A mathematical morphological approach for region of interest coding of microscopy image compression

A novel mathematical morphological approach for region of interest(ROI) automatic determination and JPEG2000-based coding of microscopy image compression is presented.The algorithm is very fast and requires lower computing power,which is particularly suitable for some irregular region-based cell microscopy images with poor qualities.Firstly,an active threshold-based method is discussed to create a rough mask of regions of interest(cells).And then some morphological operations are designed and applied to achieve the segmentation of cells.In addition,an extra morphological operation,dilation,is applied to create the final mask with some redundancies to avoid the"edge effect"after removing false cells.Finally,ROI and region of background(ROB) are obtained and encoded individually in different compression ratio flexibly based on the JPEG2000,which can adjust the quality between ROI and ROB without coding for ROI shape.The experimental results certify the effectiveness of the proposed algorithm,and compared with JPEG2000,the proposed algorithm has better performance in both subjective quality and objective quality at the same compression ratios.

医学图像感兴趣区域的自动提取

针对医学图像归档与通信系统通过视频采集和胶片扫描产生的海量图像数据,提出了一种感兴趣区域自动提取和归一化的预处理算法。该算法具有时间复杂度低,无须人工干预,不会对提取的感兴趣区域图像数据造成任何损耗等特点,适合海量医学图像数据库的批量处理。将其应用于基于图像内容的归档与查询算法中,作为图像提取特征前的预处理算法,实验数据证明较传统直接针对原始采集图像,可有效改善特征提取准确度,提高查询精度。

数字图像一阶矩的自动聚焦区域选择算法

聚焦区域选择是自动聚焦算法中的重要模块,直接影响评价函数曲线的尖锐性、准确性和稳定性。针对中心取窗和多点取窗等传统聚焦区域选择算法的局限性,提出了一种基于数字图像一阶矩的自动聚焦区域选择算法,它是通过图像灰度或边缘一阶矩定位聚焦区域的。传统聚焦区域选择是一种定点估计,实验证明一阶矩方式选择可以跟踪偏离中心的主体景物,是一种具有自适应性的前景位置估计算法,提高了聚焦精确度和速度。

乳腺肿瘤超声图像中感兴趣区域的自动检测

由于斑点噪声、伪影以及病灶形状多变的影响,乳腺肿瘤超声图像中肿瘤区域的自动检测以及病灶的边缘提取比较困难,已有的方法主要是由医生先手工提取感兴趣区域(ROI)。本研究提出一种乳腺肿瘤超声图像中感兴趣区域自动检测的方法,选用超声图像的局部纹理、局部灰度共生矩阵以及位置信息作为特征,采用自组织映射神经网络进行分类,自动识别乳腺肿瘤区域。对包含168幅乳腺肿瘤超声图像的数据库进行识别的结果表明:该方法自动识别ROI的准确率达到86.9%,可辅助医生提取肿瘤的实际边缘以及进一步诊断。

准线性区光盘聚焦自动预搜索机制的研究

线性区自动预搜索是各类光盘系统中聚焦伺服系统需要完成的重要功能。在分析了现有的线性区自动预搜索方法的基础上 ,提出并具体阐述了准线性区光盘聚焦自动预搜索机制 ,充分利用了光盘聚焦误差信号曲线的正负反馈特性 ,得到一种简单实用而又稳定可靠的自动预搜索方法。

图像灰度投影的聚焦窗口选择方法

近年来,显微镜自动成像技术被广泛运用到自动阅片领域。聚焦窗口选择方法是显微镜自动聚焦算法中的关键技术,直接影响自动聚焦算法的性能。传统聚焦窗口选择方法选择固定位置和固定大小区域计算清晰度评价函数,聚焦效率低且容易造成聚焦失败。针对这一问题,提出了一种基于图像灰度投影的聚焦窗口选择方法。该方法采用灰度投影法和自适应均值区间查找算法确定聚焦窗口。首先沿坐标轴方向计算图像的灰度投影,然后依据自适应均值区间查找算法在灰度投影序列中合适的子区间,根据子区间在坐标轴的位置构建出位置和尺寸准确聚焦窗口。实验表明灰度投影取窗法可以跟踪偏离中心的主体区域,是一种具有自适应性的聚焦窗口选择方法,能显著提高自动聚焦精确率和速度。

显微操作场景下的毛细针尖三维定位算法

显微操作在生物医学领域具有重要的应用价值。其中,三维空间中微米尺度的毛细针精密定位是显微操作的重点与难点。传统算法对于平面内毛细针定位性能良好,但面向空间中呈倾斜放置的毛细针时,通常表现出精度低、普适性差、易受光源条件影响等缺点。为提升毛细针空间定位精度,本文提出了点扫描与自动感兴趣区域(ROI)联用算法。基于针尖双端点扫描提升平面定位精度;基于自动ROI算法并结合拉普拉斯方差聚焦评价函数提升景深方向定位精度。实验结果表明:本文方法应用于空间中呈倾斜放置的毛细针时,三维定位误差小于1μm,克服了传统算法精度低、普适性差、易受光源条件影响等问题,为精密显微操作奠定了良好的算法基础。

聚合细粒度特征的深度注意力自动裁图

目的从图像中裁剪出构图更佳的区域是提升图像美感的有效手段之一,也是计算机视觉领域极具挑战性的问题。为提升自动裁图的视觉效果,本文提出了聚合细粒度特征的深度注意力自动裁图方法(deep attention guided image cropping network with fine-grained feature aggregation,DAIC-Net)。方法整体模型结构由通道校准的语义特征提取(semantic feature extraction with channel calibration,ECC)、细粒度特征聚合(fine-grained feature aggregation,FFA)和上下文注意力融合(contextual attention fusion,CAF)3个模块构成,采用端到端的训练方式,核心思想是多尺度逐级增强不同细粒度区域特征,融合全局和局部注意力特征,强化上下文语义信息表征。ECC模块在通用语义特征的通道维度上进行自适应校准,融合了通道注意力;FFA模块将多尺度区域特征级联互补,产生富含图像构成和空间位置信息的特征表示;CAF模块模拟人眼观看图像的规律,从不同方向、不同尺度显式编码图像空间不同像素块之间的记忆上下文关系;此外,定义了多项损失函数以指导模型训练,进行多任务监督学习。结果在3个数据集上与最新的6种方法进行对比实验,本文方法优于现有的自动裁图方法,在最新裁图数据集GAICD(grid anchor based image cropping database)上,斯皮尔曼相关性和皮尔森相关性指标分别提升了2.0%和1.9%,其他最佳回报率指标最高提升了4.1%。在ICDB(image cropping database)和FCDB(flickr cropping database)上的跨数据集测试结果进一步表明了本文提出的DAIC-Net的泛化性能。此外,消融实验验证了各模块的有效性,用户主观实验及定性分析也表明DAIC-Net能裁剪出视觉效果更佳的裁图结果。结论本文提出的DAIC-Net在GAICD数据集上多种评价指标均取得最优的预测结果,在ICDB和FCDB测试集上展现出较强的泛化能力,能有效提升裁图效果。