基于个性化联邦学习的肾脏肿瘤分割方法

为保护多方医院数据隐私以及数据不平衡等问题,以肾脏肿瘤CT影像为研究对象,提出一种基于个性化联邦学习的肾脏肿瘤分割方法。首先,以经典的深度残差网络SEResNet为基础,结合深监督模块来提高目标分割的精度;其次,在联邦平均算法框架下,引入基础层与个性化层联合学习策略,克服多方数据不平衡带来模型精度下降问题。经KiTS21挑战赛数据集实验验证,文章方法获得的肾脏+肿瘤+囊肿、肿瘤+囊肿和肿瘤分割Dice分别为93.61%、67.18%、61.01%,与集中式学习相比,仅分别低0.56%、7.18%和9.34%,表明本文方法以可接受的精度损失换取了数据的隐私安全。

基于面向对象分类技术的景观信息提取研究

依据高分辨率遥感影像的特点,如何充分地利用影像的光谱信息和空间信息以及地学特征进行更为微观的遥感监测或大比例尺制图是高分辨率遥感研究的重要内容之一。本文以地形复杂的武夷山自然保护区为研究区域,以SPOT5原始影像为数据源,采用面向对象的多尺度分割方法,实现了不同尺度地物信息的分层提取。基于上层的分类结果对特定地物进行影像分割,选择合适的特征参数,并通过多次试验建立影像对象的隶属度函数,或利用最邻近分类法,逐级分层地提取了研究区的景观信息。研究结果显示:利用面向对象分类方法可以快速方便地对地形复杂条件下研究区的SPOT5遥感影像的景观信息提取,精度为76%,为高分辨率遥感影像的信息提取提供了更为快速、有效的技术途径。

一种改进的K-means聚类彩色图像分割方法

图像分割是从图像处理到图像分析的关键步骤.图像分割的目的是将图像分割为多个互不重叠且又各具特性的区域,主要应用于图像压缩、目标提取、模式识别等.以往的图像分割技术主要应用于灰度图像,随着计算机技术的进步,彩色图像分割逐渐受到关注.该文在前人对彩色图像分割问题的大量研究成果基础上,提出了一种将K-means聚类、蚁群算法以及分水岭算法相结合的分割方法.本方法有效的克服了聚类数目必须依据先验知识提前设定、最初的聚类中心是随机选取的、聚类的效果好坏依赖于距离判定公式的缺陷.

抗纹理噪声干扰的纺织印染图像分割技术

针对纺织印染图像存在主要套色数少,且受纺织"纹理噪声"干扰这两个特点,提出了一种基于上下文模型的多尺度最大后验概率分割方法.在提取印染图像的基本套色以及能代表纺织纹理特征样本图像的条件下,从底层进行粗粒度分割,随着尺度的增加,应用上下文模型对上一尺度下的分割结果进行修正,直至最精细尺度.在计算机模拟实验中,用基于上下文模型的多尺度方法对一些彩色纺织印染图像进行分割,并与mean-shift算法、基于四叉树结构的多尺度块分割算法进行比较,实验结果表明,该算法针对彩色纺织印染图像能达到较好的分割效果,并且分割后图像具有光滑边缘.

SOFT IMAGE SEGMENTATION BASED ON CENTER-FREE FUZZY CLUSTERING

Image segmentation remains one of the major challenges in image analysis.And soft image segmentation has been widely used due to its good effect.Fuzzy clustering algorithms are very popular in soft segmentation.A new soft image segmentation method based on center-free fuzzy clustering is proposed.The center-free fuzzy clustering is the modified version of the classical fuzzy C-means ( FCM ) clustering.Different from traditional fuzzy clustering , the center-free fuzzy clustering does not need to calculate the cluster center , so it can be applied to pairwise relational data.In the proposed method , the mean-shift method is chosen for initial segmentation firstly , then the center-free clustering is used to merge regions and the final segmented images are obtained at last.Experimental results show that the proposed method is better than other image segmentation methods based on traditional clustering.

结合梯度和区域信息的多尺度水平集图像分割

提出了一种结合梯度和区域信息的多尺度水平集图像分割算法。该算法结合梯度和区域信息构造能量函数,在梯度约束项中,构建了一个基于小波高频分量的边缘检测函数,在区域约束项中,运用经典C-V模型的区域项,得到混合C-V模型,采用变分法求解,并消除了水平集的重初始化。利用小波变换首先在逼近图像中运用混合C-V模型得到粗分辨图像的一个粗尺度分割,再对当前粗尺度下的最终轮廓线作内插操作,将得到的近似轮廓曲线作为初始水平集函数在原图像中运用消除重初始化的C-V模型演化得到最终的分割。实验结果表明,在同样的模型参数条件下,该方法具有比传统方法更高的演化效率和分割质量。

基于小波变换和贝叶斯理论的图像分割算法

基于非下采样小波变换和贝叶斯分类理论的图像分割算法,在处理可见光图像时,容易受到噪声的干扰,而且,原算法在计算最大局部最小点时易产生偏差,从而影响分割效果。因此,本文首先使用滤波器滤除噪声,然后对原来的最大局部最小点的计算方法进行了等价变换,并调整了分割阈值以纠正由于对图像进行小波变换造成的灰度偏移,最后利用数学形态学运算对分割后的图像进行处理以消除孤立点,仿真结果表明改进算法分割效果较好。