基于多尺度随机模型的SAR图像无监督分割

根据SAR图像的成像机理,利用两种多尺度随机模型,即多尺度自回归(MultiscaleAutoregressive,MAR)模型和多尺度自回归滑动平均(Multiscale Aautoregressive Moving Average,MARMA)模型,分别来描述同一场景不同分辨率SAR图像像素间的统计相关性,并构造了相应的多分辨混合算法实现SAR图像的无监督分割。试验结果表明,提出的两种无监督分割方法是可行的,且MARMA模型比MAR模型能够更精确地捕捉SAR图像多尺度序列中不同类型地形的统计信息,使分割质量具有明显的改进。

基于相似性度量的高分辨率SAR图像无监督分割

SAR图像中斑点噪声的存在给分割造成了严重的影响.为此,基于JSEG平台,针对高分辨率SAR图像的特点,提出了一种新的相似性度量,这也是该无监督分割算法的核心.该算法主要由预处理、纹理组合和区域生长三个步骤来完成.在纹理组合中,利用新的相似性度量标准,把预处理后的SAR数据通过计算映射成一组新的数据,这组新数据可初步表征图像的分割;最后利用简单的区域生长完成分割.实验结果表明,该方法充分利用了SAR图像的特征信息,能够准确实现对SAR图像的分割,并具有很好的稳健性.

SAR图像无监督分割的空间变化混合MAR模型方法

提出SAR(Synthetic Aperture Radar)图像的空间变化混合多尺度自回归(Spatially Variant Mixture Mul-tiscale Auto Regressive,SVMMAR)模型方法,该模型不仅能刻画SAR图像的空间变化性,而且利用了SAR图像多尺度序列的统计特性;采用的分类器是像素标号的极大似然估计,细化的同时简化了传统Bayes分类器;该模型无需预先抑制斑点噪声,就能获得精确分割结果;并且理论上证明了在图像粗尺度确定分类个数的合理性,在此基础上提出一种在粗尺度确定分类个数的新方法,大大减少了运算量.

基于多尺度非线性随机模型的SAR图像无监督分割

完成情况简介：本项目建立了多尺度非线性随机模型及其估计理论，其中包括混合多尺度自回归过程、多尺度自回归滑动平均过程、空间变化混合多尺度自回归滑动平均过程、空间变化混合多尺度自回归预报模型，以及多分辨混合分布模型、多分辨投影寻踪模型等；研究了上述模型的统计性质和估计方法，进行了谱聚类的扰动分析，给出了权矩阵的谱与聚类的类数、权矩阵特征值的大小与每一类所含点的个数、以及权矩阵的特征向量与聚类之间的关系。

基于多尺度图像块的SAR图像无监督分割

提出了一种基于多尺度图像块的SAR图像无监督分割方法。在利用高斯混合模型进行图像分割时,大多采用的是基于单个像素的分割方法,这种方法由于未考虑像素周围邻域结点的信息,分割精度往往不高。论文考虑到SAR图像具有很强的斑点噪声,为了更好地抑制斑点噪声对分割结果的影响,在多分辨分析的基础上提出了一种基于多尺度图像块的图像分割新方法。实验表明,这种基于多尺度图像块的分割较在单个像素下多尺度Markov模型的MPM分割好,分割精度有了较大的提高。

基于协同训练的半监督学习3D医学图像分割模型

近年来人工智能应用于COVID-19医学影像诊断,降低了检测成本和漏检率,但临床医学图像样本数量较少和标签质量较低,影响了3D模型的分割性能。本文提出基于协同训练的半监督学习3D医学图像分割模型,使用空间翻转和窗口技术生成多视角、多模态图像,增强3D图像样本的空间差异性;采用一种基于加权不确定度的虚拟标签生成模块,为无标签数据生成可靠的虚拟标签,减少过拟合;采用基于三阶段的三维度六模型协同训练,增强分割精度和泛化性能。此外,本文可视化协同训练各阶段的特征关注度热力图,为临床诊断提供有效参考。针对661位新冠患者的771例NIFTI格式3D COVID-19的CT图像展开实验,5折交叉验证结果表明,本文模型Dice系数为73.30%,平均表面距离(ASD)为10.633,灵敏度(Sen⁃sitivity)为0.630,特异度(Specificity)为0.996。与各种典型半监督学习3D分割模型相比,具有更好的分割精度和泛化性能。

医学图像分割的无监督域适应研究综述

医学图像分割在医学图像处理领域中具有广泛的应用前景,通过定位和分割出感兴趣的器官、组织或病变区域,为诊断和治疗提供辅助信息。但不同模态医学图像之间存在域偏移问题,这会导致在实际部署时分割模型的性能大幅下降。域适应技术是解决该问题的有效途径,尤其是无监督域适应,因其不需要目标域标签信息而成为医学图像处理领域的研究热点。目前,针对医学图像分割的无监督域适应研究的综述报告相对较少,对近年医学图像分割的无监督域适应的相关研究进行了整理、分析和总结,并对未来进行了展望,希望帮助相关研究人员快速了解并熟悉该领域的研究现状及趋势。

结合原型的两阶段遥感图像无监督域适应分割模型

遥感图像数据量较大,地物类别较多,局部特征与全局特征差距较大,域内特征差异较明显,导致传统的迁移学习难以有效提升模型的推广性能。为此,在传统基于对抗对齐域间特征的无监督域适应模型基础上,提出一种结合原型的两阶段遥感图像无监督域适应分割模型。引入原型表达类别特征,通过原型获取模块获取和更新原型,利用原型施加模块并结合自注意力,将类别全局特征施加到裁剪得到的局部图像特征中,使分割网络兼顾局部和全局类别信息,更好地提取两个域的不变特征。利用目标域图像的伪标签将目标域图像分为易分割和难分割图像,通过对抗和自训练的方式减少目标域的域内特征差异,以便更好地提取目标域难易图像的域内不变特征。利用已知像素类别的分割预测图计算每个像素和相邻像素的上下文关系,生成像素上下文关系图,通过使输出级判别网络判别输入的两个域分割结果的像素上下文关系图来自于哪个域,迫使分割网络更好地提取域不变上下文关系,缓解同谱异物现象。在两个数据集上的实验结果表明,所提模型可以有效缓解局部特征与全局特征差距较大、域内特征差异明显以及同谱异物现象带来的模型迁移性能下降问题,相较于先进的域适应分割方法更具有优势。

基于弱监督的口腔鳞状细胞癌病理图像分割

考虑到口腔鳞状细胞癌病理图像的超高分辨率,文中提出用简单的曲线粗略勾画三类前景区域,使得前景区域标签是包含背景区域的粗标签,仅耗费专业精细标注1/6的时间。文中利用粗标签中前景区域含噪声,但背景区域都是干净标签这一事实,通过多个背景模板滤除误标的前景像素,实现对前景部分的精细化分割。具体地,文中提出基于背景相似度感知的平均教师模型(BS-MT),通过抽取高度多样性和鲁棒性的背景模板,指导学生网络利用模板滤波滤除背景像素而生成高质量的前景标签。在自建的OSCC-CA数据集,该方法的mIoU比U-Net和其他弱监督方法分别高出2.5%和1.1%以上。

基于元学习和神经架构搜索的半监督医学图像分割方法

多数医学图像分割方法主要在相同或者相似医疗数据领域进行训练和评估,意味其需要大量像素级别的标注。但这些模型在领域分布外的数据集上面临挑战,被称为“域偏移”问题。通常使用固定的U形分割架构解决该问题,导致其无法更好地适应特定分割任务。文中提出了一种基于梯度的元学习与神经架构搜索方法,可以根据特定任务调整分割网络以实现良好的性能并且拥有良好的泛化能力。该方法主要使用特定任务进行架构搜索模块来进一步提升分割效果,再使用基于梯度的元学习训练算法提升泛化能力。在公共数据集M&Ms上,在5%标签数据下,其Dice和Hausdorff distance分别为79.62%、15.38%。在2%标签数据下,其Dice和Hausdorff distance分别为74.03%、17.05%。与其他主流方法相比,文中所提方法拥有更好的泛化能力。

基于预训练模型的单帧航拍图像无监督语义分割

针对航拍图像语义分割成本高、通用性差和精度低等问题,提出了一种两阶段无监督语义分割网络(two-stage unsupervised semantic segmentation net, TUSSNet),针对单帧航拍图像训练进而生成最终的语义分割结果。算法分为2个阶段。首先,使用对比语言-图像预训练(contrastive language-image pretraining, CLIP)模型生成航拍图像的粗粒度语义标签,然后进行网络的预热训练。其次,在第一阶段的基础上,采用分割一切模型(segment anything model, SAM)对航拍图像进行细粒度类别预测,生成精细化类别掩码伪标签;然后迭代优化网络,得到最终语义分割结果。实验结果显示,相较于现有无监督语义分割方法,算法显著提高了航拍图像的分割精度,同时提供了准确的语义信息。

基于候选区域生成的弱监督图像语义分割算法

针对现有弱监督语义分割方法依赖于初始响应以及分类任务,只关注区分目标对象区域,无法通过完整的区域来优化损失函数的问题。论文提出了一种基于候选区域生成的语义分割算法,用于图像级标注的弱监督图像语义分割。该算法首先在分类网络中引入混合数据增强方案,再通过制定相应的策略,对图像特征进行聚类,构建子类目标并生成子类标签,从而使得训练过程不仅仅依赖于可区分的对象区域。在PASCAL VOC 2012数据集上进行了全面的实验和分析,与其他弱监督语义分割算法相比,论文提出的算法表现出良好的性能:通过使用混合数据增强以及自监督的候选区域生成的方法,使原始图像产生更加完整的响应映射,将交并比(IoU)提高了2.1%,提高了最终分割网络的性能。

黑色素瘤图像分割和边缘细化研究

黑色素瘤图像分割在皮肤病的诊断与治疗中具有重要的临床价值.但由于数据集缺乏标注、类别严重不均衡等原因,使得图像分割的精度低,边缘粗糙.因此,提出一种黑色素瘤分割和边缘细化方法,分三个阶段实现.第一阶段,对黑色素瘤数据集进行分类后,使用弱监督方法提取多个层级类激活图并处理;第二阶段,搭建UNet网络模型对黑色素瘤数据集中的恶性样本进行分割;第三阶段,使用第一阶段增强、叠加得到的类激活图边缘对第二阶段的结果进行边缘细化.在ISIC黑色素瘤数据集上的实验结果表明,经过三个阶段的处理,得到的分割图边缘更加细致,平均交并比(mIoU)为86.04%,戴斯相似性系数(Dice)为0.937,杰卡德系数(Jaccard)为0.885.

改进Segformer的前列腺超声图像语义分割算法

前列腺超声图像在临床中的准确分割对后续诊断具有重要影响。因此,通过深度学习辅助实现前列腺边界的快速、准确分割非常必要。为此,文中提出了一种改进的前列腺分割网络(DA-Segformer)。利用Transformer、深监督和注意力机制,快速准确地分割前列腺超声图像。引入MAG模块提高网络对特征图和像素关联性的理解能力,以及对前景像素的敏感度。采用深监督策略,在解码过程中引入损失函数,优化梯度传播,增强网络对关键特征的学习表征能力。实验结果显示,在前列腺超声图像数据集上,DA-Segformer模型的mIoU、Dice系数、准确率和召回率等指标均优于其他主流语义分割模型。该方法有效解决了前列腺超声图像手工分割的难题,为临床诊断提供了有价值的计算机辅助工具。

基于超像素与半监督的岩石图像分割与识别

岩石薄片图像的分析往往依赖于专业人员在显微镜下观察并给出鉴定结果,不但费时费力,并且受设备影响较大。近些年,针对薄片图像的自动识别方法已经被提出。然而,这些方法大多采用监督学习与深度学习相结合的方式,由于需要大量人工标注而受到限制,为方法的推广与应用带来巨大困难。此外,模型在不同的地层、岩性等目标应用时,由于不同地质环境中岩石的差异性,其泛化性也受到极大限制。本文针对该问题提出了一种简单线性迭代聚类算法(simple linear iterative cluster,SLIC)与半监督自训练结合的方法,仅依靠6%的人工标注便能够实现岩石图像的自动化分割与组分识别,极大地增强岩石图像自动识别方法在实际应用中的价值。该方法首先使用超像素算法SLIC对岩石图像进行预分割,随后基于分割片的颜色特征进行粗合并,并根据最小外接矩形进行切割;切割下来的岩石组分分割图像作为后续处理的基础数据集,这里仅需要人工标注6%的岩石组分数据;随后,这些数据通过一个改进的半监督自训练方法,以改进的VGG16模型作为主模型、ResNet18模型作为评判模型,不断生成高置信度的伪标签,利用迭代优化调整,将其扩展到整个数据集,最终获得一个具有较高的稳定性、准确性及一致性的组分识别模型。实际数据的测试与分析表明,本文所提出SLIC和半监督自训练结合的方法,对6类岩石组分的识别准确率可达到96%。该方法能够在数据差异不大的条件下,帮助用户基本实现自动化的组分识别。而当数据集产生较大差异时,仅需标注小部分样品即可实现自动组分识别。本方法具有较高的泛化性和可靠性,能够在实际应用提供足够的准确性与便利性。

基于深度学习的图像分割综述

图像分割是计算机视觉中的一项基本任务,其主要目的是从图像输入中提取有意义和连贯的区域。多年来,图像分割领域已经开发出了各种各样的技术,包括基于传统方法,以及利用卷积神经网络的最新图像分割技术。随着深度学习的发展,更多的深度学习算法也被应用到图像分割任务中。特别地,近两年学者对深度学习的兴趣高涨,涌现了许多应用于图像分割任务的深度学习算法。然而大部分新的算法还没有被归纳分析,这将不利于后续研究的进行。文中对近两年发表的基于深度学习的图像分割研究进行了全面回顾。首先对图像分割的常用数据集进行简要介绍,然后阐明了基于深度学习的图像分割的新分类,最后讨论了现有的挑战并对今后的研究方向进行了展望。

基于MPM准则的无监督SAR图像分割

提出了一种基于MPM(maximizationoftheposteriormarginals)准则的SAR图像无监督分割方法 。

基于深度半监督学习的小样本金属工件表面缺陷分割

针对工业应用场景下缺少缺陷样本的问题,提出了一种仅需要极少缺陷样本的金属工件表面缺陷分割方法。该方法结合了图像生成技术和半监督学习策略,通过利用极少缺陷图像提取的小尺寸缺陷图像来训练缺陷生成模型,然后将生成的缺陷图像嵌入到正常图像中以实现数据增广。其次,采用半监督学习策略训练分割网络,以减小生成数据与真实数据分布之间的差异对模型的不良影响。在真实的金属工件机器视觉检测系统上的验证结果表明,半监督的训练策略提高了分割模型对真实缺陷的泛化能力,所提方法能够在仅使用5张缺陷样本图像的条件下取得较高的分割精度。

基于半监督对抗学习的遥感图像水体提取

语义分割技术被广泛应用于遥感图像水体提取任务中,然而语义分割的结果极大依赖于数据集的规模,针对遥感图像中水体数据集较少、获得精准标注数据成本高的问题,提出一种用于水体提取的半监督对抗语义分割方法。作为生成器的分割网络中的卷积操作具有受限的感受野,缺乏对长距离上下文关系的建模能力,Transformer能够建模图像的全局信息。该方法在分割网络中采用Swin Transformer建模深层特征的全局上下文信息,挖掘像素之间的语义关系,提高网络的特征提取能力。采用双卷积块提取图像的局部特征,保留高分辨率细节信息。特征增强模块(FEM)用于抑制图像的背景噪声干扰,进一步提高水体提取的精度。分割网络和判别器网络共同训练,以提高在使用少量有标签数据条件下模型提取水体的性能。在GID数据集上进行大量实验,结果表明,该方法在不同比例有标签数据条件下均提高了水体提取的精度,在仅1/8有标签数据的条件下,该方法取得的F1-Score和交并比(Io U)分别为90.02%和81.86%,优于U-Net、MWEN等语义分割网络。

基于多特征的SAR图像的无监督分割

针对合成孔径雷达(SAR)图像灰度变化大、纹理复杂及边界模糊等特点提出了一种基于多特征的SAR图像的无监督分割方法。首先提取了SAR图像的局部矩特征与灰度共生矩阵的统计量(对比度、相关度、熵、同质性)特征;然后利用主元分析(PCA)的方法对这些有用的特征进行降维处理以得到含有足够类别信息的2维特征;最后使用MeanShift方法对具有2维特征信息的像素进行自动聚类。由于MeanShift聚类过程中无需提供类别数,因此,这种处理是一个无监督的自动分割过程。采用了多幅SAR图像和Brodatz纹理合成图像做分割实验,结果证明:本方法与单一利用灰度共生矩阵或矩特征的方法相比,分割的准确性明显提高。