视网膜血管分割

视网膜血管图像可以作为糖尿病与青光眼等疾病的诊断依据;但现有的血管提取算法存在精度不足、对噪声敏感,以及鲁棒性不强等缺点。针对这个问题提出了一种新的视网膜血管图像分割方法。首先获取视网膜绿色通道图像,利用Hessian矩阵特征值、特征向量的几何特性和响应函数,初步估计视网膜图像中可能存在的血管;并在此基础上利用水平集函数初始化血管图像。然后,在局部数据能量拟合泛函中引入新的正则化和面积约束。最后,在水平集函数演化过程中获得精准的视网膜血管图像。实验表明算法在分割视网膜血管图像上具有较强的鲁棒性。     

二维熵图像阈值分割的遗传算法

在研究二维熵阈值分割原理的基础上,将遗传算法用于最优阈值的求取,探讨了其快速算法和全局寻优方面的优良特性．研究结果表明,本算法收敛速度快,稳定性好,适合于多阈值的求取．     

基于蚁群算法的最佳熵图像分割阈值方法

最佳熵阈值是最常用的图像分割算法之一,但是需要大量的运算时间,限制了其实际的应用范围.蚁群算法是一种新兴的仿生进化算法,已成功的应用于大批组合优化问题的处理.将最大熵算法视为组合优化问题并引用蚁群算法加以处理,实验结果表明蚁群算法不仅可以实现最优阈值的确定,而且可以提高图像分割效率.     

模糊Tsallis熵及其在图像阈值分割中的应用

对于图像处理、模式识别与计算机视觉来说,图像分割是一种重要的技术。在众多图像分割技术中,阈值化技术由于其简单及有效性得到了广泛应用,而阈值的选择则成为其中一个关键的问题。模糊集理论在许多领域得到了成功的应用,如,控制、模式识别、医学等。可以认为,在进行图像处理时,人们自然地把一些模糊因素考虑进来,如,图像边缘、区域、纹理等术语的定义。基于非广延统计力学熵原理,提出了构建模糊Tsallis熵,同时也证明了在图像分割中,模糊Tsallis熵是基于Shannon原理的模糊熵的推广。基于最大熵原则,把模糊Tsallis熵应用于图像阈值分割,在合成及真实图像分割实验中,显示了所提出的模糊熵的有效性。     

一种基于多熵阈值图像分割的边缘检测新方法

该文提出的熵阈值分割图像边缘检测新方法,在噪声严重的情况下,能够提取出准确连续的物体边缘,实验结果表明这种方法能获得比Ｓｏｂｅｌ算子及Ｋａｐｕｒ多阈值分割法更为满意的边缘检测结果,这一方法在出版系统中具有一定的实用价值。     

一种基于模糊熵和遗传算法的图像分割方法

图像阈值分割技术在图像分析和图像识别中具有重要意义.作者将模糊数学理论和遗传算法结合在一起,利用最大模糊C组分类熵原则确定分割阈值.该方法可以将图分成两类或多类.实验结果表明该方法是有效的.     

基于决策树的眼底图像渗出自动检测方法

自动视网膜图像渗出检测有助于糖尿病性视网膜病变的早期诊断,提出了彩色眼底图像视网膜渗出检测方法。该方法根据决策树理论,采用Messidor数据库,对视网膜图像进行分类,区分得到含渗出的病变图像和不含渗出的正常眼底图像。实验结果表明,针对不同光照下采集的眼底图像采用光照非均匀性的归一化处理,即使在光照变化的环境中,文中的方法仍然比眼科专家的人工判定表现出色,能很好地分割出渗出区域。     

基于一维熵的图像阈值自动选取

图像的直方图双峰不明显时,选择分割阈值就很困难。本文提出用图像的香农(Shannon)信息熵来克服这一困难,并进行了理论推导,提出了实现算法。实验结果表明,本算法对任何形状的直方图,均可自动选择分割阈值。     

基于SKA-Unet的眼底图像视网膜血管自动分割

针对视网膜血管结构复杂，对比度较低及边界模糊等问题，构建了一种改进的Unet模型来自动分割视网膜血管。该算法在Unet基础上引入了选择性内核和注意力机制，通过增加多重感受野得到目标多维度的特征信息，并将注意力集中在最有效的特征中，从而提升网络分割血管的性能。利用网上公开的DRIVE和STARE两个常用眼底图像数据集训练和评估该模型，得到骰子系数、精确度、特异性、灵敏度和准确率分别为86.49%、88.65%、98.82%、84.5%和97.46%。实验结果表明，该算法能有效地分割视网膜血管，获得血管的形态和结构信息，对于诊断和治疗眼底相关疾病具有重要意义。     

基于互信息的视网膜眼底图像配准方法

提出一种在于互信息的视网膜眼底图像配准方法，并采用遗传算法求解待配准图像的变换参数。与传统方法相比，该方法具有配准精度高、可可靠性好、不需要进行图像的预分割和特征提取等特点，配准精确度可以达到亚像素级。     

遗传算法在最大熵多阈值分割的应用研究

图像分割最大熵多阈值算法存在计算复杂度高的弊端,目前针对这个问题所提出的各类算法效果都不太理想.依据遗传算法种群多样性好、收敛速度快的特点,将遗传算法应用到图像分割中,提出了一种基于最大熵多阈值分割技术的图像分割算法.仿真实验表明,新算法不仅能够对图像进行准确的分割,而且运行时间明显少于传统的分割算法.     

遗传算法在最大熵多阈值分割的应用研究

图像分割最大熵多阈值算法存在计算复杂度高的弊端,目前针对这个问题所提出的各类算法效果都不太理想。依据遗传算法种群多样性好、收敛速度快的特点,本文将遗传算法应用到图像分割中,提出了一种基于最大熵多阈值分割技术的图像分割算法。仿真实验表明,新算法不仅能够对图像进行准确的分割,而且运行时间明显少于传统的分割算法。     

基于VGG16预编码的遥感图像建筑物语义分割

深度卷积神经网络在遥感图像语义分割研究上开创了新的领域。利用改进的U-net模型对建筑物区域进行像素级提取,可获取其轮廓和尺寸信息。利用强可迁移性的VGG16网络作为U-net模型的编码器,并利用基于空洞卷积的级联并行模块提取多尺度的高层语义信息,同时使用转置卷积实现上采样,逐步还原分割细节。实验采用了加权组合的Jaccard损失和二元交叉熵损失作为总损失函数。实验结果表明了改进的U-net模型对遥感图像中建筑物的分割提取具有更高的精度,均像素精度(MPA)、均交并比(MIoU)和F_1分数分别为92. 16%、78. 55%和84. 81%。改进模型的F1分数比Deep Labv3+模型高4. 8%,比标准U-net模型高8. 3%。     

基于半像素的Hessian矩阵的空域误码掩盖

针对线条边缘采用传统的Sobel算子进行边缘检测和方向判别方法无法准确地检测其方向的问题,提出了基于半像素的Hessian矩阵对线条边缘进行检测的算法。该算法将图像中丢失的数据块的像素进行分类,再根据不同类别的边缘采用相应的边缘检测算子进行边缘检测,并根据检测的边缘方向对受损图像进行方向外推掩盖。实验证明,半像素精度的Hessian矩阵对线条边缘方向的检测更加精确,该算法较一般误码掩盖算法使受损图像的恢复质量PSNR(Peak Signul Noise Rate)值提高了0.2~0.4 dB。     

基于灰度-梯度共生矩阵的视网膜血管分割方法

提出了一种新的、有效的视网膜血管分割方法．它包括二维匹配滤波预处理以增强血管的灰度，以及用灰度-梯度共生矩阵的最大熵阈值化方法．该方法同时利用了图像的灰度和梯度信息．在计算梯度时选用了三次B样条小波．实验结果表明，该方法能较好地提取视网膜血管网络．     

基于方向分数和Frangi滤波器的视网膜血管分割算法

针对视网膜图像分割中分岔和交叉等带来的难点,提出基于方向分数并结合Frangi滤波器的算法.这种算法利用基于Hessian矩阵的Frangi滤波器对线性物体的滤波效果来增强血管对比度,同时利用由蛋糕小波构造的方向分数所具有的各向异性和正交性从多角度、多方向对血管进行滤波,以利于图像的细节处理和血管网络的完整分割.该算法与其他算法的对比表明,该算法在处理分岔和交叉时优于其他算法,而且准确率、灵敏度和特异度的测量结果也都优于其他算法.     

基于变形模型的肝CT序列图像分割

研究了一种基于变形模型的肝轮廓提取方法。该方法以人的经验知识作为先验信息，利用灰度特征、肝CT序列图像特点、肝区轮廓的整体几何信息作为区域聚合依据进行肝区图像分割。实验表明该方法能够较好地克服噪声和轮廓初始位置的影响，对肝CT序列图像的分割效果较好。     

基于犹豫模糊集的古籍汉字图像切分方法

针对古籍文献版面图像切分中存在的过切分和粘连等问题,提出基于犹豫模糊集的古籍汉字图像切分方法。首先,对古籍汉字版面图像进行连通区域搜索,获取版面中的笔画部件,实现古籍汉字的初切分;然后,对过切分汉字进行特征分析,提取过切分区域的特征,利用犹豫模糊集在处理多属性决策问题方面的优势,通过建立犹豫模糊集来判断过切分区域归属同一古籍汉字的隶属度,并据此进行过切分区域的合并;最后,对存在粘连和重叠的汉字采用分段像素跳跃数突变分析方法进行分割。在28 886个古籍汉字上的实验结果显示,可以达到92. 3%的切分准确率和85. 7%的过切分合并准确率。