一种免疫细胞图像非监督分割方法

对免疫细胞图像进行全自动分析在医学疾病诊断上有很高的应用价值。要完成自动图像分析,关键是要实现图像的非监督分割。根据免疫细胞图像中细胞核是一种椭圆状目标的特点,提出了一种椭圆形目标定位方法。在文献中,首先用这种目标定位方法将待分割图像中的细胞核位置找到,然后在细胞核所在的区域内运行水域分割算法(watershed变换)就可实现图像的非监督分割。这种非监督分割策略解决了在大范围内运行中算法一次分割目标时存在的容易错分割的缺点,实现了对特定细胞图像的非监督分割。实验结果表明该方法具有目标定位准确率较高、分割的准确精度和可重复性好等特点。

基于视觉显著性的非监督图像分割

交互式的图像分割算法需要用户输入先验信息,从而增加了算法的时间复杂度和用户的负担。提出了基于视觉显著性的非监督图像分割算法。该算法首先通过均值漂移算法先对图像进行预处理,将图像过分割成互不重叠的小区域。这些区域采用区域邻接图表示,当两个区域相邻时对应的节点之间存在边。其次,通过计算各个区域的颜色相异性和纹理一致性,得到相邻区域之间的合并概率。再次,根据区域的颜色和空间位置信息,定义每一个区域的显著性指标,选择最大显著性指标对应的区域作为目标种子区域,图像边缘区域中显著性指标最小的区域作为背景种子区域。最后,基于最大相似性合并策略,对与种子区域相邻的且合并概率最大的区域进行合并。实验表明,所提算法不需要先验信息,且可以得到较好的分割效果;与非监督图像分割算法相比,所提算法可以避免过分割。

基于不完全分层MRF的非监督图象分割

分层马尔可夫随机场 (MRF)图象模型由于层间具有因果关系 ,且这种因果关系符合图象的性质 ,使基于该模型的图象处理时间比平面MRF模型所用的时间大为减少 .针对作者提出的一种新的分层马尔可夫图象模型———不完全分层模型 ,导出EM算法以估计模型参数 .算法继承了分层模型非迭代算法运算速度快的优点 ,并因为模型结构的简化进一步减少了计算量 ,算法在模型的最上层加入了平面节点间信息的交互 ,以较少的计算换来了更加精确的参数估计结果 .算法用于图象非监督分割的实验表明 ,和分层模型算法相比 ,其处理速度更快、由所估计的参数得到了更好或相当的分割结果 。

一种结构自适应免疫抗体竞争网络的非监督图像分割

提出一种新的结构自适应免疫抗体竞争网络,无须预先设定聚类数目,实现了完全非监督的图像分割.基于自组织特征映射神经网络的基本概念,提出一个新的免疫抗体邻域概念,增强了网络的鲁棒性.根据大脑皮层长期记忆的形成原理提出一个长期记忆因子,提高了算法收敛的速度.为了抑制噪声抗原对抗体网络的影响,提出3种抗体死亡操作.以上这些改进措施可使生成的抗体网络更好地反映抗原的分布特征,得到自适应的网络结构.将此算法用于合成纹理图像、遥感图像和合成孔径雷达图像的分割,都取得了较好的分割结果.

基于非监督纹理分割下的图像查询

随着图像数据库的广泛应用,基于图像纹理的查询已经变成了一项重要也是复杂的工作。为了更简便地查询图像,文中基于图像纹理的非监督分割,提出了新的图像分类方法。通过对每一纹理图像进行这种非监督纹理分割,提取纹理的特征向量,然后基于这些参数,运用假设检验进行纹理的分类和融合。通过对MT Vistex和Brodatz数据库中选取的纹理图像进行分类测试,证明该方法是十分有效的。

利用一维纹理特征值及MRF模型分割道路影像

提出了一种从遥感影像中分割出道路的新方法。通过比较多个方向上纹理和灰度的一致性,可以在每一点处筛选出一致性最优方向,此方向上的Gabor滤波响应以及作为衡量一致性指标的方差值共同构成该方法的特征矢量。鉴于MRF的独特优点,选择其作为分割模型,并结合最大期望(EM)原理实现非监督分割,构建MRF的相应能量项时加入了方向信息以提高分割质量,同时用置信传递法(BP)代替传统的模拟退火法以提高能量最小化过程的速度。实验表明新方法可以更为有效地从高分辨率遥感影像中分割出道路目标。

U-Net及其改进算法在医学图像分割中的研究进展

医学图像是疾病诊断的重要依据,医学图像分割通常是由医学专家手动完成,耗时长,分割准确程度受主观因素影响较大,非常依赖医生的经验。日益增加的阅片量,迫切需要一种自动分割方法来缓解医生的图像分割压力。传统的图像分割方法是根据图像灰度值的突变进行图像分割,或根据预定义的规则进行分割,这种分割算法计算速度快,不需要标注数据,对样本数量无要求,是一种非监督分割方法。

模糊相关图割的非监督层次化彩色图像分割

目的基于阈值的分割方法能根据像素的信息将图像划分为同类的区域,其中常用的最大模糊相关分割方法,因能利用模糊相关度量划分的适当性,得到较好的分割结果,而广受关注。然而该算法存在划分数需预先确定,阈值的分割结果存在孤立噪声,无法对彩色图像实施分割的问题。为此,提出基于模糊相关图割的非监督层次化分割策略来解决该问题。方法算法首先将图像划分为若干超像素,以提高层次化图像分割的效率;随后将快速模糊相关算法与图割结合,构成模糊相关图割2-划分算子,在确保分割效率的基础上,解决单一阈值分割存在孤立噪声的问题;最后设计了自顶向下层次化分割策略,利用构建的2-划分算子选择合适的区域及通道,迭代地对超像素实施层次化分割,直到算法收敛,划分数自动确定。结果对Berkeley分割数据库上300幅图像进行了测试,结果表明算法能有效分割彩色图像,分割精度优于Ncut、JSEG方法,运行时间较这两种方法也提高了近20%。结论本文算法为最大模糊相关算法在非监督彩色图像分割领域的应用提供指导依据,能用于目标检测和识别领域。

一种新的基于Gabor小波的非监督纹理分割方法

提出了一种新的基于Gabor小波的非监督纹理分割方法,与传统Gabor方法相比,该方法最大的特点在于分割的过程中利用了纹理尺度之间的依存关系和像素之间的空间约束关系。为了克服增加特征所带来的"维数灾难"问题,用独立分量分析(ICA)进行特征的整合。采用Brodatz测试集的实验结果验证了方法的有效性。

MRI脑肿瘤图像分割研究进展及挑战

脑肿瘤分割是医学图像处理中的一项重要内容,其目的是辅助医生做出准确的诊断和治疗,在临床脑部医学领域具有重要的实用价值。核磁共振成像(MRI)是临床医生研究脑部组织结构的主要影像学工具,为了使更多研究者对MRI脑肿瘤图像分割理论及其发展进行探索,本文对该领域研究现状进行综述。首先总结了用于MRI脑肿瘤图像分割的方法,并对现有方法进行了分类,即分为监督分割和非监督分割;然后重点综述了基于深度学习的脑肿瘤分割方法,在研究其关键技术基础上归纳了优化策略;最后介绍了脑肿瘤分割(BraTS)挑战,并结合挑战中所用方法展望了脑肿瘤分割领域未来的发展趋势。MRI脑肿瘤图像分割领域的研究已经取得了一些显著进展,尤其是深度学习的发展为该领域的研究提供了新的思路。但由于脑肿瘤在大小、形状和位置方面的高度变化,以及脑肿瘤图像数据有限且类别不平衡等问题,使得脑肿瘤图像分割仍是一个极具挑战的课题。由于分割过程缺乏可解释性和透明性,如何将全自动分割方法应用于临床试验,还需要进行深入研究。