基于最大熵阈值分割法的颅脑CT图像血肿自动诊断系统研究

目的:探讨颅脑CT图像中血肿区域自动分割的图像处理方法,以解决人工处理颅脑CT图像效率低及误差大等问题。方法:选取在医院进行治疗的出血性脑卒中病患的颅脑CT图像,基于颅脑解剖结构及CT成像原理分析得到CT图像的先验模型,并根据其一维灰度直方图特征为基础,进行颅骨区域图像和颅内组织的分割,依据病灶一维灰度直方图的曲线特征完成病灶的分类检测,并采用最大熵阈值分割法(KSW熵算法)确定最佳分割阈值实现血肿区域的分割,并完成颅脑CT图像血肿自动检测系统的设计。结果:通过对颅脑CT图像实施分割,结果表明该方法能够明显降低血肿区域的分割误差<6.5%。结论:基于KSW熵算法能够确定颅脑CT图像中血肿区域的最佳分割阈值,较好实现血肿病灶的自动化诊断。

一种基于变化检测技术的SAR图像舰船目标鉴别方法

该文引入变化检测思想,利用SAR图像中海杂波和目标之间的灰度差异,通过对潜在舰船目标切片的目标像素和背景像素进行分离,计算目标像素聚集度(TPAM)特征,实现对高亮像素在图像切片中聚集程度的定量评估,从而鉴别目标切片中是否包含有舰船目标,有效去除杂波虚警。首先,基于感兴趣区域(ROI)切片中心为目标像素及四周为海杂波的合理假设,构建似然比变化检测量获取差异图像;然后,利用KSW熵阈值选择方法实现差异图像中目标像素和海杂波像素的自动分离,生成二值图像;最后,利用切片中心像素为种子点,对二值图像进行区域生长,计算目标像素聚集度特征,并判断目标切片是否包含舰船目标。基于RADARSAT-1 SAR实测数据的实验结果表明,该文方法得到的目标像素聚集度特征计算简单、稳健性好、可区分度高,具有良好的鉴别性能,能够去除大部分海杂波干扰产生的虚警,有效地降低目标检测虚警率。

结合混沌鸟群算法的阴极铜板表面缺陷检测

目的铜电解过程中常因电解液溶解气体过饱阻止铜离子析出而在铜板表面形成凸起,常由操作员目视对铜板表面质量进行鉴别以决定归类,针对人工判别电解阴极铜板表面质量准确度和效率都较低的问题,提出一种结合混沌鸟群算法的铜板表面凸起智能识别方法。方法为增强算法的全局搜索能力,引入鸟群算法;选取鸟群劣质个体交替进行混和动态步长位置更新增加种群多样性以免陷入局部最优;对铜板表面缺陷进行分析,提出基点生长法并结合形态学开操作消除铜板图像纹理以提高算法对凸起面积计算的准确性。将最佳熵阈值确定法(Kapur-Sahoo-Wong,KSW)作为鸟群算法的适应度函数对铜板图像进行阈值分割,通过统计分割图像凸起像素点个数,得到实际凸起面积占比以决定铜板是否合格。结果将本文算法与遗传算法(genetic algorithm,GA)、鸡群算法(chicken swarm optimization,CSO)、萤火虫算法(glowworm swarm optimization,GSO)及鸟群算法(bird swarm algorithm,BSA)4种算法分别在时间、适应度值和结构相似度(structural similarity index measurement,SSIM)3个指标下分析对比,实验结果表明,本文算法适应度值可提高0.003 0.701,SSIM值可提高0.075 0.169。结论本文方法能有效检测铜板表面凸起面积占比并对其进行合格品、次品分类。