基于凹点检测的粮仓粘连害虫图像分割算法

针对计数过程中粘连害虫难以准确分割的问题,提出一种改进的凹点检测和精确分割点定位的粘连害虫分割算法。通过形状因子和像素面积因子约束提取害虫粘连区域,采用改进的Harris算法计算角点的像素相似度,选出候选角点,剔除候选角点中的非凹点,将剩余的凹点进行局部非极大值抑制选出真正的凹点。对粘连害虫轮廓进行逐层剥离,找出分离点,通过分离点与凹点的距离以及害虫像素面积因子约束确定最终的分割点,连接分割点画出分割线。实验结果表明,粘连分割算法能够准确地选出粘连害虫的分割线,且运算效率较高。

基于活动轮廓模型的图像分割改进算法

针对CV(Chan-Vese)模型对低对比度和灰度不均匀图像难以分割,以及LGIF(Local and Global Intensity Fitting)模型初始轮廓曲线位置影响分割速度的问题,提出了一种在LGIF活动轮廓模型的能量泛函中添加图像聚类信息的K-LGIF(K-means-Local and Global Intensity Fitting)模型,其使用被提取图像的轮廓作为初始轮廓,不同于已有算法使用规则的图形作为模型的初始轮廓。实验结果表明,所给出的算法不仅能保证图像分割效果,而且能够减少迭代次数、缩短图像分割时间,所给出的算法模型分别比CV,LBF,LGIF模型的运算效率提高了9.22倍、2.46倍和1.42倍。

基于ELM特征加权的孤立性肺结节识别

针对肺部CT切片图像中血管横截面与肺结节成像特征类似导致无法有效剔除假阳性结节的问题,提出根据孤立性肺结节的特征对感兴趣的区域进行进一步提取候选结节来剔除干扰肺结节检测的假阳性结节。为提高肺结节特征提取的有效性和肺结节的分类准确性,通过Relief特征加权极限学习机(ELM-extreme learning machine)对候选结节特征数据进行预处理,减小训练样本中关联度较小的特征对分类结果的影响。对LIDC数据集中肺部CT影像进行实验,实验结果表明,所提Relief-ELM可有效降低误诊率和漏诊率,提高孤立性肺结节识别的准确率。