显微图像分析技术在赤潮生物识别中的应用

为克服人工识别赤潮生物种类和数量时的困难，基于图像分析法对赤潮生物图像进行自动分析，针对赤潮生物显微图像的特点。研究图像的预处理、分割、特征提取和分类的处理过程，结合理论分析和实验结果。与其他自动分割方法进行比较，证明采用类别方差法可以有效进行赤潮生物图像的自动阈值分割，解决了赤湖生物显微图像自动分割的难题，采用形态学的方法，解决相连赤潮生物的分割问题，对获得的轮廓和灰度特征进行选择，作为分类器的测试和学习数据使用，建立分类树结构，采用树状判别机制实现几类赤潮生物的识别分类。实验结果表明，与人工识别相比，其识别正确率大于90％。     

基于PCNN模型的生物细胞图像分割

在基于脉冲耦合神经网络（PCNN）模型中,讨论了模型中阈值θ、链接权ω和迭代次数量N等参数的求解方法;采用最大熵值及PCNN模型对生物细胞图像进行了分割,并分析了各参数对图像分割质量的影响.实验结果表明,分割图像熵值越大,分割图像总体效果越好.     

基于迭代腐蚀的粘连细胞图像分割研究

为对显微粘连细胞图像进行分割,该文提出1种基于数学形态学运算的迭代腐蚀方法。对二值化细胞图像进行迭代腐蚀得到细胞种子点图像,通过分水岭分割提取细胞分割边界,形成最终的分割图像。在每一次腐蚀后得到的图像中保存细胞种子点,在整个迭代腐蚀过程中避免细胞种子点被误删,为后续使用分水岭分割进行图像分割提供了可靠的先验信息。实验表明,该算法能较好地解决距离变换方法中的过分割问题并改善极限腐蚀方法中的欠分割问题。     

基于细胞图像肺癌诊断系统的设计与实现

基于细胞图像的肺癌诊断系统主要是利用数字图像处理和模式识别的技术对肺癌细胞的图像处理，并根据提取出的细胞特征对肺癌进行早期的病理诊断．不同于以往的细胞诊断系统，文中提出了新的细胞分割和重叠细胞重构的方法．首先把彩色肺癌细胞图像转化为灰度图像，对其进行平滑、去噪，然后用一种新的基于强化学习的方法寻找合适的灰度阈值，把细胞区域分割出来，形成二值图像，并对图像进行基于形态学的二值滤波，再针对此时分割出的重叠细胞，利用一种改进的deBoor—Cox方法分离与重构，最后进行特征提取，根据提取出来的多种特征对细胞分类，诊断出肺癌细胞．     

数学形态学在细胞分离中的应用

针对实际细胞图像中存在的细胞之间粘连或重叠现象，为消除因细胞粘连或重叠造成的细胞图像分析困难，利用数学形态学中开运算和流域分割的方法，根据细胞的形态特征进行分割处理，将粘连的细胞群分离为单个的细胞，便于对细胞的分析和识别。给出了细胞分离方法的设计思想及实现，实验结果表明此方法是可行的。     

基于边缘链码信息的黏连细胞分割算法

介绍了一种基于边缘链码信息的黏连细胞自动分割算法. 该算法对弱对比度的细胞图像预处理;对二值化图像进行链码跟踪,并计算边缘各点的链码和、链码差、等效周长、弧弦比等特征参数;利用特征参数判断边缘光滑段、边缘角点;对真实分割角点进行线性插值最终实现黏连细胞的分割. 将该算法应用于2组细胞图像序列共120帧图像的分割中,不仅解决了黏连细胞的分割难题,而且能够准确进行细胞凹陷的修补和细胞图像的简单计数. 统计结果表明,相比于阈值法和先验模型法,该算法的分割成功帧占整个序列的百分比提高40%~60%.      

基于区域信息的悬浮细胞识别与计数

悬浮细胞的培养过程需要对活细胞计数.针对人工计数方法存在的缺陷,利用图像分析技术对拍摄的细胞图片进行处理,实现活细胞自动识别及计数.要实现细胞识别,首先要对图像进行正确分割.对于前景和背景对比度较小且细胞很稀疏的图像,采用背景拟合设定阈值进行分割;针对前景和背景对比度较大的图像,采用一种基于局部区域直方图的方法进行分割.对分割后的图像进行链码跟踪并测量细胞参数,最终实现细胞识别及计数.实验结果表明上述方法能快速有效地计算出活细胞个数.     

基于HSI色彩的血细胞图像的分割算法实现

图像分割是图像处理和计算机视觉中基本而关键的技术之一,分割质量高低直接影响图像的后续分析处理.利用染色后的血细胞图像的HSI色彩信息对其进行阈值分割,并对分割后的二值图像中的孔洞进行填充优化,基本解决了此类图像目标分割困难的问题,取得了较好的分割效果,有利于细胞识别.     

数字化血像的模糊聚类分析

血像分析在现代医疗诊断过程中起着越来越重要的作用。本文采用模糊分析的方法对数字化血像进行了初步的分析。血样图像经过预处理和图像分割之后，形成若干幅子图像，针对每幅子图像的特征，我们利用模糊聚类方法对细胞进行了聚类，并且在统计细胞个数时，对细胞重叠问题作了进一步探讨。     

基于Gabor滤波与区域生长的细胞分割

贴壁细胞图像中细胞大小形状各不相同,细胞内部分区域与细胞边缘具有相近的灰度,部分细胞边缘较细或者断裂,为后续正确的分割计数带来了困难。传统的基于区域的图像分割很容易造成过分割和欠分割,前者得不到完整的细胞边缘,后者使细胞内部出现大量杂质点。为解决以上问题,首先利用Gabor滤波器的方向性滤波特性对细胞边缘进行增强,然后选择细胞边缘对应的高灰度点作为种子点进行8连通约束的区域生长,最后对区域生长后的图像进行形态学闭运算消除小的空洞和毛刺,得到完整的细胞边缘图像。与阈值法和边缘检测法的比较结果表明,该算法分割效果较好且对噪声不敏感。     

基于种子点替代像素块算法的粘连细胞图像分割

提出了1种基于像素块扫描的种子点替代算法用于粘连细胞图像的分割。首先确定单个细胞平均面积,然后确定正方形像素块边长,并以此像素块对二值化图像进行扫描。将与像素块匹配的地方替换为1个种子点,得到种子点图像。采用分水岭分割算法得到分割图像并计数。实验结果表明,该文方法适用于细胞面积相差不大的各种粘连度的细胞图像,分割效果显著,准确率高于98%。     

基于注意力机制的U-Net脑脊液细胞分割

为解决脑脊液病理图像中部分细胞膜较为模糊，与图像背景难以区分的问题，采用了基于注意力机制的U-Net深度学习方法对脑脊液病理图像做全自动分割.在深度学习网络中加入注意力机制对细胞进行定位，抑制无关信息，提高语义的特征表达，提高对细胞整体分割的精确性.通过镜像、旋转等操作对数据集进行扩充预处理.采用VGG16预训练模型进行迁移学习，交叉熵与Dice损失相结合作为损失函数，分别在脑脊液临床图像与公开数据集2018 Data Science Bowl上进行验证；并与Otsu， PSPnet， Segnet， DeeplabV3+， U-Net进行对比，结果表明， 本文方法在各项指标上均优于其他分割方法.     

基于自适应多尺度的血液细胞图像阈值分割方法研究

提出一个基于自适应多尺度滤波的阈值分割方法,对血液细胞图像进行了自动分割。首先,对图像原始直方图进行多尺度滤波,根据它的尺度空间图特性,确定合适的滤波尺度,然后完成对谷点由“粗”到“精”的定位,并作为阈值对原始图像进行分割;其次,利用松驰方法对分割图像作后处理;最后,将该方法与其他阈值分割方法做了分割性能的比较,证明了算法的有效性。     

基于自组织特征映射的图像分割算法研究

提出了一种基于自组织特征映射的图像分割算法,实现了计算机对图像的初步理解,从而在某种程度上模拟了生物的初级视觉功能．通过分析研究Kohonen网络的自组织特征映射过程,构造了基于Kohonen网络的图像分割神经网络方法,应用自组织特征映射方法将原始图像分割为有序化的相关特征区域．最后结合图像分割的特点对算法进行了改进,结合有监督的学习算法,使得图像的分割最终在先验知识的指导下进行．实验结果表明将Kohonen网络应用于图像分割使得算法具有很强的自适应性,能够在很大程度上避免背景及噪声对分割的影响．     

一个用于彩色肺癌细胞图像的分割算法

彩色图像的分割是图像处理中的一个难题。该文对HE（Hematoxylin and Eosin)染色的彩色肺癌细胞图像的分割问题进行了研究。在大量实验的基础上,提出了如何利用有效的彩色特征进行分割的算法。该算法首先利用有关的彩色特征将细胞从背景中准确地分割出来;在此基础上,再将细胞分离为细胞核及细胞浆2部分,以便进一步的分析处理。该算法简单准确,完全可以满足实用需要。     

基于图论的Normalized Cut图像分割算法

基于图论的图像分割算法是近年来图像分割领域研究的的热点问题，该文就其Normalized Cut算法进行了简要的介绍，并利用其对图像进行了仿真分割。     

基于细胞自动机的脑部磁共振成像脑肿瘤分割方法

提出一种基于细胞自动机的脑肿瘤分割方法。首先通过人工交互输入一条线,使用细胞自动机模型对脑肿瘤图像进行分割,得到肿瘤图像的标号图,然后使用活动轮廓模型对标号图进行优化处理,除去非肿瘤像素点的干扰,得到更平滑的脑肿瘤轮廓。使用该方法在对比增强T1加权MRI脑肿瘤图像进行分割实验。实验结果表明,此方法能够很好地解决脑肿瘤分割过程中容易出现的不完全分割问题,分割准确率(Dice相似系数)可达到(94.07±1.58)%。     

彩色骨髓相的快速分割

为了利用计算机进行髓相分析,对在彩色空间中复杂背景下的目标分割问题作了研究。提出了在处理后的色度和饱和度分量的融合图像上,根据改进的最大熵二值化算法在两个层面上对细胞核进行多级分割,解决复杂背景下细胞核及粘连细胞核的分割问题。再由细胞核外周对空间作搜索,根据统计方法确定的点集性质一次性地对细胞胞浆做分割,最后分析细胞的几何特征,对分割进行调整。实验结果表明:整个算法适应性强,对不同性质的骨髓图像均有较好的分割效果,且与其他血细胞分割方法相比计算量小,比较快捷,约86%的细胞得到了正确分割。     

基于伪中值双边滤波和水平集函数的细胞分割方法

为使细胞分割的结果更加精确,提出一种基于伪中值双边滤波和水平集函数的细胞图像分割方法．首先使用 伪中值双边滤波对图像进行预处理,然后利用水平集方法对改进的 ＣＶ 模型进行两次曲线演化,分别得到细胞质与背景 分界线,细胞核与细胞质分界线．结果表明:伪中值双边滤波在减弱高斯噪声的同时,同时去 除 了 椒 盐 噪 声,但没有弱化 边界,ＬＣＶ 模型在 ＣＶ 模型的基础上添加了局部项,使得对于灰度不均匀的图像分割效果较好．结论:在使用水平集方法 进行图像分割之前先进行伪中值双边滤波,同时为 ＣＶ 模型添加局部项,能够增强细胞分割结果的准确性．      

一种基于数据场的图像分割方法与研究

首先对数据场的基本原理进行了简要的概述，并着重介绍了一种基于数据场的图像分割技术，该技术的运用可使得传统的图像分割实现可视化效果，最后从定性和定量的角度对图像分割后的效果进行分析，论证了该分割技术的有效性以及可行性。