基于区域生长算法的MR脑组织图像半自动提取方法

MR脑图像分割是进行医疗诊断与治疗的重要前提。脑图像分割的任务多样，实现分割的算法层出不穷。然而不存在单一的一种算法独立作用解决所用的分割任务。本文专注于脑组织图像提取这一特定任务，采用区域生长为主。形态学操作为辅的方法，较好的完成分割任务，并提出开发一种半自动人机交互系统的设想。     

基于OpenCV的图像分割

图像分割是图像处理中的一个经典难题,也是图像处理和计算机视觉领域中的基本技术。虽然已有上百种分割方法,但至今没有一种通用的分割方法。OpenCV是近年来推出的开源、免费的计算机视觉库,利用其所包含的函数可以很方便地实现数字图像和视频处理。本文主要介绍了用OpenCV实现的图像分割的三种算法:分水岭分割算法、金字塔分割算法和均值漂移分割算法。     

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。     

一种改进的分水岭人脑MR图像分割方法

针对传统分水岭算法分割图像后存在的细节不准确问题,提出了一种改进的分水岭算法.此算法将传统分水岭算法和概率相结合,通过有序队列来实现边界的计算,从而得到分水岭.实验证明,这种算法得到的结果更加准确,对人脑MR图像病灶区的分割非常重要.     

基于KFCM算法对MRI图像分割的研究

医学图像分割在医学图像处理,尤其是临床诊断的MRI图像分析中起着重要作用,提出一种基于核模糊C均值聚类算法(KFCM)的MRI脑图像分割,讨论KFCM算法中隶属度m参数和聚类数目k的选取对图像分割的效果影响,通过仿真实验表明,对于MRI脑图像隶属度函数值在2≤m≤11整数时,图像能取得较好效果,对于聚类数目k选取不易超过8.     

结合空间信息的FCM脑图像分割

针对传统模糊C均值聚类算法(FCM)在图像分割时没有利用图像的空间信息而对噪声敏感、分割结果不够准确的问题,提出一种结合空间信息的FCM改进算法.该算法利用邻域像素间的灰度差异计算出邻域加权系数,并利用该系数对中心像素的隶属度进行更新,控制邻域像素对中心像素的不同影响;该算法还利用了快速FCM算法对图像进行初始分割.对MRI脑图像分割的实验结果表明FCM改进算法简单有效,具有较强的抗噪能力,能取得较好的图像分割结果.     

基于GMM的EM分割算法在图像检索中的应用

大多数图像分割算法对于图像的分割结果比较详细,不适用于基于内容的图像检索,文中使用的EM算法可以将图像分割出一系列"有意义"的不同区域,更有利于图像检索。实验表明,此算法基本可以将图像中比较显著的区域分割出来,是一种适合图像检索的分割算法。     

基于分水岭算法的磁共振脑图像自动分割

基于分水岭算法，提出了一种新的非脑组织去除和自动的脑磁共振图像的分割方法，利用区域合并技术克服分水岭算法固有的过分割问题，通过参数的设置，可以将图像中的非脑组织去除掉；对已去除非脑组织的图像，巧妙地将分水岭算法、区域合并和κ—均值算法相结合，可进行全自动地分割，效果良好。     

一种改进的分水岭分割算法

为了提取人脑CT图像中的脑部组织,提出了一种改进的分水岭算法,首先采用K-means聚类算法对图像进行初始分割,从而有效地抑制了由图片表面的灰度变化引起的过分割,使边缘定位更加准确;然后在聚类图像的梯度图上利用自动阈值法增强其对比度,进行分水岭分割。最后为了避免过分割现象,对分割后的图像进行了相似区域合并。实验表明该方法简单有效,能够得到符合人类视觉系统特性的分割结果。     

棒材端面图像的阈值分割算法

采用几种常用的阈值分割算法以及一种最大类间方差法的推广方法对棒材端面图像进行分割,将其分为目标区域和背景区域两部分,通过比较得出对棒材端面图像最有效的阈值分割算法。实验结果表明,迭代法和最大类间方差法的推广方法对图像的分割效果较好。     

图像分割方法综述

图像分割是图像处理与机器视觉的基本问题之一,本文主要对图像分割方法的分类情况,图像分割系统的一般结构做了介绍,并且介绍了几种常见的核心分割算法。     

复杂背景下目标树叶自动分割的Grabcut算法

针对传统GrabCut算法需要人机交互且难以在复杂背景或光照不均匀时准确分割目标树叶的缺点,提出一种基于GrabCut算法的复杂背景下或光照不均匀时目标树叶的自动分割算法。本算法利用模糊高斯混合模型(FGMM)和图像的颜色信息对原始图像进行标记实现自动分割。首先选取合适的模糊因子利用模糊高斯混合模型对图像像素进行一次标记;在一次标记的基础上再结合超绿算法(EXG)选取合适的阈值对图像像素进行二次标记;最后将二次标记图像初始化GrabCut算法实现目标树叶的自动分割。利用几种不同的样本对提出算法的有效性和错分率进行探讨。结果表明,所提出的算法可以实现复杂背景下或光照不均匀时目标树叶的自动分割,且平均错分率达到1.625。     

基于SLIC和马氏距离混合核函数聚类的脑肿瘤图像分割算法

针对脑核磁共振图像边界不清晰、灰度不均匀和无法准确进行图像分割的问题,提出了一种基于简单线性迭代聚类(SLIC)和马氏距离混合核函数聚类的脑肿瘤图像分割方法.首先,采用各向异性滤波去除脑肿瘤MRI图像中的噪声,并运用SLIC算法对图像进行预分割;其次,对预分割图像使用粒子群算法初始化聚类中心;最后,将传统核模糊C均值聚...     

颅骨图像的阈值分割算法研究

针对颅骨CT图像中灰度值范围变化较大的特点,阐述了两种图像的分割方法,一种是基于边缘信息的分割,一种是基于区域信息的图像分割,提出了在颅骨CT图像分割中采用基于区域的阈值分割算法,并通过软件编程实验证明了它具有算法简单、识别效果好、效率高的特点．     

局部C V主动轮廓模型快速图像分割算法

经典的C V模型分割算法在处理较大尺寸图像时存在需多次迭代、运算时间长的缺点。在分析图像尺寸和初始逼近图像与获得稳定解的迭代次数与运算时间的关系的基础上,提出了一种改进的基于阈值分割及快速连通域标记算法的局部C V图像分割算法,对大尺寸图像进行处理。采用OTSU算法对图像进行初步的阈值分割,再利用快速非递归连通域标记算法进行连通域的标记及图像的局部分片。对分片后的小块图像以其阈值分割的结果作为初始逼近图像采用C V算法进行分割处理。算法分析及仿真结果证实,与经典C V算法相比较,改进的算法能够以很少的迭代次数和很短的运算时间达到稳定解,能够对含有丰富轮廓细节的大尺寸图像进行快速有效的处理。     

一种基于熵优化的区域生长图像分割方法

提出了一种基于熵优化的结合区域生长的图像分割算法,它利用边缘检测和区域生长算法对图像进行一次预分割,然后再沿着图像中每个类的边缘试探性地调整分割,以熵的大小作为优化分割的指标逐步优化图像的分割．实验结果证明了该算法的有效性,而且比其他一些常用的灰度图像分割算法更准确．     

基于改进自适应图像分割算法的车牌识别技术研究

基于CV(Chan-Vese)模型图像分割方法的不足,提出了一种改进的自适应图像分割方法,用于汽车车牌的字符识别.在这一方法中,为了避免初始位置差异对于分割效率的影响,设计了更为合理的分割流程.水平集合理论配合优化迭代算法,给出多个局部初值,大大增强了分割算法的自适应性能.实验结果表明,相比于CV模型图像分割方法,改进自适应图像分割方法的准确率更高,适用于汽车车牌图像的分割.     

几种图像分割算法在CT图像分割上的实现和比较

对目前几种在图像分割领域得到较多应用的交互式分割、区域生长分割以及阈值分割算法进行了探讨,并且结合实际ＣＴ片图例分别进行分割实验研究,得到较为满意和可用性强的结果,实验表明：瓶值分割对于ＣＴ切片的效果最好;区域生长分割适宜于对面积不大的区域进行分割分割效果了;基于动态规划的交互式分割算法比较复杂,计算时间较长,但对于边缘较平滑的区域,同样具有较好的实际效果,几种算法的评估为其在ＣＴ图像分割上的实际应用提供了科学依据。     

基于显著性的OTSU局部递归分割算法

针对OTSU方法的局限性，提出了一种基于显著性的OTSU局部递归分割算法。该算法的思路是把一次OTSU分割得到的目标区域作为新的图像进行下一次OTSU分割，依次递归下去，直到满足一定条件为止，然后把每次分割得到的目标区域按照一定加权原则累加起来，得到分割结果图像。实验结果表明，在不同的冷背景下，基于显著性的OTSU局部递归分割算法能够稳定地实现目标分割提取，具有较好的鲁棒性。     

基于混合神经网络的脑部MRI图像语义分割算法

针对传统医学图像对缺乏标注的数据进行自动分割时存在分割精度不高、边缘模糊等问题,提出了一种利用混合神经网络对脑部核磁共振成像(magnetic resonance imaging,MRI)的图像进行语义分割的算法。利用仿射网络对脑部MRI图像进行线性几何变换,基于卷积神经网络进行3D医学图像仿射变换,加入稠密模块减轻梯度消失和加强特征传递问题; 通过空间转换网络对脑部MRI进行空间转换,基于图谱的分割法获得脑部图像的分割结果。采用MICCAI的公共数据集BraTs2019进行实验验证,结果表明,算法可由脑部肿瘤MRI图像获得较好的分割精度和分割效率,为脑部MRI图像语义分割的研究提供一种新的实验方案。