基于并查集和边缘检测模板的非理想虹膜定位

非理想虹膜图像往往存在虹膜边缘模糊、灰度变化不均匀、位置偏移及光斑干扰等问题,这些问题的存在会在一定程度上影响虹膜内外边界定位的准确率。针对这个问题,提出采用并查集和边缘检测模板的方法来对非理想虹膜进行内外边界定位。内边界定位首先采用并查集方法完成瞳孔区域粗定位,然后采用Hough变换对瞳孔进行精确定位;外边界定位先利用一系列边缘检测模板大致确定外圆的位置,再依据外边界附近圆环内边缘点的密度来最终完成外边界的精确定位。实验结果表明,对于非理想虹膜图像,该方法的定位正确率和定位速度均高于其他同类方法。

基于虹膜角点密度和瞳孔大小的健康检测系统设计与分析

虹膜诊断是人类健康检测的一个重要技术。文章提出根据图像中任意小区域的角点个数粗定位瞳孔,使用Hough变换确定内外轮廓,再根据虹膜角点密度和瞳孔的大小确定健康情况。实验结果表明,该系统具有很好的性能。

结合极值区域检测的血管内超声图像并行分割

目的血管内超声(IVUS)图像动脉壁边界分割不仅对血管壁和斑块特征的定量分析至关重要,而且对血管弹性定性分析和重建动脉3维模型也是必需的。针对IVUS图像传统分割方法建模复杂、运算量大且需分别设计算法串行提取内膜和外膜的缺点,本文提出基于极值区域检测的IVUS图像并行分割方法。方法本文方法包含极值区域检测、极值区域筛选以及轮廓拟合3部分。对单帧IVUS图像提取极值区域,经面积筛选后得到候选区域,并将区域的局部二值模式(LBP)特征、灰度差异和边缘周长的乘积作为筛选矢量在候选区域中提取代表管腔和介质的两个极值区域,并进行轮廓的椭圆拟合化,完成分割。结果在包含326幅20 MHz的IVUS(intravascular ultrasound)B模式图像的标准公开数据集上,定性展示极值区域轮廓和椭圆拟合轮廓,并与专家手动绘制的结果进行对比;然后使用DC(dice coefficient)、JI(jaccard index)、PAD(percentage of area difference)指标以及HD(hausdorff distance)对本文算法做鲁棒性测试和泛化测试,实验中内膜各指标值分别为0.94±0.02,0.90±0.04,0.05±0.05,0.28±0.14 mm,外膜各指标值分别为0.91±0.07,0.87±0.11,0.11±0.11,0.41±0.31 mm,与相关文献的定量对比实验结果表明本文算法提取的内外膜性能均有所提高。此外,本文方法在临床数据集上的测试效果也很好,与专家手动描绘十分接近。结论结合极值区域检测的IVUS图像并行分割,算法在精度和鲁棒性方面均得到了改善。