王军舟[1]（2021）在《基于图像处理的雾天车牌识别技术研究》文中提出近年来,我国频繁发生雾霾等恶劣天气。在雾霾天气中,由于大气光散射效应的作用,图像采集设备获取到的车牌图像产生了严重退化,即车牌图像的表面覆盖一层雾气,并且模糊不清和颜色信息大量缺失,这些因素严重影响了智能交通系统的有效性和可靠性。因此,课题对雾霾天气下的车牌识别技术展开研究,解决雾天条件下车牌识别率低等问题,从而提高智能交通系统的功能完整性和可靠性。雾霾天气下,影响车牌识别效率和正确率的因素较多,这些因素主要为图像中雾气的存留程度以及车牌图像的分辨率。因此,本文从如下几个方面进行深入研究:（1）雾天车牌图像的去雾算法利用非局部TGV正则化的方法对图像初始透射率进行修正,并将二阶的非局部正则器作为正则项,以确保对由图像颜色和深度之间的噪声和歧义引起的异常值具有鲁棒性,随后将修正细化后的图像初始透射率带入到边窗盒子滤波器中得到准确的传输图,解决中间处理步骤所产生的扰动。最后利用大气散射模型和约束条件复原出无雾的车牌图像。通过两方面评价实验,说明所提算法的去雾效果。（2）车牌图像的超分辨率重建算法对雾天图像分辨率以及颜色等信息进行分析。在车牌的Cr、Cb通道图上,利用基于高斯核函数的插值方法对上采样的通道图像进行插值处理,补全其空缺的高分辨率像素。在车牌的Y通道图上,利用图像的低秩属性对车牌进行复原,并与各算法进行重建效果对比。（3）车牌定位算法通过对边缘检测和数学形态学进行分析,将改进的边缘检测算法与数学形态学运算相结合,实现雾天车牌的定位。针对车牌出现倾斜和边框多余的问题,采用Hough变换算法对倾斜的车牌进行校正。通过计算跳变次数和区域扫描像素值累加和去除车牌的上下和左右边框。（4）车牌分割与字符识别通过设计车牌对应的模板,实现对多种类型车牌字符的分割。利用改进Le Net-5的车牌字符识别网络模型,通过修改卷积的层数、激活函数和输出类型等措施,设置Le Net-5网络模型中的参数,从识别正确率及耗时等两个方面与SVM算法和经典Le Net-5网络模型算法进行对比试验。（5）雾天车牌识别系统软件开发根据本文提出的图像处理算法,设计雾天车牌识别系统软件。其主要包括单一识别操作和快速识别操作两部分,可以实现对雾天车牌的快速识别,以及获取中间步骤的算法处理效果。最后,利用设计的雾天车牌识别系统软件对户外拍摄的雾天车牌图像进行功能测试,测试其识别效果和正确率。
许研[2]（2020）在《基于全卷积神经网络的道路场景分割研究》文中研究指明最近几年来,自动驾驶技术成为各国竞相发展的重要领域。自动驾驶技术主要分为三个部分,一个是感知,一个是决策,另一个是控制,其中最基础的就是汽车的环境感知模块。但是,道路场景的复杂性给汽车环境感知和理解带来了巨大的挑战和困难。现有的道路场景感知系统成本极高,如果使用以计算机视觉为解决方案的道路场景感知技术,会大大降低感知成本。语义分割（Semantic Segmentation）是一种很好的道路场景理解技术,能对图像进行像素级的分类识别,可以很好地感知道路场景,具有很广泛的应用价值。目前基于深度学习的道路场景语义分割技术在分割精度和分割速度上都达到了全面超越传统的语义分割技术的水平,但是仍存在不少问题,比如:（1）分割的物体过于庞大导致分割物体不完整;（2）分割物体太小导致无法识别到;（3）分割目标受光照等因素影响过大导致目标不明显。针对以上的问题,本文在现有模型的基础上,提出了一种基于全卷积神经网络的语义分割模型,主要创新点如下:（1）设计了一种编码器-解码器语义分割模型,编码器部分采用带有膨胀卷积的Resnet18Dilated结构,使用膨胀卷积在不减少图片分辨率的情况下增加感受野。（2）使用不同的池化获得不同感受野的特征图,解决分割物体超过感受野则不能被完整分割和分割物体小于感受野则不能被识别的情况;（3）使用双重注意力机制,建立局部对整体特征的依赖,解决光照等因素遮挡导致分割目标不明显以及尺度不同的问题;通过在本领域权威的数据集ADE20K和Cityscapes上的实验,本文提出的模型与几种主流语义分割模型进行了详细对比,最终实验结果表明,本文的模型在分类精度上有明显的提高,能一定程度上解决目前模型的缺陷。因此,本文的方法为语义分割技术提供了一定的参考价值。
张航[3]（2019）在《基于协同显着性的目标检测方法研究》文中进行了进一步梳理随着互联网技术和数字多媒体技术的快速发展,每天都会产生海量的图像数据,由于人类的视觉系统具有快速定位图像中显着性目标的能力,进而对图像中的感兴趣区域进行快速处理。显着性目标检测就是模仿人类视觉系统的工作机制,对图像中的显着区域进行迅速定位,并作为后续高级任务的预处理步骤。因此,研究显着性目标检测受到越来越多研究学者的关注。针对于目前显着性目标检测方法存在的局限和不足,本文通过融合不同检测原理的弱显着性检测方法,得到对图像显着性目标的强估计,检测结果更准确而且适用性更好。本文的主要内容及贡献如下:1、提出了一种基于协同显着性的单图像显着性目标检测算法。首先对待检测图像进行超像素分割,并用多种弱显着性检测算法对待检测图像进行显着性检测,获得多幅显着性检测图;然后根据多幅弱显着性图和超像素分割结果获取超像素块的特征矩阵,进而通过能量函数得到每个超像素块的显着性值;最后通过超像素块显着性值和阈值比较选取种子点,根据待检测图像像素点之间的关系建立权重矩阵,并构建游走方程,在种子点游走后得到其它非种子点的显着性值,获得最终的显着性结果图。实验表明,该方法能够更准确地检测出图像中的显着性目标,而且在不同数据集上均表现出良好性能。2、提出了一种基于协同显着性的多图像共显着性目标检测算法。充分利用多图像间的相互关联信息,依据多幅图像中像素点的特征进行聚类,根据聚类结果分别计算对比度线索、空间线索和一致性线索。在获得全部图像的初始显着性图后,通过三种线索的加权优化,进一步获得协同显着性检测后的共显着性目标检测结果图。实验表明,该方法可以更准确地检测出多幅图像间的共显着性目标。
管淼[4]（2019）在《基于智能学习算法的布匹瑕疵检测方法研究》文中指出长期以来,布匹疵点的检测识别与分类由人工完成,但由于工作环境差、劳动强度大、评判标准依赖于经验、错检及漏检率较高等原因,导致布匹疵点检测识别与分类效率低下,已无法满足现代纺织工业的发展需求。近年来,随着计算机技术、数字图像处理技术和机器视觉技术的进步,用机器视觉的检测方法代替传统的人工检测方式是目前的发展趋势。基于机器视觉的布匹疵点检测识别与分类主要分为图像采集、预处理、分割与特征提取、分类器设计及识别与分类等几个环节。本文通过对其中关键环节的研究,取得了阶段性成果。在理论研究和实验分析的基础上,设计构建了基于智能学习算法的机织布疵点检测识别与分类方法。本文主要研究内容如下:（1）图像预处理。将采集到的原始彩色图像转换为灰度图像。针对机织布灰度图像疵点部分与机织布环境对比度不强的问题,采用灰度调整的方法对机织布图像进行增强。为了进一步突显疵点区域,研究了一种基于频率域的理想低通滤波方法,对疵点图像进行滤波处理。结果显示,该方法抗干扰能力强、滤波效果好,能有效去除机织布背景纹理信息,突出疵点区域,降低处理难度。（2）基于BP（Back Propagation）神经网络的机织布疵点识别设计。对灰度增强和频域滤波后的图像,根据机织布疵点图像的特点,采用Roberts算子检测边缘并进行有效分割。设计了基于多特征值的BP神经网络分类器,实验证明该分类器能够对多数疵点进行有效分类。（3）基于深度学习的机织布疵点识别设计。为进一步提高识别准确率,对深度学习开展研究。为能够获得不同尺寸、不同位置的机织布图像信息,在VGG（Visual Geometry Group）卷积网络模型结构的基础上,通过采用多尺寸过滤器和多处池化技术,设计了一种适用于机织布疵点检测识别与分类的多尺寸多位置MDML（Multi-Dimensional And Multi-Location Network Model）深度学习网络模型。经实验比对,MDML网络模型识别准确率高,提升了深度学习网络对机织布疵点的识别分类效率。（4）机织布疵点识别算法的自适应增强设计。基于BP神经网络和深度学习网络,构建了弱分类器的自适应增强算法,以获得强分类器。针对现有自适应增强算法存在样本不平衡和分类器退化的现象,提出了采用动态调整训练样本集、引入改进后的Sigmoid函数抑制样本权重的设计思路,设计并实现了一种新的权重抑制自适应增强算法 AdaBoost.WSA（Adaptive Boosting Weight Suppression Algorithm）。实验证明,AdaBoost.WSA算法能有效解决样本不平衡和分类器退化问题,具有更好的平衡性和分类准确率。（5）实验系统设计和分类器性能评价方法的构建。设计了基于智能学习算法的机织布疵点检测识别与分类实验系统,针对机织布常见疵点类型,进行实验研究。依据机织布检测评价的特点,构建了适用于机织布疵点检测识别与分类系统的分类器性能评价方法,并对数据分析、评价方法的指标和计算公式给出了详细说明。通过实验平台对机织布进行动态疵点检测,采集数据信息,并利用该评价方法对几种算法进行比对实验。结果证明,该评价方法适用于机织布疵点的检测评价,改进后的算法确实有效地提高了分类效率和准确率。
武鹏[5]（2018）在《视频显微镜微观场景3D重构技术研究》文中研究说明微观场景的三维重建需求大多存在于工业检测当中,该场景其需求物体重建具有实时性,能在较快得到物体表面信息。然而这一需求,对于微观场景,是较难获得的。其原因在于,显微镜景深较浅,极其容易因为物体表面不在聚焦平面,导致成像模糊,在视频显微镜下,逐帧拍摄的图像均为大部分区域散焦的图像。三维重建的过程,是通过单张或少数张二维图像进行几何光学计算,利用仿射变换得到物体的三维信息,完成三维重建。而散焦图像的特征在于其完整信息需要用整套单视角散焦图像序列来恢复,且散焦图像由于信息缺失无法完成仿射变换的任务。所以利用散焦图像序列进行三维信息恢复有着与普通场景相比较高的处理难度,且实时性更难以保障。因此,常见的重建方法,诸如单目多视角方法、多目视觉均无法用于本场景,而激光扫描法却价格昂贵。本文以视频显微镜微观3D重构技术研究为课题,研究在当前微观场景散焦图像的深度信息恢复方法,以及图像去模糊方法,探索性的利用两类方法设计三维重建算法模型,利用运算时间为代价去代替激光扫描法,并分别改善两类算法运算效率,使该重建算法模型能够更广泛的应用于工业检测等场景。本文的主要工作与成果如下:首先,对于视频显微镜成像散焦的原因进行分析,得知其显微镜景深浅为主要成因,选择相应的去模糊方法:多聚焦图像融合方法。研究了小波变换相关理论以及小波变换图像融合方法、基于稀疏表示的多聚焦图像融合方法,并通过多层小波变换将稀疏表示图像融合方法的编码、解码以及字典学习过程放在频域中进行,利用多个频段的分解减轻其运算负担,并通过GPU并行运算进行多通道运算进一步降低该算法运行时间。其次,对于视频显微镜散焦图像估计,利用对于传统散焦图像深度估算方法进行了研究,其中有基于几何约束的深度估计方法、基于马尔可夫随机场的深度估计、基于正则化方法的深度估计,本文对基于马尔可夫随机场的深度估计方法本文做了研究,介绍了马尔可夫随机场理论原理及其深度估计模型,对算法通过实验进行了仿真,也研究了基于几何约束的深度估计方法,并对其中的迭代方式做出了改进。实验结果表明,无论在深度估计运算效率上还是在估计效果上,基于几何约束的深度估计均具有优势。针对原散焦图像估计方法只针对两副图像完成相对视差估计的情形,本文对其优化算法进行改进使之能够充分利用连续帧散焦图像信息,进行精准的深度估计。最后,对于视频显微镜散焦图像估计结果进行处理,通过变换得到物体表面三维点云数据,使用一系列方法将三维点云数据进行下采样,并进行滤波去噪得到相对稀疏、平滑利于曲面拟合的点云数据。将预处理后的三维点云利用Delaunay三角剖分法进行曲面拟合,得到最终物体表面的三维曲面重建结果。仿真实验表明,重建样本表面基本符合所选被测对象的表面轮廓信息。
史勇红[6]（2007）在《基于患者动态信息的序列胸部X光片的自适应分割》文中进行了进一步梳理在当代医学中,三维成像技术（如CT、MRI）作为一种重要的早期诊断方法已经广泛应用于临床环境,并且以其快捷高效而逐渐取代了很多常规检查项目。然而,“尺有所短,寸有所长”,传统的二维X光片检查仍然是不可替代的最重要的检查项目之一。对二维X光片分割的研究是本文的主题。为了治疗肾衰竭,医院需要定期对患者进行肾透析治疗以便能够正确评估患者的干体重,而干体重的大小主要是依据肾透析期间定期（每月）拍摄的胸部X光片上的心脏大小来评估的,错误评估干体重常常导致致命的结果,如患者的死亡。如何通过分割胸部X光片上的肺部区域来计算心脏大小就显得非常重要。在分割胸部X光片的肺部区域的各类方法中,基于模型的分割方法是一种极具潜力的方法,因为它将关于肺部区域的先验信息结合到模型中,即先获取人类的解剖、组织表面和模态特征等等的先验知识,然后有效地利用这些先验知识从新的数据中推测功能或结构信息。主动形状模型（Active Shape Model, ASM）作为一种基于模型的方法,正是应用于分割胸部X光片的肺部区域的一类成功的方法。然而,传统的ASM在处理胸部X光片图像时存在有若干问题,如所使用的简单特征不能清楚地表示肺部区域边界上的每一点的特征,又如形状模型不能准确地自适应到每一患者的肺部区域边界。因此,本文提出一些改进方法以提高ASM在分割胸部X光片肺部区域时的精确性和鲁棒性,这些形成了本文的主要创新贡献:1.提出使用一种新的特征算子,即尺度不变特征变换（Scale Invariant Feature Transform, SIFT）算子表示肺部区域边界上每一点的丰富特征,然后在肺部区域分割过程中,使用这些特征促使对应性检测变得容易,从而改进ASM的性能。在现实中,对于来自于不同设备具有不同质量的胸部X光片,沿着其上肺部区域边界的简单图像特征并不总是一致的;同样地,在肺部区域上存在有重复的模式。所有的这些信息使得简单特征如边界、梯度并不足以充分清楚地定位肺部区域边界。理想情况下,一个清楚的局部算子应该为肺部区域边界上每一点建立,以便可靠地区分这一点和其它边界点,这有助于在可变形分割过程中检测对应点。为此,本文提出使用SIFT取代ASM中常用的简单特征（如梯度）,这种特征算子能够清楚地表示模型上每一点的特征,从而在分割过程中能够准确地定位肺部区域边界,提高了ASM的性能。2.提出一种基于群体和特定患者统计信息的自适应分割序列胸部X光片上的肺部区域的可变形模型算法。以往,人们在使用ASM分割肺部区域时,孤立地分割患者在某个时刻所获得的胸部图像,而没有考虑使用患者在整个治疗期间所有时刻的图像信息变化来预测和处理该患者在当前时刻的图像信息,因此,分割结果没有真正地反映患者的病情进展。而本文依据患者在整个治疗期间中的所有动态图像信息,提出了面向患者的序列胸部图像的分割算法。具体来说,本文提出一种新的使用基于群体和特定患者的统计信息的可变形模型,并将其成功地用于分割特定患者的序列胸部X光片的肺部区域。在这一方法中,可变形模型受到基于群体和特定患者的统计信息的约束,因而产生了更鲁棒更精确的肺部区域分割结果。尤其在分割患者初始时刻的图像时,基于群体的统计信息被用于约束可变形轮廓。随着同一患者越来越多的图像被获得,从以前分割结果在线地收集的特定患者的统计信息逐渐承担起越来越重要的作用。而且每当获得一个新的分割结果时,特定患者的统计信息就被更新,并且后者进一步被用于优化所有以前时刻的图像的分割结果。3.改进了二维诊断测度的计算,从而得到一种全自动的更鲁棒的诊断测度。由于现代分割技术的发展,使得自动测量传统的医学诊断测度成为可能。本文正是在此背景下,对传统的二维诊断测度进行改进,从而得到一种更鲁棒的、全自动的诊断测度——二维心胸系数,并通过医学统计方法分析,指出改进后的二维心胸系数是和传统的一维心胸系数有很强的一致性关系的,而且由于二维心胸系数在测量中具有更强的鲁棒性,因此,它在计算机辅助诊断中具有更强的实用价值。最后需要指出的是,本文所用的序列胸部X光片图像数据由日本高崎市Hidaka医院提供,Hidaka医院对本文所开发的系统非常感兴趣,并将继续提供更多的临床数据以进一步完善现有系统;而Hidaka医院的肾脏病专家Hidenori Matsuo充分肯定本文提出的诊断测度的计算方法,认为本文所提出的诊断测度是一种在医学统计上有效的诊断测度,并将在临床实践中进行重复性验证。
朱立新[7]（2007）在《基于偏微分方程的图像去噪和增强研究》文中研究指明随着计算机处理能力的不断增强和信息社会对多媒体信息处理要求的不断增加，图像处理已成为一个相当活跃的研究领域。图像的去噪和增强就是要改善图像的质量，使之更适合于实际的应用需求，因此具有较高的研究价值。本论文主要研究了在偏微分方程理论框架下进行图像去噪和增强的方法，特别是该类方法在理论和实际应用中遇到的难题。本论文围绕图像的去噪和增强，分析了公理性的偏微分方程模型、基于变分的偏微分方程模型、几何偏微分方程模型三个方面，对基于偏微分方程的图像处理方法中的一系列难点问题进行了讨论，并提出了解决方法。本论文的工作主要包括以下的内容：1)研究并提出了在非线性扩散方程中引入自适应数值保真项的方法。论文首先根据非线性扩散滤波模型很难控制对目标结构的破坏和总变差去噪方法易保留过多的噪声等小尺度信息的情况，分析了数值保真项在图像去噪中的作用。并针对已有方法在利用数值保真项时的不足，提出了利用图像中目标的局部信息构造自适应数值保真项引入到非线性扩散模型中，克服经典方法在利用数值保真项方面的不足，使新的非线性扩散去噪模型能够在有效地去除噪声的同时很好地保持目标尖角、边缘等重要的几何结构。在数值求解方法方面，本文根据差分格式优化的思想提出了一种稳定、可靠的数值求解方法。2)研究了利用非线性偏微分方程进行图像去噪易产生阶越效应的原因，并提出了利用梯度保真项来消除这种现象。为了能够在去噪的同时保持目标的边缘信息，需要采用高度非线性的偏微分方程模型，而这将直接导致阶越效应的产生。文中首先回顾了消除阶越效应的已有方法，接着从变分的角度分析了防止阶越效应的策略，提出在非线性方程中引入对图像梯度的约束保真项。该模型能使得结果图像的灰度变化和原噪声图像保持一致，从而防止阶越效应的产生。由于改进的去噪模型保持了低阶的非线性扩散方程的形式，相对于高阶偏微分方程去噪模型具有数值求解简单、稳定的优点。同时，新模型在有界变差函数空间中有解，使得该方法能够去噪的同时很好的保留了图像的边缘信息，避免了运用高阶非线性方程去噪时易破坏图像高频信息的缺点。3)研究了几何图像模型的已有理论框架，包括曲线演化理论和曲面演化理论，提出了利用图像水平线等分布约束消除阶越效应的模型。文中首先分析了阶越效应的产生会使得图像水平集出现非均匀分布的现象，据此提出了对图像进行水平线等分布约束方法用于防止阶越效应的产生，并推导出约束方法对应的三阶线性偏微分方程。文中证明了三阶约束偏微分方程不改变图像中零交叉点处的梯度值。在改进已有的基于曲面演化的去噪模型方面，本论文提出了一种能够保持图像纹理的法曲率驱动的曲面演化方程，由于采用了沿纹理方向的曲率来控制曲面演化速度，使得图像的纹理成分具有相对缓慢的演变，能够在有效去除噪声的同时保持图像中纹理的成分。4)根据指纹图像上脊线的方向特性，提出一种基于伪线性方向相关扩散方程的指纹增强方法。指纹图像是一种具有特殊的方向信息和结构信息的图像，指纹增强就是要保持和增强它的这种特有结构。文中首先指出了散度形式的相关扩散方程的缺点，并针对该方程在局部方向信息较复杂情况下不能够沿着指纹脊线方向扩散提出了改进方法。改进后的方法具有更好的方向扩散特性，在去噪和保持指纹图像脊线信息方面表现更优。另外，本文针对改进的方法计算复杂度较高的不足，提出伪线性形式的方向相关扩散方程。该方法具有线性算子的优点、计算量小，有利于指纹识别实时系统应用。5)研究了光照对图像对比度的影响及已有的处理方法，并在偏微分方程理论框架下提出了一种能够有效增强由光照不均匀而造成的低对比度图像的方法。图像中阴影部分中包含丰富的细节信息，但是这些信息的梯度变化相对较小。本文通过在梯度域进行直方图均衡化调整图像梯度的非均匀分布，使图像阴影中的细节能够得到增强，最后利用最小二乘原理从校正的梯度场中重建出增强的图像。在结果图像中，阴影区域的细节信息被很清晰地表达出来。本文通过引入Lab彩色空间将增强方法推广到了对彩色图像的处理中。同时，本文根据Laplacian算子的特点，改进了原有的Poisson方程数值求解方法。
秦安[8]（2007）在《医学心脏序列图像自动分析研究》文中研究指明随着人类生活水平的提高和预期寿命的延长，心血管疾病（cardiovascular disease，CVD）成为人类的头号死因。对心血管疾病的早期定量诊断和风险评估对延长人类预期寿命，提高人类的生活质量，起着非常关键的作用。心脏由心电节律控制，房室按顺序收缩、舒展和瓣膜开闭作周期运动。很多现代医学影像设备都能对心脏进行动态成像。近年来，医学影像设备包括磁共振成像（magnetic resonance imaging，MRI）、计算机断层成像（x-ray computer tomography，CT）和超声成像（ultrasonic imaging，US）等，在成像速度、时间和空间分辨率方面快速提高，基本实现了对心脏的3D动态成像。MR心脏成像的主要优点包括：较好的软组织对比度，能够清楚地区别心脏内各种组织、肿瘤和组织变性；进行任意平面成像的能力；无放射性，无需注射或服用示踪剂；对血流具有较高对比度，还能够评价血流的流速、流量，所以MRI心脏成像能准确地显示其解剖、形态、功能、血流、心肌活性等。近几年实时三维US开始进入临床，三维US不仅能显示解剖结构的二维断层图像，而且可观察与断面相垂直的前侧和后侧结构的立体形态，对了解各个结构空间非常有效，通过软件辅助在三维数据选择任意适当的剖切平面，能获取各种结构的全貌，如瓣膜形态、开口面积等；采用用三维体显示或面显示方法对图像数据做三维重建显示可以直观展示解剖结构，减少了对超声科医生专业经验的依籁。心脏影像设备的进步带来海量的图像数据，心脏成像通常是空间上的3D成像，在心动周期内随时间动态变化构成所谓4D数据。这使传统在观片灯上观察2D图像的工作方式出现问题。首先，4D数据很难以2D方式直观显示。过去观察静态投影或断层图像辅以空间想象的图像解读方法，面对高维动态心脏医学图像数据时比较困难；其次，只依靠放射医生的主观经验分析很难做到定量、可重复的提取具有临床诊断意义的信息，人际差别、可重复性、工作效率等都限制了现代影像设备在心血管检查临床实践中的充分应用。虽然部分新设备也带有简单的图像分析软件，但是它们一般是利用简单的几何模型，提供传统全局参数粗略估计。开发新的计算机辅助分析工具提取海量医学图像中客观、定量、有临床意义的诊断信息来辅助医生诊断成为必然趋势，而对心脏图像中各种解剖结构尤其是左心室的分割则是心脏医学图像分析在临床应用的重要瓶颈之一。图像分割是图像处理中最重要、基础也是研究内容最为广泛的领域之一，研究者曾提出过基于不同理论框架和不同图像特征的图像分割方法。图像分割技术的成功应用与其处理对象和应用领域密切相关。心脏医学图像有其固有特点，必须结合图像分割理论、具体医学图像特点以及感兴趣的解剖结构来研究有效的心脏医学图像分割算法。本文针对心脏MR和US图像，在计算机辅助心脏医学图像分析方面上做了以下工作：一)提出了一种知识引导下的广义模糊几何动态轮廓线分割算法（generalized fuzzy active contour model，GFACM），结合基于水平集框架的概率形状模型整合医生手动分割结果形成的训练集引入先验知识，实现了对心脏MR图像左心室内壁的鲁棒分割。从MR心脏三维动态序列图像中快速精确分割左心室内边界是计算机辅助图像分析和心功能诊断的重要前提步骤。由于心脏快速非刚性运动、软组织低对比度和快速成像序列物理原理等各种原因，心脏MR图像的心室边界比较模糊，动态轮廓线算法算法不能很好的定位心室轮廓边界；一般的基于灰度概率和曲线演化的方法也很难保证分割结果的鲁棒和精确。图像的梯度矢量流（gradient vector flow，GVF）扩大了曲线演化的动态范围，使曲线可以搜索到非凸边界。通过把边缘信息以梯度矢量的形式向外扩散，GVF为动态轮廓线提供更大的形变动态范围。考虑到提取正确地图像边缘信息是计算梯度矢量流的关键，通过对传统的GVF扩散方程通过引入广义模糊算子（generalized fuzzy operator，GFO）算子，改善了噪声环境下几何动态轮廓线的动态范围和准确捕捉目标边界的能力，将改进GVF场引入几何动态轮廓线模型（geometric active contour model，GACM），改善了边界搜寻动态范围，并且具有较强的抗噪和模糊边界定位的能力。另外，研究表明在分割模型中整合解剖结构和医生经验的先验知识，可以提高分割结果对噪声和模糊边界的鲁棒性，改进计算效率。我们利用人工分割训练集在水平集框架下构建了概率形状模型，将先验知识引导整合到上述曲线演化过程中，成功实现了对MR左心室内壁的鲁棒精确分割。对多套临床心脏MR图像数据的实验结果显示，分割结果和专家手动分割结果的距离在合理范围内。二)提出一种小波多尺度框架下的水平集曲线演化算法，实现了对心脏超声图像左心室内壁的鲁棒分割。由于成像物理特性的原因，US图像的信噪比较低，而且由于斑点噪声（speckle noise）的存在，超声图像的灰度分布被认为是非高斯的，所以传统的基于高斯模型的图像分割方法不能解决心脏超声图像分割问题，而经典动态轮廓线模型是基于图像梯度的，由于超声中弱边界和断裂边界的存在，单纯的基于梯度的曲线演化很容易发生边界泄漏，这是传统基于图像梯度水平集演化的固有缺陷之一。2001年Tony针对这一问题引入基于区域灰度一致性的无边界信息动态轮廓线模型（Active Contour Without Edge），该模型具有分割结果鲁棒，对曲线初始位置不敏感的优点。但该模型成立的前提是图像区域灰度分布近似符合高斯分布，这个前提在原始超声图像中得不到满足。小波多尺度分析可以同时在时（空）域和频域上进行局部分解，是信号分析发展史上里程碑式的进展，被广泛应用于信号处理、图像分析、模式识别、计算机视觉等研究领域。由于小波基对信号的平滑和降采样的作用，超声小波分解高层的相邻低频系数之间的相关性降低，近似于高斯分布。而且小波分解高层，构成图像主要能量的灰度信息大部分得到了保留，斑点噪声大部分被抑制。这些特点提示可以在小波分解后不同尺度的低频近似图像中采用不同的分割模型，而设计分割结果的尺度间传播，利用低分辨率尺度图像的分割结果来约束高分辨率尺度图像中的曲线演化，从而得到稳健而精确的结果。为了实现在心脏超声图像左心室的鲁棒分割，算法在小波分解最高层采用结合边界信息和区域灰度一致性的分割模型，综合利用区域灰度和边界图像梯度信息，在小波分解最高层的低频近似图像中可以得到比较稳健和精确的分割结果。在最高层得到粗尺度的大致左心室内壁轮廓曲线后，通过尺度间插值得到下一层低频近似图像的初始轮廓。为了继续细化左心室轮廓，必须继续利用当前尺度图像信息来推动曲线演化，但由于当前低频图像不再满足高斯分布，所以不能再用区域灰度的均一性来约束曲线的演化。但边界信息复杂，如果没有进一步的约束，曲线的演化又很容易发生边界泄漏而完全偏离初始轮廓。为了进一步细化和约束曲线的演化，引入不同分辨率下曲线形状的一致性约束，作为对精细尺度图像中曲线继续细化演化的约束，结合曲线尺度问形状约束和边界约束使分割结果在不断细化的同时，不致大幅度偏离粗尺度下得到的初始曲线。基于水平集分割的一个重要的问题是各种演化力权重参数调整。本文算法包含有三种曲线演化力：分别是区域力，边界力和层间约束力，怎么确定一个合理的权重系数是非常难的问题。通过在演化过程中，动态调节这几种演化力的权重，在演化的初期，应该尽量忠实于图像信息，也就是让基于图像信息的边界和区域的力占较大权重；而随着演化的进行到末期，层问约束力要起重要的作用，防止边界泄漏和大变形，保持层间的形状相似性。总结以上分析，心脏超声图像左心室分割算法的具体步骤如下：a)首先对超声心脏图像做小波分解，得到各层的低频图像。从小波分解的最高层层低频图像开始，利用边界和区域复合约束动态轮廓线模型寻找左心室内边界；b)通过插值将结果向下一尺度低频图像传递，并利用尺度间形状约束和边界约束复合动态轮廓线进一步细化曲线，使其符合局部图像特征，并随着曲线演化动态调整参数；c)向上逐层重复直至原始图像。由于采用了小波多尺度框架和尺度问形状约束，算法具有曲线演化结果稳健鲁棒，不易陷入局部极小和发生边界泄漏等优点，非常适合心脏超声图像噪声高、对比度低和边界灰度梯度不显着的特点。在实际临床三维超声图像上的实验表明，算法分割结果和人工分割结果的误差在合理范围内。三)提出一种心脏MR图像内外壁联合分割和时序追踪算法为了计算左心室质量（left ventricle mass，LVM）等重要心功能参数，在得到各层面左心室短轴像的内壁精确分割结果后，还需要对左心室的外壁做分割，外壁的边界和周围的组织在某些位置灰度分布非常接近，如果不加约束很容易发生边界泄漏，本文提出一种灰度和距离双重约束的方法，实现了左心室外壁的鲁棒分割。a)初始化和内壁分割：假设左心室是一个被切割椭球体，选择较小半径和轴长使切割椭球体位于图像中左心室的内部。选择其中某个时刻t0的三维图像集I：，t0，初始化各层面Zi中的水平集函数，使其所包含曲线为对应层面上的截面圆，用第四章中的改进几何动态轮廓线算法分别在各层图像中进行演化，得到I：，t0，各层面心室内壁的分割结果。b)心室外壁分割左心室外壁边界有特殊特点，某些方向灰度对比度很好，但某些方向就很微弱或几乎没有区别，不管是采用边界或区域灰度信息都很难区分。所以心室外壁的分割必须结合解剖结构先验信息如到心室内壁最近点的距离，来控制外壁分割曲线的演化。外壁分割以心室内壁分割结果为初始轮廓，曲线演化外力场的设计以较强的向外扩张膨胀外力为主导，用区域均值和曲线到心室内壁最近点的距离作约束，得到合理的心室外壁轮廓。具体方法是计算心室内壁向外邻近一个小环状区域的灰度均值me：如果演化曲线上的某点区域灰度不同于聊me，那么说明曲线演化达到或超出了心室外壁，应该停止或降低速度；如果外壁上的点离内壁上最近的点距离超过2.5cm，那么根据解剖知识曲线也应该超过了外壁区域，应该改变方向。由于内外壁之间的心肌组织区域灰度比较均一，而且心室内外壁距离一般小于2.5厘米，所以当曲线演化到最大距离之外，或者是局部区域的灰度均值不同于图像中心肌区域的灰度均值时，改变曲线演化方向或降低曲线演化速度。保证心外壁的分割结果满足先验知识的要求。c)时序追踪算法由于左心室内壁的运动在空间和时间上是一个连续的周期过程，所以在分割t0时刻MR心脏图像各短轴层面上的心室内壁后，为了在时序上追踪内壁的连续运动，本节提出使用时序追踪算法来跟踪同一短轴层面上内壁运动过程。以IZi△0图像心室内壁分割结果为初始轮廓，向同一层面Zi在不同时刻的图像IZ，：扩展演化，得到IZ，：上所有时刻的心室内壁轮廓。因为同层面的心室壁随时间的变化过程是平滑和渐进的，提出利用时间上相邻的各帧的改进GVF场(的高斯加权平均来得到当前帧的改进GVF场，同时利用该场和图像数据演化曲线，得到时间上相邻各帧IZ，：的心室内轮廓，遍历所有层面Zi后，再以得到内壁轮廓为起点，得到对应的心室外壁轮廓。四)根据心脏图像左心室内外壁分割结果，实现了心功能量化参数的计算计算机辅助心脏图像分析最终需要表现为具有临床意义的定量心功能参数。结合本文MR心脏图像左心室内壁分割算法和灰度和距离约束下的左心室外壁分割算法，构造心脏的三维模型，实现了各种量化的心功能参数的计算。
史勇红,戚飞虎[9]（2006）在《一种自适应立体脑图像分割方法》文中研究表明提出一种自动分割单通道磁共振脑图像的新方法．这种方法建立在耦合的马尔科夫模型的基础上。耦合马尔科夫模型使用了两个空间上交织的马尔可夫随机场先验模型．其一对亮度测度建模以实现分段光滑性约束,另一个对非连续性建模以控制相邻体素间的交互作用。依据这一模型,该方法使用贝叶斯理论和领域约束获得了区域和边界的量大后验概率估计。这种方法具有如下属性:①大脑图像被准确地分割成白质、灰质和脑脊髓:②对噪声和亮度不一致性具有较强的鲁棒性。
史勇红,戚飞虎[10]（2004）在《基于弱膜模型的自适应立体脑图像分割方法》文中研究说明提出一种自动分割单通道磁共振脑图像的新方法,这种方法建立在弱膜模型的基础上。此处的弱膜模型使用了两个空间上交织的马尔可夫随机场先验模型,其中之一对亮度测度建模以实现分段光滑性约束,另一个对非连续性建模以控制相邻体素间的交互作用。依据这一模型,该方法使用贝叶斯理论和领域约束获得了区域和边界的最大后验概率估计。这种方法具有如下属性1大脑图像被准确地分割成白质、灰质和脑脊髓;2对噪声和亮度不一致性具有较强的鲁棒性。
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像去雾算法研究现状 |
| 1.2.2 图像超分辨率重建算法研究现状 |
| 1.2.3 车牌识别算法研究现状 |
| 1.3 课题研究内容及论文结构 |
| 第二章 雾天车牌图像去雾算法研究 |
| 2.1 雾霾的形成与对成像的影响 |
| 2.2 雾天图像退化数学模型 |
| 2.2.1 大气光散射效应 |
| 2.2.2 雾天图像退化模型 |
| 2.3 传统图像去雾算法 |
| 2.3.1 暗通道先验的图像去雾算法 |
| 2.3.2 颜色衰减先验的图像去雾算法 |
| 2.3.3 雾线先验的图像去雾算法 |
| 2.4 基于边窗盒子滤波和透射率修正的图像去雾算法 |
| 2.4.1 基于非局部TGV正则化的透射率计算 |
| 2.4.2 基于边窗盒子滤波的透射率优化 |
| 2.4.3 大气光值估计 |
| 2.4.4 雾天图像的去雾效果与细节对比 |
| 2.5 车牌去雾实验及评价结果 |
| 2.5.1 车牌图像去雾的主观评价 |
| 2.5.2 车牌图像去雾的客观评价 |
| 2.5.3 车辆图像去雾实验结论 |
| 2.6 本章小结 |
| 第三章 雾天车牌定位算法研究 |
| 3.1 车牌特征及规格 |
| 3.2 车牌定位常用算法 |
| 3.3 基于Canny边缘检测和数学形态学的雾天车牌定位算法 |
| 3.3.1 车辆图像灰度化 |
| 3.3.2 车辆图像二值化 |
| 3.3.3 车辆图像边缘检测 |
| 3.3.4 车辆图像数学形态学运算 |
| 3.3.5 车牌区域筛选 |
| 3.4 车牌倾斜校正及边框去除 |
| 3.4.1 车牌倾斜校正 |
| 3.4.2 车牌边框去除 |
| 3.5 本章小结 |
| 第四章 车牌图像超分辨率重建算法研究 |
| 4.1 图像超分辨率重建算法理论 |
| 4.2 基于YCrCb颜色空间和低秩矩阵的图像超分辨率重建算法 |
| 4.3 基于高斯核函数的插值方法 |
| 4.4 基于低秩矩阵的边缘超分辨重建算法 |
| 4.4.1 低秩矩阵理论 |
| 4.4.2 边缘像素的位置分析 |
| 4.4.3 低秩矩阵的确定以及计算 |
| 4.5 实验结果与分析 |
| 4.5.1 主观评价 |
| 4.5.2 客观评价 |
| 4.6 本章小结 |
| 第五章 车牌字符分割与字符识别算法研究 |
| 5.1 车牌字符分割 |
| 5.1.1 车牌字符分割理论 |
| 5.1.2 基于投影和模板匹配的字符分割方法 |
| 5.2 车牌字符识别常用算法 |
| 5.3 雾天车牌字符识别研究 |
| 5.3.1 LeNet-5网络模型 |
| 5.3.2 LeNet-5网络模型的改进 |
| 5.3.3 车牌字符数据集 |
| 5.3.4 网络训练 |
| 5.3.5 实验结果 |
| 5.4 本章小结 |
| 第六章 雾天车牌识别系统软件开发 |
| 6.1 雾天车牌识别系统功能设计 |
| 6.2 雾天车牌识别系统功能测试与分析 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 自动驾驶的发展与前景 |
| 1.1.2 道路场景分割面临的挑战 |
| 1.2 国内外相关技术发展现状 |
| 1.3 本文主要工作 |
| 1.4 论文章节安排 |
| 第二章 语义分割相关模型介绍 |
| 2.1 卷积神经网络 |
| 2.1.1 卷积神经网络结构 |
| 2.1.2 卷积神经网络模型 |
| 2.2 基于深度学习的语义分割模型 |
| 2.2.1 全卷积神经网络模型 |
| 2.2.2 SegNet模型 |
| 2.2.3 DeepLab系列模型 |
| 2.2.4 PSPNet模型 |
| 2.2.5 深度残差网络模型 |
| 2.2.6 DANet模型 |
| 2.3 本章小结 |
| 第三章 基于金字塔池化的双重注意力机制网络 |
| 3.1 MyPDANet关键技术 |
| 3.1.1 膨胀卷积 |
| 3.1.2 金字塔池化 |
| 3.1.3 注意力机制 |
| 3.2 MyPDANet结构 |
| 3.3 本章小结 |
| 第四章 实验分析及算法评估 |
| 4.1 算法评价指标 |
| 4.2 ADE20K数据集及实验结果分析 |
| 4.2.1 ADE20K数据集 |
| 4.2.2 实验结果分析 |
| 4.3 Cityscapes数据集及实验结果分析 |
| 4.3.1 Cityscapes数据集 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 视觉显着性的研究现状 |
| 1.2.2 显着性目标检测的研究现状 |
| 1.2.3 协同显着性目标检测的研究现状 |
| 1.3 本论文的主要工作和章节安排 |
| 第二章 显着性目标检测的理论知识 |
| 2.1 图像显着性特征 |
| 2.2 显着性计算原理 |
| 2.3 典型的图像显着性检测算法 |
| 2.3.1 ITTI算法 |
| 2.3.2 SR算法 |
| 2.3.3 MSSS算法 |
| 2.3.4 基于上下文的检测算法 |
| 2.3.5 基于背景先验的检测算法 |
| 2.4 本章小结 |
| 第三章 基于协同显着性的单图像显着性目标检测 |
| 3.1 引言 |
| 3.2 整体算法框架介绍 |
| 3.3 超像素分割 |
| 3.4 能量函数 |
| 3.5 随机游走 |
| 3.6 测试数据集与评估指标 |
| 3.6.1 常用的测试数据集 |
| 3.6.2 常用的评估指标 |
| 3.7 实验和结果分析 |
| 3.8 本章小结 |
| 第四章 基于协同显着性的多图像共显着性目标检测 |
| 4.1 引言 |
| 4.2 整体算法框架介绍 |
| 4.3 图像间K-means聚类 |
| 4.4 计算3种图像间线索 |
| 4.5 初始显着性图加权优化 |
| 4.6 测试数据集与评估指标 |
| 4.6.1 常用的测试数据集 |
| 4.6.2 常用的评估指标 |
| 4.7 算法测试与分析 |
| 4.8 本章小结 |
| 第五章 总结和展望 |
| 5.1 本文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空间域方法 |
| 1.2.2 频域方法 |
| 1.2.3 智能学习算法 |
| 1.3 研究目标 |
| 1.4 本课题研究内容 |
| 第二章 机织布图像预处理 |
| 2.1 常见机织布疵点类型 |
| 2.2 机织布疵点图像增强与滤波 |
| 2.2.1 机织布图像增强 |
| 2.2.2 机织布图像滤波 |
| 2.3 本章小结 |
| 第三章 基于BP神经网络的机织布疵点识别 |
| 3.1 机织布疵点图像分割 |
| 3.1.1 阈值图像分割法 |
| 3.1.2 边缘检测图像分割法 |
| 3.1.3 机织布图像分割及分析 |
| 3.2 机织布疵点区域典型特征 |
| 3.2.1 几何形状特征 |
| 3.2.2 纹理特征 |
| 3.2.3 不变矩 |
| 3.2.4 机织布疵点区域特征提取实验 |
| 3.3 基于BP神经网络的识别分类器设计 |
| 3.4 基于静态疵点集的神经网络分类结果 |
| 3.5 本章小结 |
| 第四章 基于深度学习的机织布疵点识别 |
| 4.1 深度学习理论概述 |
| 4.2 深度学习网络模型 |
| 4.2.1 卷积神经网络模型 |
| 4.2.2 深度信任网络模型 |
| 4.2.3 堆栈自编码网络模型 |
| 4.3 卷积神经网络模型研究与构建 |
| 4.3.1 卷积神经网络模型的特点和优势 |
| 4.3.2 卷积神经网络经典模型分析研究 |
| 4.3.3 卷积神经网络模型的构建 |
| 4.4 MDML深度学习网络模型设计 |
| 4.4.1 MDML网络模型设计思路 |
| 4.4.2 MDML结构设计 |
| 4.5 MDML网络模型设置及识别分类 |
| 4.5.1 数据准备 |
| 4.5.2 MDML设置及训练实现 |
| 4.5.3 MDML机织布疵点识别分类 |
| 4.5.4 模型比对 |
| 4.6 本章小结 |
| 第五章 机织布疵点算法的自适应增强 |
| 5.1 自适应增强算法研究 |
| 5.1.1 自适应增强算法原理 |
| 5.1.2 自适应增强算法实现 |
| 5.1.3 自适应算法误差界标定 |
| 5.2 多分类自适应增强算法 |
| 5.2.1 多分类自适应增强算法原理 |
| 5.2.2 多分类自适应增强算法实现 |
| 5.3 自适应增强算法优化与改进 |
| 5.3.1 自适应增强算法改进 |
| 5.3.2 算法具体实现 |
| 5.4 机织布疵点检测识别与分类自适应增强方案 |
| 5.4.1 BP神经网络算法增强 |
| 5.4.2 深度学习算法增强 |
| 5.4.3 比对实验 |
| 5.5 本章小结 |
| 第六章 机织布疵点检测识别与分类实验研究 |
| 6.1 实验方法 |
| 6.2 实验系统设计 |
| 6.2.1 实验系统方案设计 |
| 6.2.2 系统硬件设计 |
| 6.2.3 系统软件设计 |
| 6.3 实验分析 |
| 6.3.1 机织布疵点检测识别与分类评价方法构建 |
| 6.3.2 机织布疵点检测识别与分类比对实验 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士学位期间本人出版或公开发表的论着、论文 |
| 攻读博士学位期间本人参加的项目 |
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 三维重建研究现状 |
| 1.2.2 多聚焦图像融合研究现状 |
| 1.2.3 离焦深度估计研究现状 |
| 1.3 研究内容与章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第二章 散焦图像序列的去模糊方法研究 |
| 2.1 引言 |
| 2.2 基于小波变换的图像融合 |
| 2.2.1 小波变换图像融合理论 |
| 2.2.2 小波变换图像融合规则 |
| 2.3 改进的基于稀疏分解的图像融合方法 |
| 2.3.1 稀疏分解理论 |
| 2.3.2 基于稀疏表示的图像融合算法 |
| 2.3.3 改进的基于稀疏分解的图像融合方法 |
| 2.4 实验与结果 |
| 2.4.1 实验环境介绍 |
| 2.4.2 算法实现与结果分析 |
| 2.5 本章小结 |
| 第三章 散焦图像的深度估计方法研究 |
| 3.1 引言 |
| 3.2 基于马尔科夫随机场的深度估计方法 |
| 3.2.1 马尔可夫随机场理论 |
| 3.2.2 马尔可夫随机场散焦特征模型 |
| 3.2.3 算法实现 |
| 3.3 基于几何约束的深度估计方法建模 |
| 3.3.1 深度估计模型几何推导 |
| 3.3.2 改进的散焦图像的深度估计算法 |
| 3.4 实验与结果 |
| 3.5 本章小结 |
| 第四章 显微三维重建与方法评估 |
| 4.1 点云数据的预处理 |
| 4.2 曲面重建 |
| 4.3 实验与结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 医学背景 |
| 1.2.1 肾透析 |
| 1.2.2 胸部X 光片 |
| 1.3 研究目的 |
| 1.4 论文概观 |
| 1.5 小结 |
| 第二章 分割方法的历史回顾与筛选 |
| 2.1 引言——分割胸部X 光片肺部区域的常用方法 |
| 2.1.1 基于规则的方法 |
| 2.1.2 基于象素分类的方法 |
| 2.1.3 基于模型的方法 |
| 2.1.4 讨论与筛选 |
| 2.2 主动形状模型（ASM）方法 |
| 2.2.1 形状模型 |
| 2.2.2 表面模型 |
| 2.2.3 算法优化 |
| 2.3 ASM 的已有改进及其不足 |
| 2.3.1 ASM 的已有改进 |
| 2.3.2 已有改进的不足 |
| 2.4 本文方法的主要贡献 |
| 2.5 小结 |
| 第三章 对 ASM 表面模型的改进 |
| 3.1 引言 |
| 3.2 常用的局部特征描述算子 |
| 3.2.1 算子描述 |
| 3.2.2 算子性能评估与筛选 |
| 3.3 SIFT 局部特征描述算子 |
| 3.3.1 计算SIFT 特征算子 |
| 3.3.2 评估SIFT 特征算子的性能 |
| 3.4 结合SIFT 对ASM 的改进 |
| 3.4.1 统一的代价函数 |
| 3.4.2 基于SIFT 的表面模型 |
| 3.4.3 基于概率的形状模型 |
| 3.4.4 算法优化 |
| 3.5 实验结果 |
| 3.5.1 实验数据 |
| 3.5.2 评估标准 |
| 3.5.3 计算时间 |
| 3.5.4 性能评估 |
| 3.6 小结 |
| 第四章 对 ASM 形状模型的改进 |
| 4.1 引言 |
| 4.2 对特定患者统计信息的学习和更新 |
| 4.3 结合特定患者统计信息对ASM 的改进 |
| 4.3.1 平衡不同样本群体统计的代价函数 |
| 4.3.2 结合特定患者统计信息的SIFT 表面模型 |
| 4.3.3 结合特定患者统计信息的形状模型 |
| 4.3.4 算法优化 |
| 4.4 实验结果 |
| 4.4.1 定性评估 |
| 4.4.2 定量评估 |
| 4.5 小结 |
| 第五章 改进后的 ASM 方法的临床应用评估 |
| 5.1 引言 |
| 5.2 在心胸系数（CTR）上的应用 |
| 5.2.1 定义 |
| 5.2.2 临床测度一致性分析 |
| 5.3 其它应用 |
| 5.4 小结 |
| 第六章 总结与展望 |
| 6.1 论文研究工作的总结 |
| 6.2 进一步的工作 |
| 参考文献 |
| 后记 |
| 攻读博士学位期间的研究成果 |
| 摘要 |
| Abstract |
| 目录 |
| 1. 绪论 |
| 1.1 引言 |
| 1.2 基于偏微分方程的图像去噪和增强方法的综述 |
| 1.2.1 公理性的偏微分方程模型 |
| 1.2.2 变分偏微分方程模型 |
| 1.2.3 几何偏微分方程模型 |
| 1.2.4 算法的评价方法和指标 |
| 1.3 课题来源 |
| 1.4 本文的主要研究工作和内容安排 |
| 1.5 本文工作的创新点 |
| 2. 非线性扩散方程中耦合自适应数值保真项研究 |
| 2.1 引言 |
| 2.2 已有模型的数值保真项研究 |
| 2.2.1 小波域扩散去噪模型 |
| 2.2.2 基于图像分解的去噪模型 |
| 2.2.3 迭代正则化去噪模型 |
| 2.3 耦合自适应数值保真项的去噪模型 |
| 2.3.1 模型的构造和分析 |
| 2.3.2 模型的数值解法 |
| 2.3.3 实验结果分析 |
| 2.4 结论 |
| 3. 基于梯度保真项的阶越效应处理研究 |
| 3.1 引言 |
| 3.2 阶越效应产生的原因 |
| 3.3 高阶偏微分方程去噪模型 |
| 3.3.1 You-Kaveh高阶去噪模型 |
| 3.3.2 高阶总变差去噪模型 |
| 3.3.3 Lysaker-Lundervold-Tai高阶去噪模型 |
| 3.3.4 消除阶越效应的其它方法 |
| 3.4 基于梯度保真项的阶越效应处理方法 |
| 3.4.1 关于梯度保真项的已有工作 |
| 3.4.2 梯度保真约束模型 |
| 3.4.3 模型的扩展与讨论 |
| 3.4.4 数值求解方法 |
| 3.4.5 实验结果及分析 |
| 3.5 结论 |
| 4. 基于几何图像模型的图像去噪方法研究 |
| 4.1 引言 |
| 4.2 曲线演化理论 |
| 4.3 图像水平集等分布约束模型及其应用 |
| 4.3.1 阶越效应对水平集分布的影响 |
| 4.3.2 图像水平线等分布约束模型 |
| 4.3.3 等分布约束模型的属性分析 |
| 4.3.4 数值求解方法 |
| 4.3.5 实验结果与分析 |
| 4.4 曲面演化理论基础 |
| 4.5 基于法曲率驱动曲面演化的图像去噪模型 |
| 4.5.1 曲率驱动的扩散去噪方程 |
| 4.5.2 曲率驱动的曲面演化去噪方程 |
| 4.5.3 法曲率驱动的曲面演化去噪方程 |
| 4.5.4 实验结果与分析 |
| 4.6 结论 |
| 5. 方向相关扩散模型及其在指纹图像增强中的应用研究 |
| 5.1 引言 |
| 5.2 指纹图像增强的方法综述 |
| 5.2.1 指纹图像增强的特殊性 |
| 5.2.2 方向滤波增强方法 |
| 5.2.3 基于Gabor滤波器的增强方法 |
| 5.2.4 相关扩散方程的指纹图像增强 |
| 5.3 基于伪线性方向扩散方程的指纹图像增强 |
| 5.3.1 相关扩散方程的本质研究 |
| 5.3.2 伪线性扩散方程的指纹图像增强 |
| 5.3.3 算法实现和实验结果 |
| 5.4 结论 |
| 6. 基于梯度场重建的图像增强方法研究 |
| 6.1 引言 |
| 6.2 图像对比度增强模型综述 |
| 6.2.1 直方图均衡化图像增强 |
| 6.2.2 基于Retinex理论图像增强 |
| 6.2.3 梯度域图像增强模型 |
| 6.3 基于梯度场均衡化的对比度增强方法 |
| 6.4 数值实现过程 |
| 6.4.1 离散化方法 |
| 6.4.2 改进的Poisson方程快速解法 |
| 6.5 实验结果与误差分析 |
| 6.6 结论 |
| 7. 结束语 |
| 7.1 本文工作总结 |
| 7.2 将来的工作 |
| 致谢 |
| 参考文献 |
| 附录 |
| 在攻读博士期间完成的论文 |
| 在审理中的论文 |
| 摘要 |
| ABSTRACT |
| 目录 |
| 插图索引 |
| 表格索引 |
| 第一章 绪论 |
| 1.1 研究目的和意义 |
| 1.2 计算机辅助医学图像分析 |
| 1.3 本文组织结构 |
| 参考文献 |
| 第二章 医学心脏成像 |
| 2.1 心脏的解剖结构 |
| 2.2 心脏的成像设备 |
| 2.2.1 磁共振心脏成像 |
| 2.2.2 超声心脏成像 |
| 2.2.3 核医学心脏成像 |
| 2.2.4 X线心脏成像 |
| 2.3 心脏图像分析 |
| 参考文献 |
| 第三章 医学图像与图像分割 |
| 3.1 医学图像的特点 |
| 3.2 图像分割算法的分类 |
| 3.3 基于边缘检测的图像分割 |
| 3.4 基于随机场模型的图像分割算法 |
| 3.4.1 马尔科夫随机场与平滑先验 |
| 3.4.2 Gibbs分布与贝叶斯分割 |
| 3.5 基于动态轮廓线模型的图像分割 |
| 3.5.1 参数动态轮廓线模型 |
| 3.5.2 几何动态轮廓线模型和水平集方法 |
| 3.5.3 正则化和非正则化的水平集算法 |
| 3.6 基于图论的图像分割 |
| 3.7 医学图像分割的特点 |
| 参考文献 |
| 第四章 磁共振心脏图像左心室分割新方法 |
| 4.1 引言 |
| 4.2 水平集框架下的曲线演化 |
| 4.3 广义模糊几何动态轮廓线 |
| 4.3.1 几何动态轮廓线模型 |
| 4.3.2 广义模糊概念与GFO算子 |
| 4.3.3 广义模糊动态轮廓线模型 |
| 4.4 基于水平集的先验概率知识模型 |
| 4.4.1 从训练集到先验概率知识模型 |
| 4.4.2 知识引导下的曲线演化 |
| 4.5 实验结果与讨论 |
| 参考文献 |
| 第五章 超声心脏图像分割新算法 |
| 5.1 引言 |
| 5.2 心脏超声图像与小波多尺度图像分析 |
| 5.3 小波多尺度水平集算法 |
| 5.3.1 边界和区域动态轮廓线模型 |
| 5.3.2 基于图像边界、区域统计和尺度间形状约束的能量模型 |
| 5.3.3 水平集算法和能量最小化 |
| 5.3.4 多分辨率参数调整 |
| 5.4 实验结果和讨论 |
| 参考文献 |
| 第六章 磁共振心室内外壁联合分割与追踪 |
| 6.1 心室内外壁联合分割 |
| 6.2 心室内壁时序追踪算法 |
| 6.3 重要心功能参数 |
| 6.4 实验结果与讨论 |
| 参考文献 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读博士期间发表的论文 |
| 致谢 |
