为解决工业计算机层析成像(CT)图像的伪影和弱边缘问题,提出一种基于小波变换的图像区域可伸缩拟合能量最小化分割方法,实现图像边缘的精确定位,从而提高图像测量精度。首先,采用小波变换对图像进行预处理,降低金属伪影。然后,采用所提方法精确分割图像,提高感兴趣区域边缘的定位精度。实际数据测量结果表明,所提方法可有效降低图像弱边缘的影响,测量相对误差低于0.7%,相较Chan-Vese算法,测量精度提高了1.4倍,满足实际测量需求。
2023-04-03 11:23:48
2.96MB
1
提出了一种新的图像特征提取中选取最优小波分解树的方法．塔式小波分解对信号解不够全面，而小波包全分解又引入庞大的计算量，因此小波分解最优树的选取尤为重要．结合模糊C均值(FCM，Fuzzy C-Mean)聚类，提出了一种能同时进行小波自适应分解和纹理特征分类的纹理图像分割方法，该方法将无监督聚类中的聚类有效性参数弓l入到自适应小波分解的判决中，能根据无监督聚类分割的需要，自适应地选取小波包分解的树形结构和分解层数．相对于小波包全分解，节省了大量的运算，并能取得良好的分割效果．
2023-03-20 20:29:10
290KB
1
为了提高图像分割的速度和精度，提出了一种新的基于ChanVese水平集模型(CV模型)的梯度加速分割模型。首先，在CV模型的能量函数中加入一个内部能量项，抵消演化过程中水平集函数和符号距离函数的偏差，从而消除分割中周期性重新初始化的过程；其次，提出了梯度加速项，通过感兴趣区域的图像特征，快速得到该区域的边界，且能够提高弱边界的分割精度。实验证明，提出的方法不仅能够加速特定区域的分割、提高分割精度，还能保持分割过程的稳定性。
2023-03-14 15:42:38
173KB
1
基于各种挑战的最新医学图像分割方法！
（更新202003）Content Head 2020 ICIAR：自动肺癌患者管理（LNDb）（LNDb）2019 MICCAI：多模式脑肿瘤基于各种挑战的最先进医学图像分割方法！
（更新202003）Content Head 2020 ICIAR：自动肺癌患者管理（LNDb）（LNDb）2019 MICCAI：多模式脑肿瘤分割挑战赛（BraTS2019）（结果）2019 MICCAI：6个月的多个部位婴儿脑MRI分割（iSeg2019） （结果）2019年MICCAI：放射治疗计划挑战的自动结构分割（结果）2018年MICCAI：多峰脑肿瘤分割Cha
2023-03-14 08:31:16
8KB
1
如今，医学领域广泛采用图像处理方法来提高对某些异常的早期检测，例如乳腺癌、肺癌、脑癌等。 本文主要集中在从 X 射线图像、计算机断层扫描 (CT) 图像和 MRI 图像中分割肺癌肿瘤。 图像分割采用图像处理方法。 在预处理阶段使用均值和中值滤波器。 在图像分割阶段，使用Otsu的阈值和k-Means聚类分割方法对肺部图像进行分割并定位肿瘤。 为了评估用于分割的方法的性能，在两者的分割图像上计算性能评估参数，例如信噪比（SNR）、均方误差（MSE）和峰值信噪比（PSNR））。用于分割的不同分割方法。 无论图像如何，K-Means 分割都能获得更好的结果。
2023-03-13 00:28:58
673KB
1