基于Marr-Hildreth算子多尺度图像边缘检测

针对监控图像的不同边缘特征,图像噪声大小和对边缘检测不同的要求,利用Marr-Hildreth拉普拉斯边缘检测算子多尺度特征,使用不同尺度的Δ2G算子,对监控图像进行边缘检测.     

基于小波变换的多尺度图像边缘检测算法

针对边缘检测算子的抑噪能力和定位精度之间矛盾,提出了一种基于B样条小波变换的边缘检测方法.首先对图像进行小波多尺度分解,在每种尺度下分别提取图像边缘;而后利用边缘信息的多尺度特性,融合多尺度边缘得到了单像素宽边缘.通过计算机仿真对该方法进行验证,实验结果表明该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,效果优于传统的边缘检测算法.     

一种多尺度残差注意力Unet-Like网络的医学图像融合方法

针对医学图像融合任务中融合策略难以制定以及模态信息保留不完整的问题,提出一种多尺度残差注意力Unet-Like网络(Multiscale Residual Attention Unet-like Network, MRAUnet)用于医学图像融合。首先,传统的融合算法在处理医学图像这类多模态图像时有特征学习能力不足的现象,无法完整地保留互补的多模信息。所以为了增强模型的特征提取能力与稳定性,MRAUnet将残差注意力机制注入到特征提取过程中。其次, Unet结构在理解医学图像的语义上有着天然的优势,而且其U型结构使得Unet对浅层简单特征与深层抽象特征有更强的感知能力和重用能力,所以MRAUnet采用了Unet架构来增强模型的语义感知能力和特征重用,同时整体网络采用多尺度的方式进行特征处理以强化Unet架构的特征抽取能力。另外,为了丰富在融合图像中的模态信息,还设计了一种基于结构信息与细节信息保留的损失函数用于训练MRAUnet。最后,MRAUnet是一个端到端的融合网络,无需人工制定融合策略。提出的网络可以有效地利用多模态图像的浅层结构特征与深层抽象特征,可以优秀的平衡融合图像中的解剖信息和功能信息,在保持较高清晰度的同时可以显示出元素放射量与血液流动性等功能特征。在哈佛医学院全脑图集上的实验结果表明,MRAUnet与近期较为先进的算法相比在主观和客观评判两个方面都取得了较大进步,在基于人类视觉保真度的VIF、基于特征保留的MI等指标上均有较大优势。     

基于深度残差网络的医学图像鲁棒可逆水印算法

医学图像作为医生诊断的重要依据,其版权保护一直是研究重点。在对医学图像进行版权保护时,必须保证图像修改后能无损恢复。但是,当前大多数应用于医学图像的可逆水印算法并未考虑鲁棒性。因此,本文针对具有一定鲁棒性的可逆水印算法进行研究,提出一种基于深度残差网络ResNet的鲁棒可逆医学图像水印算法。首先,算法利用深度残差模型提取医学图像的深度特征信息,自适应确定最优嵌入强度,均衡水印的不可见性和鲁棒性;此外,结合遗传算法和模糊C-均值的聚类算法对水印区域动态划分,根据聚类结果提取水印信息,有效克服信号攻击对含水印图像的影响,提高可逆水印算法的鲁棒性。实验结果表明:在嵌入水印后,含水印医学图像的PSNR值都可以达到36 d B以上,具有较好的图像质量;在提取水印后,算法可以完全无损恢复医学图像;在受到高斯噪声、椒盐噪声、JPEG压缩等常见信号攻击后,算法仍然可以准确提取水印信息,表现出较强的鲁棒性。     

基于小波变换的多尺度图像边缘检测算法

针对边缘检测算子的抑噪能力和定位精度之间矛盾,提出了一种基于B样条小波变换的边缘检测方法。首先对图像进行小波多尺度分解,在每种尺度下分别提取图像边缘;而后利用边缘信息的多尺度特性,融合多尺度边缘得到了单像素宽边缘。通过计算机仿真对该方法进行验证,实验结果表明该方法不仅能准确检测出图像边缘,而且能有效地抑制噪声,效果优于传统的边缘检测算法。     

多尺度边缘检测与图像分割的马尔可夫随机场模型

利用小波变换模极大值检测图像的多尺度边缘信息，根据这些信息和改进的马尔可夫随机场模型对低信噪比图像进行Ｂａｙｅｓ分割，结果表明，和一般松驰算法相比这种方法改善了图像分割的质量。     

基于自适应阈值的三维图像多尺度边缘检测

目的研究三维图像边缘检测中边缘的定位精度问题,根据多尺度小波变换的方法,提出一种自适应阈值三维图像多尺度边缘检测技术。方法首先对三维医学图像分解成多幅二维图像,再对图像直方图滤波平滑处理,消除噪声的影响,然后对平滑后的直方图进行多尺度分析,找出直方图的谷点,以不同尺度下的谷点比较后自动确定精确阈值,按照阈值对图像分割,然后对分割图像进行边缘检测,最后将多幅二维图像合成三维图像。结果实验表明,该方法能够自动准确选择分割阈值,准确检测三维图像的边缘。结论算法能解决人工估算阈值不够准确的问题,所检测到的三维图像的边缘能够满足目标识别和三维重建的要求。     

基于小波变换的多尺度图像边缘检测

边缘作为图像的最主要特征,成为图像信息获取的重要内容.而小波变换具有检测局域突变的能力,而且可以结合多尺度信息进行检测,因此成为图像信息边缘检测的优良工具.文章首先构造了高斯多尺度边界检测算子,然后根据信号边界与噪声边界的小波变换模值跨尺度传递的不同特性,讨论了不同尺度的检测算子检测的边缘所具有的特点,在此基础上提出由边缘传递、继承和生长构成的多尺度边缘关联融合算法.实验结果说明这种特征提取方法不仅有效地降低了噪声,而且融合的边界比较完整,定位准确.     

基于多尺度注意力导向网络的单目图像深度估计

针对现有基于深度学习的单目图像深度估计算法存在的空间分辨率低和边缘模糊等问题,提出了一种基于多尺度注意力导向网络的单目图像深度估计算法。首先设计了一个端到端的编码器 － 解码器模型,编码器以多个尺度进行特征提取。为了保证更好的深度连续性,解码器结合残差学习以及通道注意力融合,对提取的多尺度特征逐步优化细节以及场景结构。考虑到多次下采样会导致深度图细节的丢失,设计了边界增强模块,通过引入空间注意力,提升不同物体的类间对比度以增强图像的边界细节。最后,优化模块融合来自解码器和边界增强模块的多尺度特征,生成深度图像。实验结果表明,与当前主流的算法相比,文中算法生成的深度图像质量得到了提高,表现出了更细致的物体轮廓信息,在客观指标和主观效果上均有良好的表现。     

基于多尺度残差卷积自编码器的图像聚类方法

对于图像的聚类,现有方法在特征提取方面或难以选择合适的维度转换方法,或提取的特征对图像特征的表达较弱且不够丰富,对图像的聚类效果产生了较大影响,导致了聚类精度较低。为此,提出一种基于多尺度残差卷积自编码器的图像聚类方法,通过构建具有若干个含有残差连接的多尺度卷积模块,获得中间层的高维特征表达,并以此进行图像聚类。实验结果表明,在MNIST数据集上的聚类准确率为82.2%, ARI (Adjusted Rand Index)值为0.781 0, NMI (Normalized Mutual Information)值为0.853 2,模型达到了较好的聚类效果。     

一种基于熵算子的边界检测方法

报道作者在进行三维医学图象处理中对边界检测算法的最新研究成果，提出一种新的边界检测熵算子，并首次给出快速有效地确定算法中阈值的自适应方法，这种亲折边界检测算法运行速度快，同时又能较好地提取物体轮廓，最后文中以２幅二维图象进行了试验，说明该算法具有实用性和有效性。     

超声图像的表面轮廓提取及三维图像重建过程的探讨

通过超声对被测元件进行检测,获得二维图像,然后提取二维轮廓信息,最终形成三维图像这一过程进行研究,并针对每一过程给出了具体的数据采集方法或算法,算法经实验检验均有非常好的效果,基本能够达到二维信息提取要求.     

图像分割技术在医学图像处理中的应用研究

图像分割是图像处理、图像分析的关键步骤,而医学图像分割是图像分割的一个重要的应用领域,也是一个经典难题。从应用的特定角度,论述了医学图像处理中图像分割的几种算法,对近年来医学图像分割的新方法或改进算法进行了阐述,并简要介绍了每种算法的特点及应用。     

多尺度残差注意网络的真实图像复原方法

为了提高基于深度学习网络方法在真实图像上的复原效果,提出了一种基于多尺度残差注意网络的复原方法。将退化图像输入到该模型中,利用浅层特征网络提取原始低质量图像的浅层特征;利用残差注意网络模块提取深层特征信息和通道相关性,使用局部连接和短跳跃连接进行残差学习;将浅层特征、通道相关性以及上下文深层特征信息输入到重构网络,利用具有不同感受野的特征进行图像复原。实验结果表明,相较于其他对比方法,该方法在图像去噪、图像增强和超分辨率等多个任务中获得最优的结果,能够在不引入伪影的情况下生成纹理细节丰富的清晰图像。     

基于小波变换的显微图像细胞边缘提取

根据小波变换在不同的尺度层具有自适应时频窗性质, 在边缘提取过程中 选取了Mallat多尺度小波变换, 使阈值选取得到了改善. 依据显微细胞图像的特点, 通过对细胞边缘和背景噪声采取不同的阈值（加权阈值法）, 再利用小波变换的模角可分离性质有效地分离出细胞边缘. 结果表明, 这种阈值选取法对于显微细胞图像的边缘提取是一种有效的方法.     

复杂稠密网络下的并置多尺度融合边缘检测模型

边缘检测是计算机视觉任务的基础.目前的技术主要依赖于深度学习,但是大多数的模型在评价阶段会借助非极大值抑制来提高预测边缘的准确率.该策略仅着重关注预测边缘的准确性,没有同时考虑边缘的粗细程度.针对这一问题,本文基于复杂稠密网络,提出了一种新的特征融合策略.该策略在传统深度学习边缘检测器侧输出的基础上,添加了自顶向下的并置多尺度融合架构.此架构可以更好地将高层的高语义特征与低层的高分辨率纹理特征结合,有效地抑制了边缘预测中存在的背景模糊和伪线条的现象.在特征连接处使用Concat block块代替单一的Concat操作,更好地融合了不同尺度的语义信息.最后使用一个简单的注意力融合块融合多个网络输出,并结合跟踪损失对输出的不同尺度的预测图进行深度监督.此方法不依赖于非极大值抑制,并且充分利用了目标的多尺度、多层次信息,在精细边缘图像的同时也提升了预测的准确性.实验结果显示,在未使用和使用形态学非极大值抑制方案的情况下,所提出的模型在BIPED数据集上的ODS、OIS、AP分别达到了0.891、0.895、0.900和0.894、0.899、0.931,优于所有比较算法.在MDBD的数据集上也取得了最优的结果.     

小波变换在医学图像边缘检测中的应用

边缘检测是医学图像处理中的一项基本内容.正确提取医学图像的边缘特征,无论对于描述目标还是解释图像都是十分关键的.由于小波变换具有良好的局部特性和多分辨率的特点,将基于小波变换的边缘检测方法应用于医学图像的边缘提取.实验结果表明,该方法不仅能有效地检测图像边缘,并且对噪声有良好的鲁棒性.     

基于旋转不变小波阈值的多尺度边缘检测

在自适应多尺度边缘检测算法中,用旋转不变小波非线性阈值代替原来的高斯滤波做平滑,并对尺度指数采样产生尺度集合,以确定边缘像元的最佳尺度,得到基于旋转不变小波阈值的多尺度边缘检测算法.该算法避免了对原图像的过度光滑,用于检测边缘的最佳尺度与边缘存在的尺度空间范围相匹配.实验证明新算法检测的图像比较清晰,具有较高的信噪比,而且可以用来检测含少量白噪声图像.