基于空间信息及灰度信息的塔型模糊聚类图像分割

对于二维灰度图像,基于灰度信息的图像信息熵分析法,由于没有考虑到图像的空间信息,存在着对图像信息描述不准确的问题。在进行图像分割时,若图像复杂到一定程度时,无法得到满意的效果。本文从空间信息和灰度信息出发,将图像的空间信息和灰度信息作为特征向量,对比较复杂的图像进行聚类分割,取得了满意的效果。经分析和实验验证,本文提出的基于空间信息和灰度信息的塔型模糊C-均值聚类（PFCM）图像分割方法与传统的非塔型聚类算法相比,具有收敛速度快、稳定性好等优点。同时,由于对初始聚类中心的合理初始化,消除了聚类分析中常见的死点问题。     

基于色度学准则分析的免疫组化彩色图像C-均值聚类分割技术研究

免疫组化彩色图像分割在免疫组化染色定量分析中有重要的应用价值。C-均值聚类算法(CMA)是根据一定的相似性准则将图像分成C类。由于运算十分耗时,直接限制了C-均值聚类算法在彩色图像分割领域的应用。本文针对免疫组化彩色图像特点,提出了分割免疫组化彩色图像的色度学准则,即:用每个像素的R分量减去B分量,根据其差值是否大于0将相应的像素分为两大类:(R-B)≥0类和(R-B)<0类,自动分离出图像的阳性细胞区域和阴性细胞区域。在此基础上我们改进了C-均值聚类分割的方法:①针对上述两大类图像的色彩分布的特点确定初始聚类中心;②分别对上述两大类像素在一个色度学空间聚类;③根据每次迭代过程中聚类中心的变化趋势来预测下一次迭代后可能的聚类中心,从而减少迭代的次数。改进之后的C-均值聚类分割方法减少了聚类的样本数量,降低了算法的复杂度,且由于迭代次数的减少,运行速度得到了提高。实验结果表明,本文建立的技术方法能有效地分割免疫组化彩色图像。     

基于改进自生成神经网络的皮肤镜黑色素细胞瘤图像分割

针对皮肤镜黑色素细胞瘤图像,提出一种基于自生成神经网络(self-generating neural net-work,SGNN)的自动分割算法。算法首先采用区域生长的方法将图像进行粗分割;然后将每一个子区域看作一个叶节点,根据节点之间的相邻关系定义连接规则;最后采用SGNN对这些节点进行聚类,完成黑色素细胞瘤图像的分割。本文方法克服了传统SGNN算法对样本训练顺序敏感的缺陷,提高了效率,实验结果表明,该方法能够自适应确定聚类数目并准确分割黑色素细胞瘤图像。     

皮肤黑素细胞肿瘤图像综合分割方法研究

目的 本文针对黑素细胞肿瘤（Melanocytic Tumor MT）图像情况复杂，较难分割的问题，提出了一种综合数字图像分割算法，探讨MT的早期诊断。方法 首先应用统计区域融合方法（SRM）实现图像分割成多块纹理一致的区域。然后对图像以HSV彩色空间的H和S分量为特征，使用K均值聚类算法将图像聚为9类。最后，将聚类结果在HSV彩色空间的H和S分量值分别映射到[0，1]区间，再分别对H分量和S分量取阈值，得到最终的边界分割结果。结果 对MT图像能够按照其纹理差异将其有效划分为多个区域，较为准确标识出皮损区域。结论 综合对多种方法结果的对比，本方法优于传统的大津阈值法、K均值法和活动轮廓法。同时对过去基于SRM的MT图像分割方法进行了改进，在处理复杂MT图像时效果明显好于传统方法。     

基于模糊连接度的FCM分割方法在医学图像分析中的应用

图像分割的一个重要应用领域是医学图像的分割.我们针对医学图像的模糊特点和实际应用的要求,结合模糊连接度阈值分割和模糊C均值聚类两种分割方法的优点,提出一种新的交互式医学图像分割方法.首先计算整幅图像的模糊连接度,通过闽值分割提取出感兴趣的对象,并将模糊连接度作为图像的冗余特征;然后在由冗余特征和原图像特征构成的二维聚类空间中,利用模糊C-均值聚类方法优化上一步骤的分割结果,提高分割准确度.我们以CT和MR图像为实验对象进行了验证,实验结果表明这是一个有效的方法.     

基于特征聚类的多Atlas分割研究

目的研究基于聚类的多Atlas分割方法对正常组织感兴趣区分割的改善, 以达到更好的危及器官的勾画效果。方法选取2019—2020年浙江省肿瘤医院已完成治疗的100例宫颈癌患者的CT图像作为Atlas图谱库。按照危及器官(膀胱、直肠和外轮廓)的体积特征参数作为测度, 利用k均值聚类(k-means)算法将Atlas图谱库划分成若干子集。将待分割图像匹配到相对应的图谱库中进行多Atlas分割。使用相似性系数(DSC)对分割结果进行评价分析。结果以30例患者作为测试组, 比较了不同聚类方法所生成的子图谱库对图像分割结果的改进。相较于一般多Atlas分割, 聚类多Atlas分割方法能显著提高膀胱(DSC为0.83±0.09∶0.69±0.15, P<0.001和直肠(DSC为0.7±0.07∶0.56±0.16, P<0.001)的分割准确性, 但左、右双侧股骨头(0.92±0.04、0.91±0.02)和骨髓(0.91±0.06)的差异无统计学意义。并且聚类多Atlas分割方法平均分割时间短于一般多Atlas分割方法(2.7∶6.3 min)。结论聚类多Atlas分割方法不但会减...     

模糊集理论在图像分割中的应用综述

图像分割是许多图像分析和图像处理过程中的重要步骤。由于人的视觉特性和数字图像本身所具有的模糊性,使得图像分割问题是典型的结构不良问题,由Zadeh提出的模糊集合论具有描述不良问题的能力,模糊集合论应用于图像分割是针对图像模糊性非常有效的方法。目前模糊集理论在图像分割中的应用有许多成功的方法。本文就基于模糊理论的图像分割方法进行了综述,主要归纳了模糊阈值分割、模糊聚类分割以及模糊神经网络分割等方法并简要讨论了各种方法的特点。     

融合特征的自适应超像素图割算法

目的针对图割（GrabCut）算法对于前景与背景颜色特征相差不大容易发生分割错误,SLIC（simple linear iterative clustering）预分割在对应情况下边缘不够准确以及时间复杂度较高等问题,提出一种融合特征的自适应超像素GrabCut算法。方法该算法首先将图像转化到Lab色彩空间,并对原图像提取Gabor纹理特征,综合得到融合特征;再利用融合特征改进SuC方法,使用改进方法对图像进行预分割,提取超像素区域,构建区域邻接图;然后保存每个超像素区域的融合特征,对两种特征分别进行高斯混合模型（Gaussian mixture model,简称GMM）建模,并利用相对熵自适应调整分割过程中混合特征的权重,优化Gibbs能量函数;最后执行迭代图割算法,得出分割结果。结论实验结果表明,本算法对颜色特征不佳的情况下有较好的分割效果,并通过改进的SLIC预分割提高了算法的执行效率,降低了迭代次数,前景物体边缘也得到较好的保护。     

基于Mean Shift和遗传算法的皮肤镜图像分割(英文)

皮损目标的精确分割是实现皮肤镜肿瘤图像自动分析的关键。提出了一种皮肤镜图像分割方法。首先采用一种优化的对比度增强方法进行预处理; 然后采用具有较好边界结构保持性的Mean Shift 算法对图像进行粗分割; 根据皮损区域和背景皮肤区域的信息,提出一种子区域合并的目标函数,并采用遗传算法对合并结果进行优化,获得满意的分割结果。实验结果表明,本文方法实现了皮肤肿瘤图像的有效分割,并在准确性上具有更优良的性能。     

一种免疫细胞图像非监督分割方法

对免疫细胞图像进行全自动分析在医学疾病诊断上有很高的应用价值。要完成自动图像分析,关键是要实现图像的非监督分割。根据免疫细胞图像中细胞核是一种椭圆状目标的特点,提出了一种椭圆形目标定位方法。在文献中,首先用这种目标定位方法将待分割图像中的细胞核位置找到,然后在细胞核所在的区域内运行水域分割算法(watershed变换)就可实现图像的非监督分割。这种非监督分割策略解决了在大范围内运行中算法一次分割目标时存在的容易错分割的缺点,实现了对特定细胞图像的非监督分割。实验结果表明该方法具有目标定位准确率较高、分割的准确精度和可重复性好等特点。     

Otsu法的多阈值推广及其快速实现

对传统的Otsu法进行了推广 ,使其可以应用于图像的多阈值分割 ;提出以双峰法引导来提高Otsu法多阈值分割图像的实时性和稳定性。对于直方图具有明显多峰谷特性的灰度图像 ,利用本文算法进行了实验验证。     

二维最大类间方差阈值分割的快速迭代算法

传统的二维Otsu阈值分割算法采用穷举搜索法搜寻最佳阈值向量。与此不同,本文提出了一种二维最大类间方差阈值分割的快速迭代算法,用迭代的思想解决原始二维Otsu方法计算复杂、实时性差的问题。文中导出了迭代算法的公式,给出了算法流程。实验结果表明,与二维Otsu原始算法及其他两种快速算法相比较,本文提出的二维Otsu快速迭代算法分割结果准确,实现简单,其运行时间仅为原始算法的0.4%左右,大大减少了计算量和存储空间,是一种快速有效且实时性好的图像阈值分割算法。     

MRI Brain Tumour Segmentation Using Hybrid Clustering and Classification by Back Propagation Algorithm

Generally the segmentation refers, the partitioning of an image into smaller regions to identify or locate the region ofabnormality. Even though image segmentation is the challenging task in medical applications, due to contrary image,local observations of an image, noise image, non uniform texture of the images and so on. Many techniques are availablefor image segmentation, but still it requires to introduce an efficient, fast medical image segmentation methods. Thisresearch article introduces an efficient image segmentation method based on K means clustering integrated witha spatial Fuzzy C means clustering algorithms. The suggested technique combines the advantages of the two methods.K means segmentation requires minimum computation time, but spatial Fuzzy C means provides high accuracy forimage segmentation. The performance of the proposed method is evaluated in terms of accuracy, PSNR and processingtime. It also provides good implementation results for MRI brain image segmentation with high accuracy and minimalexecution time. After completing the segmentation the of abnormal part of the input MRI brain image, it is compulsoryto classify the image is normal or abnormal. There are many classifiers like a self organizing map, Back propagationalgorithm, support vector machine etc., The algorithm helps to classify the abnormalities like benign or malignant braintumour in case of MRI brain image. The abnormality is detected based on the extracted features from an input image.Discrete wavelet transform helps to find the hidden information from the MRI brain image. The extracted features aretrained by Back Propagation Algorithm to classify the abnormalities of MRI brain image.     

基于GVF-Snake模型改进的X线图像分割

参数活动轮廓模型目前越来越被广泛应用于医学图像分割中,而GVF-Snake模型更是其中研究较为广泛的一种.在人体手部指骨的X线图像分割中,对指节间隙的分割要求较高,传统的GVF-Snake模型方法需要较多的控制点选取,且分割结果并不稳定.因此,本文提出了一种基于改进的GVF-Snake模型分割方法,对图像灰度先进行线性...     

Deep Learning Based Skin Lesion Segmentation and Classification of Melanoma Using Support Vector Machine (SVM)

Objective: The main objective of this study is to improve the classification performance of melanoma using deeplearning based automatic skin lesion segmentation. It can be assist medical experts on early diagnosis of melanomaon dermoscopy images. Methods: First A Convolutional Neural Network (CNN) based U-net algorithm is used forsegmentation process. Then extract color, texture and shape features from the segmented image using Local BinaryPattern ( LBP), Edge Histogram (EH), Histogram of Oriented Gradients (HOG) and Gabor method. Finally all thefeatures extracted from these methods were fed into the Support Vector Machine (SVM), Random Forest (RF), K-NearestNeighbor (KNN) and Naïve Bayes (NB) classifiers to diagnose the skin image which is either melanoma or benignlesions. Results: Experimental results show the effectiveness of the proposed method. The Dice co-efficiency valueof 77.5% is achieved for image segmentation and SVM classifier produced 85.19% of accuracy. Conclusion: In deeplearning environment, U-Net segmentation algorithm is found to be the best method for segmentation and it helps toimprove the classification performance.     

基于线性滤波的脑CT图像颅内结构的提取

针对现有的提取颅脑CT图像颅腔内结构算法自动性较差的问题,提出了一种新算法。该算法首先根据颅脑颅骨组织宽度大、灰度值高的特点,利用线性空间滤波方法提取颅脑颅骨的粗略轮廓;然后利用图像数学形态学方法和基于阅值的水平左右扫描算法,实现颅内组织的自动化分割;最后,通过对100例颅脑CT检查病例的图像进行实验,来验证算法的可行性。实验结果表明,该算法使99％具有完整颅骨环的颅腔内结构实现计算机自动化分割,分割结果准确。     

基于MeanShift和Harris算子圆网印花机对花检测的研究与设计

为了实现基于智能相机的圆网印花自动对花系统,本文提出了基于均值漂移(MeanShift)算法的彩色印花图案分割技术和基于Harris角点检测的块匹配算法。将扩展形式的均值漂移算法用于印花图案的分割,实验证明该算法能对印花图像进行良好的分割。把已分割标准图像的各套色区域提取出来,采用Harris算子进行特征点检测,并以这些特征点为中心,选定标准匹配块,在处理好的实时采集的图像中找到最佳匹配块,计算对花误差。通过仿真和实验验证算法是可行性的,为实现在线对花检测闭环控制打下基础。     

基于模糊推理的自动多级图像分割

提出了一种基于sup-star模糊推理的自动多级图像分割方法。该方法依据直方图(一维或二维)中蕴含的全局统计信息,通过sup-star模糊推理将所有灰度级聚拢归属在直方图局部极大值所代表的类别中,该方法不必已知分割类数,不需设置分割阈值为其优点。仿真和实际图像的实验结果证明了该方法是行之有效的。