为解决Curvelet图像去噪所产生的"环绕"效应以及非局部TV模型去噪过度平滑而无法保持细小纹理的问题,本文提出了一种基于Curvelet变换与非局部TV模型相结合的图像去噪方法(Curvelet and Non-Local TV,CNL-TV)。该方法首先对...为解决Curvelet图像去噪所产生的"环绕"效应以及非局部TV模型去噪过度平滑而无法保持细小纹理的问题,本文提出了一种基于Curvelet变换与非局部TV模型相结合的图像去噪方法(Curvelet and Non-Local TV,CNL-TV)。该方法首先对含噪图像进行Curvelet变换,将其分解成不同尺度的图像;其次根据每层图像的特性,选择合适的非局部TV模型参数分别进行处理;最后将处理后的每层图像融合。实验结果表明,该算法不仅能够有效地减少噪声,消除Curvelet去噪产生的"环绕"效应,而且最大程度地保持了图像中的细小纹理成分。通过比较不同方法所得结果的峰值信噪比,验证了算法的有效性。展开更多
提出一种基于TV模型和深度学习Goog Le Net模型的甲状腺结节图像分类方法,采用基于TV模型的自适应图像修复方法对甲状腺超声图像进行预处理,消除边框标记。为提升网络的结节分类性能,采用深度学习的方法,构建GoogLeNetIncepetion V1模...提出一种基于TV模型和深度学习Goog Le Net模型的甲状腺结节图像分类方法,采用基于TV模型的自适应图像修复方法对甲状腺超声图像进行预处理,消除边框标记。为提升网络的结节分类性能,采用深度学习的方法,构建GoogLeNetIncepetion V1模型对甲状腺超声波图像数据集进行实验。在各类病变和正常的甲状腺医疗图像数据集上的实验结果显示,该方法的分类诊断准确率为96.04%,具有非常可观的临床应用价值。展开更多
文摘为解决Curvelet图像去噪所产生的"环绕"效应以及非局部TV模型去噪过度平滑而无法保持细小纹理的问题,本文提出了一种基于Curvelet变换与非局部TV模型相结合的图像去噪方法(Curvelet and Non-Local TV,CNL-TV)。该方法首先对含噪图像进行Curvelet变换,将其分解成不同尺度的图像;其次根据每层图像的特性,选择合适的非局部TV模型参数分别进行处理;最后将处理后的每层图像融合。实验结果表明,该算法不仅能够有效地减少噪声,消除Curvelet去噪产生的"环绕"效应,而且最大程度地保持了图像中的细小纹理成分。通过比较不同方法所得结果的峰值信噪比,验证了算法的有效性。
文摘提出一种基于TV模型和深度学习Goog Le Net模型的甲状腺结节图像分类方法,采用基于TV模型的自适应图像修复方法对甲状腺超声图像进行预处理,消除边框标记。为提升网络的结节分类性能,采用深度学习的方法,构建GoogLeNetIncepetion V1模型对甲状腺超声波图像数据集进行实验。在各类病变和正常的甲状腺医疗图像数据集上的实验结果显示,该方法的分类诊断准确率为96.04%,具有非常可观的临床应用价值。