基于主动形变模型的医学序列图像的分割

对主动形变模型(active shape model)方法进行了改进,将其用于CT序列图像的分割,实现了对一些边缘不清晰的软组织的分割。一个组织在CT序列图像中其形状变化往往是连续的,据此,我们先在序列图像中按顺序每间隔几幅抽取一幅图像,用其他方法分割好;然后对分割结果使用主成分分析方法(Principle Component Analysis)计算其形变特征,生成可变形轮廓模板;再用这个模板去变形、配准、分割其他图像,从而达到一个比较理想的分割结果。

基于多目标进化封装的特征选择在人脸识别中的应用

为了在实施分类工作时将不相关的、多余的、具有噪声的特征从问题表示中去除,以降低复杂度并得到可接受的性能,提出了一种基于多目标进化封装的特征选择方法。首先利用染色体选择的特征重新参数化人脸图像从而获得主动形变模型特征集;然后通过多目标遗产算法进行特征选择,在最小化特征子集基数的同时最大化判别容量;最后结合提出的综合适应度函数及k-近邻分类器完成人脸的识别。在Essex人脸数据库上的实验验证了所提方法的有效性,实验结果表明,相比其它几种较为先进的方法,所提方法不仅降低了表示的维度,同时提高了分类性能。

基于ASM和GrabCut的DR图像肺实质分割

针对DR图像肺实质分割中分割精度与自动分割难以两全的情况,提出一种由粗到精的肺实质分割方法。该方法增强DR图像边界和组织的对比度;使用训练好的ASM模型匹配得到粗略肺部轮廓;使用模板匹配检测出左右肋膈角、左右心膈角和左右肺尖的实际位置,并根据该实际位置线性调整肺部轮廓;根据调整后的肺部轮廓作为Grab Cut的目标输入,迭代分割,得到肺实质精确分割结果。通过对100张DR图像进行测试,分割重叠率达到97.8%,平均边界距离低至1.68。