基于自适应分数阶微分和改进分水岭的HIFU治疗区域提取方法

在高强度聚焦超声治疗中,需要在超声影像中对目标治疗区域定位与分割。受B超图像复杂背景与噪声干扰,传统的图像分割算法存在局限性。结合Grünwald-Letnikov(G-L)分数阶微分与分水岭思想提出了一种新的图像分割方法。首先将5×5分数阶微分算子划分为八个子模板进行卷积运算,并以归一化后的局部图像梯度与对比度来表征局部图像频率的变化,由此构建自适应分数阶阶次模型,以实现图像的自适应增强;然后对治疗前后的B超图像进行减影,利用形态学开闭操作、距离变换对减影后的图像进行灰度重建,将重建的结果作为分水岭变换的前景标记,以治疗后的B超图像作为背景进行分水岭分割。结果表明:使用该方法分割后的治疗区域轮廓Dice系数,准确率(accuracy)和精度(precision)分别为93.69%、96.74%、92.23%,相较于传统分水岭分割方法分别增加了6.37%、8.59%、6.72%。

基于DeepLabv3+的鸣笛监测系统定位误差检测

用传统方法检测鸣笛监测系统的定位误差容易受声相云图中复杂背景干扰且效率低下,提出了一种基于DeepLabv3+的定位误差检测方法。首先定义了横向定位误差和纵向定位误差,然后采用轻量级的主干网络并增加通道注意力机制,对DeepLabv3+网络结构进行改进,预测出鸣笛声源和伪彩图的中心像素坐标;其次根据现场安装信息建立坐标系转换模型,结合几何推导法获得对应的世界坐标,从而得到定位误差;最后开展了鸣笛监测系统的动静态定位误差室外实验。结果表明:改进DeepLabv3+网络的平均交并比为87.82%,较原始算法提升了3.66%,对鸣笛声源和伪彩图的分割效果更好,检测精度满足鸣笛监测系统的现场定位误差检测要求。

基于机器视觉的聚焦换能器焦点快速定位研究

提出一种基于机器视觉的聚焦换能器焦点快速定位方法,结合聚焦换能器的几何中心即焦点的特性,基于边缘连接的快速椭圆检测算法检测换能器边缘轮廓信息,从而得到焦点位置,通过坐标间的转换关系来计算机械臂坐标系下的焦点坐标,实现机械臂对换能器焦点的快速定位。对焦平面进行声场扫描得到换能器的实际焦点坐标以验证该方法所得焦点坐标准确性。实验结果表明:该方法所定位焦点在-3 dB实际焦点直径范围内定位准确。