基于核图割模型的肝脏CT图像肿瘤分割

计算机断层成像(CT)对疾病的确诊意义重大,在医学图像的自动检测中应用较多的模型为图割模型,但传统图割算法严重依赖于对复杂区域进行大量建立的模型,运算复杂且不利推广。为此,在传统图割理论基础上引入核函数,提出一种基于核图割模型的肝脏CT图像肿瘤分割算法。通过核函数将原始数据映射到高维空间,并在高维图像数据空间用图割理论对CT图像的肝区与肿瘤区域进行分割,以提取疑似肿瘤区域,解决传统图割模型中需要依赖人机交互和对复杂区域建模困难等问题。由Mercer定理得出,核空间的点积运算不需要显式指定图像各区域的具体模型,进行核推广后克服了传统模型通用性不强的弱点。利用临床CT图像数据对该算法进行分割实验,结果表明,基于核推广后的图割算法能够有效对肿瘤和肝区进行分离,可应用于临床实际中作为肿瘤辅助诊断手段。

基于参数核图割的纱线毛羽图像处理方法

为了准确计算纱线毛羽特征参数,克服图割法中人为随机选择阈值造成的消极影响,提出了一种基于参数核图割的图像处理纱线毛羽算法.首先,采用局部最大类间方差法获取纱线二值图像,并与纱芯二值图像作逻辑运算,提取毛羽进行特征分析.然后,选取两种不同支数的纱线,以USTER CLASSIMAT 5测试结果为标准,比较参数核图割法与区域生长法、线性近似纱芯边界法对纱芯分割图像处理方法的优劣.结果表明,参数核图割法耗时少、误分点少,毛羽检测算法准确率高达95.5%,远优于另两种算法,也证明了选取不同的纱芯分割方法将直接影响毛羽特征分析的准确性.

基于渐进核图割的SAR图像自动分割

合成孔径雷达(Synthetic Aperture Radar,SAR)图像是遥感目标检测与分割等研究的重要数据源。提出了一种渐进核图割分割方法,该方法通过迭代进行二类聚类分割,自动实现合成孔径雷达SAR图像中多目标的分割。实验结果表明,该方法能够有效地实现复杂场景SAR图像的多目标分割。

图像区域分割中的无监督图割方法

提出一种基于图割算法的图像多区域分割方法,该方法采用核函数对数据项进行隐性的非线性映射,将原始数据映射到高维特征空间,实现图像的线性多类划分,扩展了分段常数模型的应用范围,提高了复杂区域的分割效果。由于图像边缘梯度变化剧烈,具有不连续性,在平滑项中加入图像的梯度约束条件,减少过分割。同时,采用无监督方法设置初始参数,避免了交互操作,更符合多区域分割的要求。实验结果表明,新方法不受图像内容的限制,无论是主观视觉判断还是客观定量分析,该方法都具有较好的分割效果。

基于局部图划分的多相活动轮廓图像分割模型

几何活动轮廓模型是图像分割领域的强有力工具。最近,一种基于成对相似性的图划分活动轮廓(GPAC)模型被提出,并有效应用于均质图像分割。但是,该模型的连接权函数仅与图像光谱相关,使得模型在低对比度模糊图像的应用存在较大局限,同时,成对相似性的计算量大,模型的数值实现效率不甚理想。针对这些问题,该文引入测地核函数定义连接权函数,结合多相水平集,提出了基于局部图划分的多相活动轮廓图像分割模型。自然图像的实验结果证明了该模型的有效性。

基于先验形状信息核图割模型的肝脏分割方法

由于肝脏核磁图像存在边缘模糊、噪声大、灰度分布不均匀等特点,一般分割算法效果不甚理想。为了提高分割效果,提出了一种基于先验形状信息的核图割(kernel graph cuts,KGC)模型。采用区域增长算法在待分割的肝脏区域进行预分割,再用形态学算子进行膨胀腐蚀操作,形成初始分割轮廓;将形状模板集和初始轮廓配准后进行核主成分分析(kernel principle component analysis,KPCA),训练出先验形状信息;在kernel Graph cuts模型的能量函数中融入先验形状信息,并在初始轮廓的基础上进行进一步精确分割。实验结果表明,提出的方法能准确分割出核磁图像中边界模糊、噪声污染大的肝脏边界,且无边界泄露和相似组织误分割等现象。

SAR图像分割的改进参数核图割方法

针对合成孔径雷达(SAR)图像的分割问题,提出一种改进的参数核图割方法。对参数核图割方法中的能量函数进行改进,在核空间中考虑分段常数模型,并实现目标函数的空间核化。SAR图像的分割通过能量函数的最小化实现,由不动点迭代估计区域参数,并由图割模型逐步最小化能量函数实现SAR图像的分割。为验证改进参数核图割方法的分割效果,对自然图像进行分割,结果表明,其分割精度达到83%,比参数核图割方法提高了11%。真实SAR图像的分割结果验证了该方法对SAR图像的分割结果优于参数核图割方法。

结合ViBe和KGC图割的运动目标检测研究

为了提高运动目标检测的准确性和完整性,在背景建模研究的基础上,提出一种结合非参数随机样本集ViBe算法和核图割KGC(Kernel graph cuts)理论的运动目标检测方法。采用改进的ViBe算法进行背景提取,把样本集扩展到阴影空间,抑制目标运动阴影的产生。针对样本随机性和噪声带来的目标不完整性,建立目标边缘轮廓分割约束,对前景区进行KGC分析,把滑动窗局限于目标轮廓最大概率密度区,过滤无效背景,合并有效区域。经过视频测试实验表明,该方法在不增加较大计算的情况下,达到检测实时运行,相对于传统算法获得较好的准确率、完整性和鲁棒性。

图像分割的自适应交互核图割模型

为了克服图割模型算法在实现图像分割时需要人为选定参数,以及图割模型可能会陷入局部最小值的不足,考虑到交互图割是一种灵活的全局最优算法,提出了基于EM方法的交互核图割算法。数据映射到核空间,构造了新的目标函数,这样可以更有效地解决分类分割问题;为了估计交互图割所需要的参数以及图割算法所需要的各种阈值,采用EM算法来估计这些参数,避免人为随机选取可能造成的不利影响,因而该方法是一种自适应的分割算法。实验结果表明,相对于交互图割算法,该算法分割合成图像时具有更低的误分率,处理光学等图像时,分割结果更准确,保留图像细节信息的能力更强。

一种基于全连接CRF的前景-背景分割方法

像素级的前景-背景分割通常被当做一个基于条件随机场的能量最小化问题,但是基于的只是局部连接的条件随机场,全连接的条件随机场因为复杂度高而不被采用。通过使用均值场近似技术将邻居节点间的约束转换成低通滤波操作,虽然简化了全连接条件随机场的计算,但也丢失了大量的相关性信息。为了克服这种信息丢失,对临近的像素间的二元约束进行保持,只将空间距离较远的像素间的二元约束转换成低通滤波,并添加了局部的光滑项进行分割边缘约束,然后使用图割算法对最后的能量函数进行优化。实验结果显示,算法由于充分利用了全局约束信息,对具有复杂边缘、细小枝状边缘、凹陷边缘的物体具有较好的分割效果。

基于双边加权核图割的SAR图像变化检测

为解决SAR图像因相干斑噪声严重而影响变化检测结果的问题,该文从像素级和区域级两个角度对SAR图像的空间邻域关系进行研究,提出一种基于双边加权核图割的SAR图像变化检测算法。首先通过均值比算子生成差异图,并利用核函数隐式地将差异图转换为图割能量函数的一元项;然后分别针对邻域内像素的空间上下文关系与以像素为中心的区域空间上下文关系进行研究,将其量化为图割能量函数的二元项。选取Ottawa和Mexico fire两组SAR数据集对算法进行验证,该算法平均总体精度为98.44%,Kappa系数相比PCA-Kmeans、FLICM、MRFFCM、KGC算法分别提高了4.64%、6.16%、4.15%和5.04%,证明该算法能够提高变化区域和非变化区域之间的可分离性,对噪声严重的SAR图像的抗噪能力较强,且图像边缘定位准确。

面向动作捕获数据分割的图卷积网络模型

提出了一种基于图卷积神经网络的方法来进行动作捕获数据的分割。具体而言,首先引入骨架属性图来表达动作捕获数据序列段中的每一帧;然后建立基于骨架属性图卷积操作的模型来学习动作捕获数据序列段的时空结构。最后利用骨架属性图卷积操作所学到的深度特征通过核化时序切割方法实现对动作捕获数据的分割。实验表明,此方法与其他方法相比是有明显的优势的。

基于局部平滑加权图割方法的SAR图像分割

针对合成孔径雷达(SAR)图像分割,提出了一种局部平滑加权图割(LSWGC,local smoothing weighted graph cut)模型。首先,在加权图割(WGCut)的目标函数中加入局部平滑罚项,提高了基于谱聚类的SAR图像分割方法对斑点噪声的稳健性,抑制了SAR图像分割中孤立点的产生;其次,利用WGCut与加权核K均值(WKKM)的等价性,LSWGC以不同于参数核图割(PKGC)方法的核化方式将核映射引入目标函数中,用图割最优化算法求解标号函数,避免了基于谱聚类的SAR图像分割方法中图谱的求解问题,同时改善了PKGC方法二类划分易丢失目标的不足。模拟和真实SAR图像的实验结果证实了本文方案的有效性。

激光点云的稀疏体素金字塔邻域构建与分类

目的在点云分类处理的各环节中,关键是准确描述点云的局部邻域结构并提取表达能力强的点云特征集合。为了改进传统邻域结构单尺度特征表达能力的有限性和多尺度特征的计算复杂性,本文提出了用于激光点云分类的稀疏体素金字塔邻域结构及对应的分类方法。方法通过对原始数据进行不同尺度下采样构建稀疏体素金字塔,并根据稀疏体素金字塔提取多尺度特征,利用随机森林分类器进行初始分类;构建无向图,利用直方图交集核计算邻域点之间连接边的权重,通过多标签图割算法优化分类结果。当体素金字塔的接收域增大时,邻域点密度随其距离中心点距离的增加而减小,有效减少了计算量。结果在地基Semantic3D数据集、车载点云数据和机载点云数据上进行实验,结果表明,在降低计算复杂性的前提下,本文方法的分类精度、准确性和鲁棒性达到了同类算法前列,验证了该框架作为点云分类基础框架的有效性。结论与类似方法相比,本文方法提取的多尺度特征既保持了点的局部结构信息,也更好地兼顾了较大尺度的点云结构特征,因而提升了点云分类的精度。