基于区域划分和改进C-V法的医学图像分割方法

提出了基于图像区域划分和改进C-V法的活动轮廓图像分割方法.通过区域划分的方法将整幅图像的分割问题转化为在不同的子区域上分别进行的图像分割问题,并在各子区域中采用改进C-V法进行图像分割.改进的C-V方法在简化Mum ford-Shah泛函的能量函数中增加距离函数惩罚项,从而将距离函数重新初始化的过程并入整个水平集框架模型中;并在分片常数优化逼近中,添加了图像梯度信息,改变了C-V法中均值取值定义,提高了对灰度层次丰富的图像分割能力.实验表明,该方法对灰度值接近、边界模糊的医学图像有很好的分割效果.     

一种改进的二维Otsu图像分割算法研究

对当前的二维Otsu阈值分割算法进行了改进,降低了计算的复杂度使用两个一维的Otsu算法来求出二维Otsu算法所需要的阈值,并在算法中引入了最小类内离散度的概念,利用遗传算法寻找出最优的阈值,以消除二维算法需要在整个图像内搜索的弊端,促进了算法的整体性能的提升与其他文献中算法相比,证明了该文算法的可行性,在时间上要大大优于其他算法,并且分割效果也相对理想     

基于递归滤波和自适应亮度响应的图像局部细节增强

为了改善低光照图像增强处理的质量和自然度,提出了一种基于递归滤波和自适应亮度响应的Retinex彩色图像增强算法.试验结果显示,相比其他增强算法,提出的算法能够有效增强低照度图像的局部细节,产生无伪影增强图像,并保持较好的自然度.     

支票自动处理系统中的图像处理及识别

为对银行支票进行自动分析、验证、检索,该文设计了一种支票自动处理系统,介绍了图像处理及识别技术在该系统中的应用,描述了一种支票要素自动分割方法及针对支票图像的处理与识别算法,成功地实现了强噪声情况下支票部分要素的图像分割和识别,具有较好的稳定性和很强的抗噪声能力。对５５０张真实使用的支票做版面分割、角码区域分割识别实验,其中版面分割正确率为１００％,角码分割识别准确率为９９１％。另外该文实现了一种小波编码压缩算法,在较高的压缩率下获得了较好的图像质量,极大地节约了支票图像的备份空间。     

用BP网络进行彩色图像分割和边缘检测

采用ＢＰ网络模型,研究了彩色图像分割和边缘检测的神经网络方法．选取训练样本图像,并分别以区域增长分割法和Ｓｏｂｅｌ边缘检测方法所得结果为导师信号,将图像的特征向量采用ＢＰ算法进行训练,然后对实测图像进行分割和边缘检测．与采用区域增长法所得分割结果和采用Ｓｏｂｅｌ边缘检测方法所得边缘检测结果进行比较,ＢＰ网络方法能取得同样较好的效果     

MCFNet：融合上下文信息的多尺度视网膜动静脉分类网络

针对由于血管类间具有强相似性造成的动静脉错误分类问题,提出了一种新的融合上下文信息的多尺度视网膜动静脉分类网络（multi-scale retinal artery and vein classification network,MCFNet）,该网络使用多尺度特征（multi-scale feature,MSF）提取模块及高效的全局上下文信息融合（efficient global contextual information aggregation,EGCA）模块结合U型分割网络进行动静脉分类,抑制了倾向于背景的特征并增强了血管的边缘、交点和末端特征,解决了段内动静脉错误分类问题。此外,在U型网络的解码器部分加入3层深度监督,使浅层信息得到充分训练,避免梯度消失,优化训练过程。在2个公开的眼底图像数据集（DRIVE-AV,LES-AV）上,与3种现有网络进行方法对比,该模型的F1评分分别提高了2.86、1.92、0.81个百分点,灵敏度分别提高了4.27、2.43、1.21个百分点,结果表明所提出的模型能够很好地解决动静脉分类错误的问题。     

三维点云室内场景的语义实例联合分割网络

针对点云分割网络无法在复杂的室内场景中实现高精度分割的问题,本文设计了一种基于深度学习的语义实例联合分割网络,同时完成三维点云数据的语义分割和实例分割任务,主要包含多任务学习主干网络、特征融合模块和语义实例特征联合模块等。特征融合模块通过跳跃连接融合多个网络层,分别融合2个任务各自不同级别的特征,加强网络对数据中包含的信息的整合,并选取大型室内场景数据集S3DIS和部件分割数据集ShapeNet进行对比实验。实验结果显示,网络在数据集S3DIS的语义分割的总体准确率为86.5%,在数据集ShapeNet的语义分割类别交并比为83.1%,在数据集S3DIS的实例分割的平均精度为60.8%。语义实例特征联合模块通过多任务级的特征联合增加语义和实例的判别特征,提高了点云的语义分割和实例分割的准确率。     

基于多任务学习的青光眼智能诊断

为了提高青光眼检测的准确率,降低青光眼的危害,本文提出一种基于多任务学习的青光眼智能诊断方法,将U-Net网络和VGG16网络结合,U-Net网络和VGG16网络共用U-Net网络的编码器部分,通过U-Net网络得到杯盘比(cup-to-discratio,CDR),并且将CDR作为眼底图像的特征之一输入VGG16网络,实现眼底图像的青光眼分类。实验使用REFUGE挑战数据集进行验证,网络模型在训练后得到的工作特性曲线下面积为0.978 8,且视盘和视杯的分割准确率分别达到0.874 5和0.962 4,对比其他使用相同数据集的方法,本方法具有更高的青光眼分类准确率。     

基于上下文语义信息的凭证篡改检测研究

在消费金融服务场景下,存在用户逾期还款的情况。在逾期协商还款过程中,少量用户篡改图像凭证,实现不当得益。这些篡改集中在个人信息、印章、出具单位等具有很强的上下文语义联系内容上。基于此,在传统空域直接像素空间RGB和频域离散余弦变换(discrete cosin transform, DCT)作为判别特征的基础上,引入了文字块、印章块的位置关系和反卷积网络,实现了一种包含语义关系的端到端全卷积神经网络模型。该模型在天池2022年“真实场景篡改图像检测挑战赛”的数据集上,相对于传统模型平均交并比有3.97%的提升,在实际凭证图像篡改判断中,提升了3.7%的篡改检测准确率。     

基于压缩表示的实例分割方法

针对目前实例分割领域掩膜表示高复杂度的问题,提出一种新的图像实例掩膜表征方法,使用3个不依赖于任何先验信息的表征单元表示并预测掩膜,且以非线性解码的形式复原掩膜,该方法可显著降低图像实例掩膜的表示复杂度和推理运算量.基于这种表示方法,构建一个高效的单阶段实例分割模型,实验结果表明,相对于其他单阶段实例分割模型,该模型在保证时间开销基本相同的情况下能获得更好的性能.此外,将该表征方法以最小改动嵌入经典模型BlendMask以重建注意力图,改进的模型相对于原模型的推理速度更快,掩膜平均精度提升1.5%,表明该表征方法通用性较好.