基于改进3D-PCNN的中药材彩色显微图像分割

为有效提取中药材彩色显微图像的目标信息,提出了一种基于改进三维脉冲耦合神经网络的图像自动分割方法.首先,从适合处理中药材彩色显微图像的角度出发,对传统模型进行简化与改进;其次,采用RGB颜色空间,利用最大信息熵选择性排列图像,并将结果作为改进模型的输入,进而完成图像分割;最后,用最大综合判定准则选取最佳分割结果,并与最大香农熵、最小交叉熵、色差对比度进行比较.实验结果表明,本文方法可以精确自动地分割中药材彩色显微图像,克服了最大香农熵、最小交叉熵、色差对比度的缺点,分割效率明显优于传统方法.

基于灰狼优化算法的PCNN中药材显微图像分割

为有效分割中药材显微图像的目标信息,提出了一种基于灰狼优化算法(Gray wolf optimization,GWO)的改进型脉冲耦合神经网络(Pulse coupled neural networks,PCNN)中药材显微图像自动分割方法。首先,从适应处理显微图像的角度出发对传统PCNN模型进行简化与改进;其次,在训练图像中提取香农熵值作为GWO的适应度函数来自适应调节PCNN关键参数——链接系数β,进而实现图像目标的最优分割;最后,将所提算法与聚类分割法、OTSU法、传统PCNN法进行了实验比较,并用骰子系数、体积重叠误差、相对体积、精确度和交并比等常用医学图像分割评判标准对4种处理方法做了客观评价。实验结果表明,所提方法能够实现图像的自适应分割,较好地保持了图像细节、纹理及边缘等信息,对不同显微图像分割准确度高,改善了图像的分割性能,具有较强的适用性。

基于纹理的中药材贝母显微图像的识别

提出了一种适合于中药材贝母粉末显微图像的纹理分析方法,即综合运用分形维数、二级小波变换和灰度—梯度共生矩阵3种方法分析纹理图像,共提取了8个特征量用于模式识别实验,得到了较好的识别效果,表明模式识别技术是可行的。

基于改进动态ReLU和注意力机制模型的中药材粉末显微图像识别研究

中药材粉末显微特征图像数据量少、样本类别分布不均衡、类间差异小,传统的图像识别方法分类效果不佳。针对以上问题提出一种基于动态ReLU和注意力机制模型的深度卷积神经网络改进方法。首先,采用对小样本数据分类效果明显的Xception作为基础网络;其次,将网络中的静态ReLU激活函数替换为改进的动态ReLU函数,让每个样本具有自己独特的ReLU参数;最后,在网络中嵌入改进的SE模块,使网络能够更好地自动学习到每个特征通道的重要程度。以上方法可以使网络更加注重于图像中的细节信息,能很好地解决样本类别分布不均衡、类间差异小的问题。实验结果表明,对56种中药材粉末导管图像进行分类识别,其准确率提升了约1.5%,达到93.8%,证明了所提研究方法相比于其他图像分类方法具有一定的优越性。

中药材粉末显微图像模式识别方法

提出了一种适合中药材粉末状态下显微图像的模式识别方法。使用3种分析方法进行特征提取,即分形分析方法、小波分析方法、灰度/梯度共生矩阵法,经特征选择后,对图像分类贡献较大的8个特征量被组合成特征向量,用于图像识别。实验中采用了k-近邻分类方法,其较高的识别率表明,此方法是可行的和有效的,为今后进一步进行中药材识别提供了理论参考。

中药材粉末显微特征图像的检测方法研究

针对中药材粉末显微特征图像存在的目标断裂残缺这一关键问题,提出一种改进型SSD检测算法,即在SSD网络的预测卷积特征图之后加入SE模块,使SSD网络对该特征图的多个特征通道进行重要性的学习,并据此让包含较多信息且对最终结果起重要作用的特征通道分配到较大的权重。这样,断裂残缺的目标所保留的关键信息在网络迭代过程中能够被网络充分地学习,实现网络对目标的自动定位和种类识别,提高最终的检测效果。将改进型SSD算法用于厚壁细胞、导管和花粉孢子这三类显微图像的检测,mAP由79.8%提升到81.5%,这一结果证明了改进型SSD算法的有效性。

基于SqueezeNet深度网络的中药材粉末显微特征图像识别研究

中药材粉末显微特征图像具有复杂的纹理特点,传统算法难以构建高识别率的分类器。针对此提出一种基于SqueezeNet卷积网络的改进型双通道算法。首先,分离背景并提取感兴趣区,同时自动截取感兴趣中心区域1/4面积作为细粒度特征图像;其次,对感兴趣区和细粒度特征图像进行尺度归一化,去均值,调整方差以及多角度旋转等预处理;之后,将处理后的感兴趣区和细粒度特征图像分别作为两个独立SqueezeNet深度网络的输入源,并对两个网络进行独立训练;最后,将得到的两个模型作为两个通道连接,识别结果利用概率加权算法进行融合。应用提出的改进型双通道算法对15种中药材粉末显微导管特征图像进行识别,正确识别率达到90. 33%。该方法具有较高的正确识别率和理想的识别效果。

增强型金枪鱼群优化指数熵的砂粒显微图像分割

砂粒显微图像分割可以辅助地质评估,但因其种类繁多,特征复杂,为分割的准确度带来了挑战。针对该类图像提出一种增强型金枪鱼群优化指数熵的分割方法(ETSO-EXP),可以有效保留各类砂粒的纹理特征。首先,针对金枪鱼群优化算法(TSO)在全局搜索与局部开发上的若干不足,提出了混沌扰动策略、动态权重策略和余弦干扰策略对其增强,基准函数实验表明ETSO大幅提高了收敛精度,小幅提高了收敛速度。其次,将ETSO用于确定EXP的分割阈值,以分割图像的信息量为标准验证了该方案的可行性。最后,在雅鲁藏布江砂粒显微图像数据集上进行分割实验,与TSO-EXP相比,ETSO-EXP分割的图像在峰值信噪比、结构相似性、特征相似度和寻优速度的评估上分别达到了18.78%,6.85%,4.16%和3.83%的提升,在同类分割方法中性能最优。结果表明,分割方法ETSO-EXP对于对比度较高、纹理丰富或砂粒碎屑尺寸差异较大的图像都具有较高的分割精度和计算速度。

叶类中药显微图像的阈值分割和自动分类

针对叶类中药显微图像的特征,本文提出一种基于阈值分割叶类中药显微图像的方法,并完成气孔指数的测定。采用边缘检测技术来指导阈值分割的过程,并通过形态学处理和区域描述子共同完成细胞的分割和区域计数,在此基础上,结合图像颜色空间特征,基于图像目标正态分布的假设,对去除细胞图像的其他部分进行分割,从而完成气孔的分割。实验结果表明,该方法对叶类中药显微图像能够进行有效的分割。

基于卷积神经网络融合的彩色傅里叶叠层显微重建

针对彩色傅立叶叠层显微重建存在图像获取时间长、采集低分辨率图像数量多等问题,采用基于卷积神经网络的图像融合方法来实现彩色傅立叶叠层显微重建。该方法基于图像融合原理,将单通道低分辨率图像重建的灰度高分辨率图像与相同视场下的彩色低分辨率图像融合,成功地重建彩色FPM图像。在保证图像恢复质量的同时减少了2/3的采集时间。实验结果表明,所提算法可以获得色彩不失真的彩色FPM图像,定量评价指标方均根误差小于0.01,结构相似性参数大于0.89。

真彩色血液白细胞显微图像自动识别系统研究

人体血液白细胞的分类计数对于临床诊断有着重要意义．在国内普及的微机平台上，利用真彩色细胞图像所包含的丰富的多光谱信息，运用图像处理和识别技术，研制了真彩色血液白细胞显微图像的自动识别系统，有效地实现了白细胞的自动识别．

癌细胞显微图像分割与识别研究

文章采用竞争Hopfield神经网络的自动聚类分割方法从腹水脱落细胞显微图像中分割可疑细胞和可疑细胞核,提取癌细胞的15个形态特征,利用柔性BP神经网络分类器对腹水脱落癌细胞进行分类识别。通过对临床病例的检验分析,表明该方法能获得较高的诊断正确率。

基于OTSU的显微图像自适应域值分割算法

根据医学显微图像对象多、背景复杂、有许多干扰和噪声、目标深浅不一致、反衬度较小等特点,为有效分割出显微图像中的目标物体,在比较了各种分割方法的效果后,提出了基于类间方差最大法的自适应阈值分割算法,从而有效地改善了显微图像分割的效果。

医学显微图像分割方法研究进展

医学显微图像分割是医学图像处理中的一个经典难题。针对近年来出现的新方法、新理论,对各种分割方法进行了系统论述,主要包括基于数学形态学方法、神经网络分割、模糊分割、小波分析、遗传算法、统计方法和基于特定模型等方法的图像分割。由于显微图像的复杂性,采用单一方法很难准确分割,故对混合方法也作了一定论述。文中还简要讨论了各种方法的特点和局限性。同时对分割的评价体系也做了简要论述。

彩色显微骨髓细胞图像噪声的自适应矢量中值滤波

提出了一种基于彩色图像噪声的自适应矢量中值滤波方法,可根据噪声干扰的情况自动选择滤波窗口的大小.首先,检测3×3窗口中矢量中值与其他矢量之间的平均距离,然后根据这个平均距离的大小来判断选择3×3窗口,或5×5窗口,或1×1窗口.当选择1×1窗口时,意味着滤波输出就是原图像的像素值.模拟实验显示,应用自适应矢量中值滤波器能有效地滤除彩色显微骨髓细胞图像的噪声,并能较好地保护边缘和细节,其性能较一般的矢量中值滤波方法要好.

皮肤显微图像的自适应分割

提出了一种针对皮肤显微图像进行自适应分割的方法,其思想是:首先将RGB图像变化到HSI(Hue/Saturation/Intensity)空间;计算图像的S域标准差σ,以σ为判据,当σ较大时,采用最大类间方差法确定分割阈值,当σ较小时,采用修正均值法确定分割阈值,最后用数学形态法进行图像后处理完成图像分割,从而解决了大动态范围图像标准差的图像分割。该方法算法简单、实用,实现了不同症状的皮肤显微图像的自适应分割。

彩色显微图像立体匹配研究

研究了计算机显微立体视觉中的高精度立体匹配问题.建立了一种适合于彩色图像的立体匹配算法,使用多个匹配区域和多种相似性测度生成输出样本,通过两次均方差的统计剔除样本中包含的错匹配和误匹配数据,利用两次样本取平均,实现了高于单像素的匹配精度.实验结果表明,多匹配区域、多相似性测度算法在一定程度上提高了立体匹配的准确性和稳定性,当噪声均方差控制在20以内时,算法的匹配准确率约为80%.

SLM彩色显微图像的亚像素边缘检测方法

微操作技术的迅速崛起迫切要求显微图像处理技术的发展。在HSI彩色模型的基础上,根据SLM视觉系统的彩色显微图像特点,基于小波变换提出了一种适用于SLM彩色显微图像的边缘检测方法。根据三次样条拟合曲线的一阶导数零点,获取精确的亚像素边缘。试验证明,该方法适用于各放大倍率下的SLM彩色显微图像,能较好地滤除噪声,检测出完整的亚像素边缘。给出了利用该算法处理噪声仿真图像和真实SLM彩色显微图像的试验结果。

基于Mask R-CNN的柑橘主叶脉显微图像实例分割模型

针对目前植物解剖表型的测量与分析过程自动化低,难以应对复杂解剖表型的提取和识别的问题,以柑橘主叶脉为研究对象,提出了一种基于掩膜区域卷积神经网络(Mask region convolutional neural network,Mask R-CNN)的主叶脉显微图像实例分割模型,以残差网络ResNet50和特征金字塔(Feature pyramid network,FPN)为主干特征提取网络,在掩膜(Mask)分支上添加一个新的感兴趣区域对齐层(Region of interest Align,RoI-Align),提升Mask分支的分割精度。结果表明,该网络架构能够精准地对柑橘主叶脉横切面中的髓部、木质部、韧皮部和皮层细胞进行识别分割。Mask R-CNN模型对髓部、木质部、韧皮部和皮层细胞的分割平均精确率(交并比(IoU)为0.50)分别为98.9%、89.8%、95.7%和97.2%,对4个组织区域的分割平均精确率均值(IoU为0.50)为95.4%。与未在Mask分支添加RoI-Align的Mask R-CNN相比,精度提升1.6个百分点。研究结果表明,Mask R-CNN模型对柑橘主叶脉各类组织区域具有良好的识别分割效果,可为柑橘微观表型研究提供技术支持与研究基础。

基于图像块分类器和条件随机场的显微图像分割

针对花粉显微图像处理提出了一种自动分割方法,将有助于花粉识别系统的开发。使用归一化颜色分量训练图像块分类器,并且结合条件随机场和图割进行建模和优化,利用最大化后验概率(MAP)的方法实现花粉显微图像中花粉区域的分割。对于实验中的133幅图像,自动分割同人工分割的结果相比较,统计得到距离误差均值为7.3像素,准确率的平均值为87%。实验结果表明,使用图像块分类器和条件随机场模型可以用于花粉图像的分割。