图像分割
2025, 34(1):26-36.
DOI: 10.15888/j.cnki.csa.009733
摘要:
微观剩余油赋存形态分类识别研究在剩余油开采领域发挥着至关重要的作用, 其对油田提高采收率具有重要的意义. 近年来, 该领域的大量研究通过引入深度学习方法来推动微观剩余油识别技术的发展, 但深度学习技术在微观剩余油识别领域尚未形成一个较为统一的框架, 也没有一个规范化的操作流程. 为了给今后的研究人员提供指导, 对目前的剩余油识别方法进行梳理, 从图像采集及类别划分标准、图像处理、剩余油识别方法等方面介绍了基于机器视觉的微观剩余油识别技术. 将剩余油识别方法分为基于传统和基于深度学习的识别方法, 传统识别方法分为基于人工特征提取和基于机器学习分类, 基于深度学习的识别方法划分为单阶段和两阶段方法, 并对其中数据增强、预训练、图像分割和图像分类方面进行详细归纳. 最后, 讨论了将深度学习应用于微观剩余油识别领域面临的挑战, 并对未来的发展趋势进行了展望.
微观剩余油赋存形态分类识别研究在剩余油开采领域发挥着至关重要的作用, 其对油田提高采收率具有重要的意义. 近年来, 该领域的大量研究通过引入深度学习方法来推动微观剩余油识别技术的发展, 但深度学习技术在微观剩余油识别领域尚未形成一个较为统一的框架, 也没有一个规范化的操作流程. 为了给今后的研究人员提供指导, 对目前的剩余油识别方法进行梳理, 从图像采集及类别划分标准、图像处理、剩余油识别方法等方面介绍了基于机器视觉的微观剩余油识别技术. 将剩余油识别方法分为基于传统和基于深度学习的识别方法, 传统识别方法分为基于人工特征提取和基于机器学习分类, 基于深度学习的识别方法划分为单阶段和两阶段方法, 并对其中数据增强、预训练、图像分割和图像分类方面进行详细归纳. 最后, 讨论了将深度学习应用于微观剩余油识别领域面临的挑战, 并对未来的发展趋势进行了展望.
2025, 34(6):21-32.
DOI: 10.15888/j.cnki.csa.009872
摘要:
针对腹部CT图像多器官分割面临的不同器官大小形态不一、相邻器官边界难以确认以及低对比度等挑战问题, 提出一种特征增强的双分支多器官分割模型. 模型总体采取编码器-解码器结构: 编码器采取主/从双分支结构, 主分支使用Mamba捕捉多器官全局依赖信息, 从分支使用CNN逐层提取多器官局部信息, 同时设计级联上下文模块将从分支局部细节特征补充到主分支中; 解码器设计多尺度特征融合模块和深度特征增强模块, 多尺度特征融合模块对跨层级特征信息进行融合, 增强多器官边界分割锐度, 深度特征增强模块应用交叉注意机制提高器官前景与背景的对比度, 减少背景信息对分割的干扰. 在Synapse和ACDC两组公开数据集上的实验结果表明, 与近几年主要基线模型相比, 所提模型的Dice相似系数 (DSC)、HD95指标均具有一定的提升.
针对腹部CT图像多器官分割面临的不同器官大小形态不一、相邻器官边界难以确认以及低对比度等挑战问题, 提出一种特征增强的双分支多器官分割模型. 模型总体采取编码器-解码器结构: 编码器采取主/从双分支结构, 主分支使用Mamba捕捉多器官全局依赖信息, 从分支使用CNN逐层提取多器官局部信息, 同时设计级联上下文模块将从分支局部细节特征补充到主分支中; 解码器设计多尺度特征融合模块和深度特征增强模块, 多尺度特征融合模块对跨层级特征信息进行融合, 增强多器官边界分割锐度, 深度特征增强模块应用交叉注意机制提高器官前景与背景的对比度, 减少背景信息对分割的干扰. 在Synapse和ACDC两组公开数据集上的实验结果表明, 与近几年主要基线模型相比, 所提模型的Dice相似系数 (DSC)、HD95指标均具有一定的提升.
2025, 34(2):84-91.
DOI: 10.15888/j.cnki.csa.009768
摘要:
在光谱三维CT数据中, 传统卷积的全局特征捕捉能力不足, 而全尺度的自注意力机制则需要大量的计算资源. 为了解决这一问题, 本文引入一种新视觉注意力范式(wave self-attention, WSA). 相比于ViT技术, 该机制使用更少的资源获得同等的自注意力信息. 此外, 为更充分地提取器官间的相对依赖关系并提高模型的鲁棒性和执行速度, 本文为WSA机制设计了一种即插即用的模块——波随机编码器(wave random encoder, WRE). 该编码器能够生成一对互逆的非对称全局(局部)位置信息矩阵. 其中, 全局位置矩阵用来对波特征进行全局性的随机取样, 局部位置矩阵则用于补充因随机取样而丢失的局部相对依赖. 本文在标准数据集Synapse和COVID-19的肾脏和肺实质的分割任务上进行实验. 结果表明, 本文方法在精度、参数量和推理速率方面均超越了nnFormer、Swin-UNETR等现有模型, 达到了SOTA水平.
在光谱三维CT数据中, 传统卷积的全局特征捕捉能力不足, 而全尺度的自注意力机制则需要大量的计算资源. 为了解决这一问题, 本文引入一种新视觉注意力范式(wave self-attention, WSA). 相比于ViT技术, 该机制使用更少的资源获得同等的自注意力信息. 此外, 为更充分地提取器官间的相对依赖关系并提高模型的鲁棒性和执行速度, 本文为WSA机制设计了一种即插即用的模块——波随机编码器(wave random encoder, WRE). 该编码器能够生成一对互逆的非对称全局(局部)位置信息矩阵. 其中, 全局位置矩阵用来对波特征进行全局性的随机取样, 局部位置矩阵则用于补充因随机取样而丢失的局部相对依赖. 本文在标准数据集Synapse和COVID-19的肾脏和肺实质的分割任务上进行实验. 结果表明, 本文方法在精度、参数量和推理速率方面均超越了nnFormer、Swin-UNETR等现有模型, 达到了SOTA水平.
2025, 34(1):100-109.
DOI: 10.15888/j.cnki.csa.009759
摘要:
本文提出了一种基于半监督学习和条件概率的膝关节软骨分割方法, 旨在解决医学图像分割中标注样本数量不足和质量差的问题. 现有的标签树嵌入深度学习模型难以对网络输出间的层次关系进行有效建模, 而本文提出了一种条件到无条件的混合训练与任务级一致性结合的方法, 有效地利用了标签之间的层次关系和相似性, 提高了分割精度. 具体来说, 本文使用一个联合预测像素级分割图和目标的几何感知水平集表示的双任务深度网络. 通过可微分的任务变换层, 将水平集表示转换为近似的分割映射. 同时, 本文在标签和未标记数据上引入了基于水平线的分割映射与直接预测的分割映射之间的任务级一致性正则化. 在两个公共数据集上的大量实验表明, 本文的方法可以通过包含未标记的数据来显著提高性能.
本文提出了一种基于半监督学习和条件概率的膝关节软骨分割方法, 旨在解决医学图像分割中标注样本数量不足和质量差的问题. 现有的标签树嵌入深度学习模型难以对网络输出间的层次关系进行有效建模, 而本文提出了一种条件到无条件的混合训练与任务级一致性结合的方法, 有效地利用了标签之间的层次关系和相似性, 提高了分割精度. 具体来说, 本文使用一个联合预测像素级分割图和目标的几何感知水平集表示的双任务深度网络. 通过可微分的任务变换层, 将水平集表示转换为近似的分割映射. 同时, 本文在标签和未标记数据上引入了基于水平线的分割映射与直接预测的分割映射之间的任务级一致性正则化. 在两个公共数据集上的大量实验表明, 本文的方法可以通过包含未标记的数据来显著提高性能.
2025, 34(5):138-150.
DOI: 10.15888/j.cnki.csa.009846
摘要:
医学图像分割是众多医学临床应用的基础与关键组成. 近年来, 交互式分割方法凭借其在复杂临床任务中的高准确性和鲁棒性受到广泛关注. 然而, 现有基于深度学习的交互式分割方法在用户交互的利用上仍有不足, 特别是在交互编码设计和像素分类等方面. 针对上述问题, 本文提出了一种包含“近中心点”和“外边缘点”的混合交互设计, 以保障交互成本并对用户意图进行精准捕捉; 同时, 通过高斯衰减函数对现有测地线距离编码方法进行加权, 以降低图像噪声干扰, 提高交互编码的鲁棒性和准确性; 此外, 结合基于混合核函数的高斯过程分类方法, 在像素分类过程中对用户交互信息进行充分利用, 提升分割精度并赋予模型一定的可解释性. 实验结果表明, 本文所提方法在MSD数据集4个标志性子集的5项分割任务中均表现出较高的分割精度, 尤其在复杂任务(如Pancreas tumour和Colon图像分割)中, Dice系数和ASSD值显著优于现有方法, 体现了其在精准分割和边界处理方面的优势.
医学图像分割是众多医学临床应用的基础与关键组成. 近年来, 交互式分割方法凭借其在复杂临床任务中的高准确性和鲁棒性受到广泛关注. 然而, 现有基于深度学习的交互式分割方法在用户交互的利用上仍有不足, 特别是在交互编码设计和像素分类等方面. 针对上述问题, 本文提出了一种包含“近中心点”和“外边缘点”的混合交互设计, 以保障交互成本并对用户意图进行精准捕捉; 同时, 通过高斯衰减函数对现有测地线距离编码方法进行加权, 以降低图像噪声干扰, 提高交互编码的鲁棒性和准确性; 此外, 结合基于混合核函数的高斯过程分类方法, 在像素分类过程中对用户交互信息进行充分利用, 提升分割精度并赋予模型一定的可解释性. 实验结果表明, 本文所提方法在MSD数据集4个标志性子集的5项分割任务中均表现出较高的分割精度, 尤其在复杂任务(如Pancreas tumour和Colon图像分割)中, Dice系数和ASSD值显著优于现有方法, 体现了其在精准分割和边界处理方面的优势.
2025, 34(1):137-144.
DOI: 10.15888/j.cnki.csa.009730
摘要:
骶髂关节病变是预警强直性脊柱炎的主要体征之一, 精确高效的骶髂关节自动分割对于协助医生临床诊断和治疗至关重要. 针对骶髂关节灰度多变、背景复杂、且因骶髂间隙狭小而存在容积效应导致的特征提取受限, 分割精度难以提升的问题, 本研究利用层次级联补偿下采样信息丢失以及注意力并行保留跨维信息特征的思想, 提出首个用于骶髂关节分割诊断的U型网络. 此外, 为了提高临床诊断的效率, 将U型网络中传统的卷积替换为高效部分卷积块. 本实验在山西白求恩医院提供的骶髂关节CT数据集中, 验证了分割精度及效率平衡方面的有效性, 最终DICE达到91.52%, IoU达到84.41%. 实验结果表明, 改进的U型分割网络能有效提高骶髂关节分割精度, 减轻医疗专业人员的负担.
骶髂关节病变是预警强直性脊柱炎的主要体征之一, 精确高效的骶髂关节自动分割对于协助医生临床诊断和治疗至关重要. 针对骶髂关节灰度多变、背景复杂、且因骶髂间隙狭小而存在容积效应导致的特征提取受限, 分割精度难以提升的问题, 本研究利用层次级联补偿下采样信息丢失以及注意力并行保留跨维信息特征的思想, 提出首个用于骶髂关节分割诊断的U型网络. 此外, 为了提高临床诊断的效率, 将U型网络中传统的卷积替换为高效部分卷积块. 本实验在山西白求恩医院提供的骶髂关节CT数据集中, 验证了分割精度及效率平衡方面的有效性, 最终DICE达到91.52%, IoU达到84.41%. 实验结果表明, 改进的U型分割网络能有效提高骶髂关节分割精度, 减轻医疗专业人员的负担.
2025, 34(1):11-25.
DOI: 10.15888/j.cnki.csa.009709
摘要:
急性缺血性脑卒中是临床上最常见的卒中类型, 因其症状突发且治疗时间窗较短等特点, 成为全球导致残疾和死亡的重要因素之一. 随着人工智能领域的迅速发展, 深度学习技术在急性缺血性脑卒中的诊疗中展现出巨大的潜力. 深度学习模型能够快速高效地根据患者脑部图像对病灶进行分割与检测. 本文介绍深度学习模型的发展历程和用于脑卒中研究的常用公开数据集. 针对计算机断层扫描(computerized tomography, CT)和磁共振成像(magnetic resonance imaging, MRI)衍生出的多种模态和扫描序列, 详细阐述了深度学习技术在急性缺血性脑卒中病灶分割与检测领域的研究进展, 总结并分析了相关研究的改进思路. 最后, 指出了深度学习在该领域现存的挑战并提出了可能的解决方案.
急性缺血性脑卒中是临床上最常见的卒中类型, 因其症状突发且治疗时间窗较短等特点, 成为全球导致残疾和死亡的重要因素之一. 随着人工智能领域的迅速发展, 深度学习技术在急性缺血性脑卒中的诊疗中展现出巨大的潜力. 深度学习模型能够快速高效地根据患者脑部图像对病灶进行分割与检测. 本文介绍深度学习模型的发展历程和用于脑卒中研究的常用公开数据集. 针对计算机断层扫描(computerized tomography, CT)和磁共振成像(magnetic resonance imaging, MRI)衍生出的多种模态和扫描序列, 详细阐述了深度学习技术在急性缺血性脑卒中病灶分割与检测领域的研究进展, 总结并分析了相关研究的改进思路. 最后, 指出了深度学习在该领域现存的挑战并提出了可能的解决方案.
2025, 34(6):41-52.
DOI: 10.15888/j.cnki.csa.009876
摘要:
本研究针对膝关节软骨MRI分割中标注数据稀缺的问题, 提出了一种多层次膝关节软骨图像分割网络. 该网络采用医学注意力机制, 并融合条件随机场, 形成了具有层次化注意力的架构. 通过将数据流分为全局流和局部流, 本网络能够同时捕获图像的全局特征和局部细节, 从而提升分割的准确性. 此外, 为了降低计算负担, 我们引入了轴向注意力机制, 有效地简化了计算过程并减少了模型参数. 通过层次化分割策略和条件随机场的整合, 网络能够更深入地挖掘类别间的相互依赖性, 提高了对关键特征的捕获能力. 在两个公共数据集K-Space和MOST上的实验验证了所提方法的有效性. 实验结果表明, 即使在数据标注有限的情况下, 本方法也能实现高精度的膝关节软骨图像分割. 与当前先进方法相比, 本研究的方法在Dice相似系数(DSC)和95% Hausdorff距离(HD95)等评价指标上均展现出显著优势.
本研究针对膝关节软骨MRI分割中标注数据稀缺的问题, 提出了一种多层次膝关节软骨图像分割网络. 该网络采用医学注意力机制, 并融合条件随机场, 形成了具有层次化注意力的架构. 通过将数据流分为全局流和局部流, 本网络能够同时捕获图像的全局特征和局部细节, 从而提升分割的准确性. 此外, 为了降低计算负担, 我们引入了轴向注意力机制, 有效地简化了计算过程并减少了模型参数. 通过层次化分割策略和条件随机场的整合, 网络能够更深入地挖掘类别间的相互依赖性, 提高了对关键特征的捕获能力. 在两个公共数据集K-Space和MOST上的实验验证了所提方法的有效性. 实验结果表明, 即使在数据标注有限的情况下, 本方法也能实现高精度的膝关节软骨图像分割. 与当前先进方法相比, 本研究的方法在Dice相似系数(DSC)和95% Hausdorff距离(HD95)等评价指标上均展现出显著优势.
2025, 34(3):115-123.
DOI: 10.15888/j.cnki.csa.009797
摘要:
为解决结肠息肉图像语义分割任务中存在的边界不清晰以及分割结果不连贯、不完整甚至丢失的问题, 提出一种基于多尺度特征和上下文聚合的结肠息肉图像分割网络 (colon polyp image segmentation network based on multi-scale features and contextual aggregation, MFCA-Net). 网络选择PvTv2作为特征提取主干网络, 设计多尺度特征互补模块 (MFCM)用以提取丰富的多尺度局部信息, 减少息肉形态变化对分割结果的影响; 设计全局信息增强模块 (GIEM), 构建嵌入位置注意力的大核深度卷积实现对息肉的精确定位, 提升网络辨别复杂背景的能力; 设计高级语义引导的上下文聚合模块 (HSCAM), 以全局特征引导局部特征, 差异性互补和交叉融合浅层细节信息与深层语义信息, 提升分割的连贯性和完整性; 设计边界感知模块 (BPM), 结合传统图像处理方法与深度学习方法优化边界特征, 实现细粒度分割, 进而获取更清晰的边界. 实验表明, 在Kvasir、ClinicDB、ColonDB和ETIS等公开的结肠息肉图像数据集上, 所提出的网络均取得相较于当前主流算法更高的mDice与mIoU分数, 具有更高的分割准确率和更强的鲁棒性.
为解决结肠息肉图像语义分割任务中存在的边界不清晰以及分割结果不连贯、不完整甚至丢失的问题, 提出一种基于多尺度特征和上下文聚合的结肠息肉图像分割网络 (colon polyp image segmentation network based on multi-scale features and contextual aggregation, MFCA-Net). 网络选择PvTv2作为特征提取主干网络, 设计多尺度特征互补模块 (MFCM)用以提取丰富的多尺度局部信息, 减少息肉形态变化对分割结果的影响; 设计全局信息增强模块 (GIEM), 构建嵌入位置注意力的大核深度卷积实现对息肉的精确定位, 提升网络辨别复杂背景的能力; 设计高级语义引导的上下文聚合模块 (HSCAM), 以全局特征引导局部特征, 差异性互补和交叉融合浅层细节信息与深层语义信息, 提升分割的连贯性和完整性; 设计边界感知模块 (BPM), 结合传统图像处理方法与深度学习方法优化边界特征, 实现细粒度分割, 进而获取更清晰的边界. 实验表明, 在Kvasir、ClinicDB、ColonDB和ETIS等公开的结肠息肉图像数据集上, 所提出的网络均取得相较于当前主流算法更高的mDice与mIoU分数, 具有更高的分割准确率和更强的鲁棒性.
2025, 34(6):138-145.
DOI: 10.15888/j.cnki.csa.009868
摘要:
由于眼底图像背景复杂、毛细血管细小且模糊以及噪声干扰等原因, 传统视网膜血管分割算法容易出现识别不准确和断连等问题. 针对这些问题, 提出一种基于改进U-Net和注意力机制的视网膜血管分割算法(MRAU-Net). 为解决特征提取不充分问题, 设计了多尺度残差卷积模块(MSRCB)来代替U-Net传统的卷积块; 为了减少信息丢失和噪声干扰, 在瓶颈层嵌入双维注意力优化模块(DAOM); 为了减少在编解码过程中造成的信息丢失, 构建了一种新的多尺度密集空洞卷积块(MDCB), 并与传统的跳跃连接相结合. 在DRIVE和CHASE_DB1两个公开数据集上进行了实验, F1-score分别为82.92%、83.75%, AUC分别为98.87%、98.96%, 灵敏度分别为84.50%、83.82%, 准确率分别为97.11%、97.63%. 实验结果表明MRAU-Net较现有优秀算法拥有更优异的性能表现.
由于眼底图像背景复杂、毛细血管细小且模糊以及噪声干扰等原因, 传统视网膜血管分割算法容易出现识别不准确和断连等问题. 针对这些问题, 提出一种基于改进U-Net和注意力机制的视网膜血管分割算法(MRAU-Net). 为解决特征提取不充分问题, 设计了多尺度残差卷积模块(MSRCB)来代替U-Net传统的卷积块; 为了减少信息丢失和噪声干扰, 在瓶颈层嵌入双维注意力优化模块(DAOM); 为了减少在编解码过程中造成的信息丢失, 构建了一种新的多尺度密集空洞卷积块(MDCB), 并与传统的跳跃连接相结合. 在DRIVE和CHASE_DB1两个公开数据集上进行了实验, F1-score分别为82.92%、83.75%, AUC分别为98.87%、98.96%, 灵敏度分别为84.50%、83.82%, 准确率分别为97.11%、97.63%. 实验结果表明MRAU-Net较现有优秀算法拥有更优异的性能表现.
2025, 34(4):166-174.
DOI: 10.15888/j.cnki.csa.009832
摘要:
肺结节图像的准确分割对于肺癌的早期诊断具有重要意义, 针对肺结节图像尺度多样、边缘模糊导致特征提取不充分和细节信息丢失问题, 本文提出一种融合多尺度特征和双分支并行的肺结节图像分割网络RAVR-UNet. 首先, 针对U-Net网络在编码阶段无法充分提取肺结节特征, 采用双分支并行特征聚合网络提取肺结节图像中的特征信息, 减少特征编码时的信息损失. 其次, 通过引入Agent_ViT模块, 在保持线性计算的基础上, 增强全局信息建模能力. 然后, 为恢复下采样期间丢失的肺结节空间信息, 在解码阶段加入多尺度特征融合模块. 最后, 设计混合损失函数以缓解肺结节图像分割任务中正负样本不平衡问题. 在LIDC-IDRI公开数据集上的实验结果表明, 所提网络的相似系数、交并比分别达到93.15%、87.63%, 优于主流肺结节分割算法且分割结果更接近真实值.
肺结节图像的准确分割对于肺癌的早期诊断具有重要意义, 针对肺结节图像尺度多样、边缘模糊导致特征提取不充分和细节信息丢失问题, 本文提出一种融合多尺度特征和双分支并行的肺结节图像分割网络RAVR-UNet. 首先, 针对U-Net网络在编码阶段无法充分提取肺结节特征, 采用双分支并行特征聚合网络提取肺结节图像中的特征信息, 减少特征编码时的信息损失. 其次, 通过引入Agent_ViT模块, 在保持线性计算的基础上, 增强全局信息建模能力. 然后, 为恢复下采样期间丢失的肺结节空间信息, 在解码阶段加入多尺度特征融合模块. 最后, 设计混合损失函数以缓解肺结节图像分割任务中正负样本不平衡问题. 在LIDC-IDRI公开数据集上的实验结果表明, 所提网络的相似系数、交并比分别达到93.15%、87.63%, 优于主流肺结节分割算法且分割结果更接近真实值.
2024, 33(6):99-107.
DOI: 10.15888/j.cnki.csa.009501
摘要:
视网膜血管分割是医学图像分割中常见的一项任务, 视网膜血管图像有着分割目标小而多的特点, 过去的网络在分割中可以较好地提取粗血管, 但是很容易忽略细血管, 而这部分细血管的提取在一定程度上影响网络的性能, 甚至是诊断的结果. 因此, 为了达到在保证准确提取粗血管的前提下, 提取到更多更连续的细血管的目标, 本文使用对称编解码网络作为基础网络, 使用一种新的卷积模块DR-Conv, 旨在防止过拟合的同时提高网络的学习能力. 同时, 针对最大池化层造成的信息损失问题, 考虑使用小波变换进行图像分解并使用逆小波变换对图像进行恢复, 利用混合损失函数结合不同损失函数的特性以弥补单个损失函数优化能力不足的问题. 为了评估网络的性能, 在3个公共视网膜血管数据集上分别对网络进行了测试, 并与最新方法进行了比较, 实验结果表明本文网络拥有更优的性能.
视网膜血管分割是医学图像分割中常见的一项任务, 视网膜血管图像有着分割目标小而多的特点, 过去的网络在分割中可以较好地提取粗血管, 但是很容易忽略细血管, 而这部分细血管的提取在一定程度上影响网络的性能, 甚至是诊断的结果. 因此, 为了达到在保证准确提取粗血管的前提下, 提取到更多更连续的细血管的目标, 本文使用对称编解码网络作为基础网络, 使用一种新的卷积模块DR-Conv, 旨在防止过拟合的同时提高网络的学习能力. 同时, 针对最大池化层造成的信息损失问题, 考虑使用小波变换进行图像分解并使用逆小波变换对图像进行恢复, 利用混合损失函数结合不同损失函数的特性以弥补单个损失函数优化能力不足的问题. 为了评估网络的性能, 在3个公共视网膜血管数据集上分别对网络进行了测试, 并与最新方法进行了比较, 实验结果表明本文网络拥有更优的性能.
2024, 33(3):12-23.
DOI: 10.15888/j.cnki.csa.009421
摘要:
眼底血管图像分割对青光眼、糖尿病视网膜病变等多种眼部疾病有较好的辅助诊断作用, 目前深度学习因其强大的抽象特征发现能力, 有望满足人们从眼底血管图像中提取特征信息进行图像自动分割的需求, 成为眼底血管图像分割领域的研究热点. 为更好把握该领域的研究进展, 本文对相关数据集和评价指标整理归纳, 对深度学习在眼底血管图像分割中的应用进行详细阐述, 重点梳理各类分割方法的基本思想、网络结构及改进之处, 分析现有眼底血管图像分割方法存在的局限性及面临的挑战, 并对该领域未来的研究方向做出展望.
眼底血管图像分割对青光眼、糖尿病视网膜病变等多种眼部疾病有较好的辅助诊断作用, 目前深度学习因其强大的抽象特征发现能力, 有望满足人们从眼底血管图像中提取特征信息进行图像自动分割的需求, 成为眼底血管图像分割领域的研究热点. 为更好把握该领域的研究进展, 本文对相关数据集和评价指标整理归纳, 对深度学习在眼底血管图像分割中的应用进行详细阐述, 重点梳理各类分割方法的基本思想、网络结构及改进之处, 分析现有眼底血管图像分割方法存在的局限性及面临的挑战, 并对该领域未来的研究方向做出展望.
2024, 33(1):110-118.
DOI: 10.15888/j.cnki.csa.009371
摘要:
Transformer模型中, 卷积视觉转换器(CvT)具备同时提取图像的局部和全局特征的能力而受到关注. 对于腹部器官分割问题, 为了解决CNN模型分割目标边界轮廓模糊不清的问题, 提出了一种新颖的基于CvT和CNN的双分支闭环分割模型DBLNet. 模型利用形状先验和预测结果的分割轮廓显式监督并指导网络学习过程. 模型包括: 轮廓提取编码模块(CEE)、边界形状分割网络(BSSN)和闭环结构. CEE模块首次利用改造的3D CvT和3D门控卷积层(GCL)捕获多层级轮廓特征, 并辅助BSSN训练. BSSN模块设计形状特征融合模块(SFF)同时捕获目标区域和轮廓特征, 推动CEE训练拟合. 闭环结构使得双分支的分割结果互相反馈并辅助对方的训练. DBLNet在BTCV排行榜上测试, 平均Dice得分为0.878, 排名第13位; 在临床医院数据进行应用测试, 表现出强大的性能.
Transformer模型中, 卷积视觉转换器(CvT)具备同时提取图像的局部和全局特征的能力而受到关注. 对于腹部器官分割问题, 为了解决CNN模型分割目标边界轮廓模糊不清的问题, 提出了一种新颖的基于CvT和CNN的双分支闭环分割模型DBLNet. 模型利用形状先验和预测结果的分割轮廓显式监督并指导网络学习过程. 模型包括: 轮廓提取编码模块(CEE)、边界形状分割网络(BSSN)和闭环结构. CEE模块首次利用改造的3D CvT和3D门控卷积层(GCL)捕获多层级轮廓特征, 并辅助BSSN训练. BSSN模块设计形状特征融合模块(SFF)同时捕获目标区域和轮廓特征, 推动CEE训练拟合. 闭环结构使得双分支的分割结果互相反馈并辅助对方的训练. DBLNet在BTCV排行榜上测试, 平均Dice得分为0.878, 排名第13位; 在临床医院数据进行应用测试, 表现出强大的性能.
2024, 33(1):119-126.
DOI: 10.15888/j.cnki.csa.009361
摘要:
针对脑肿瘤多模态信息融合不充分以及肿瘤区域细节信息丢失等问题, 提出了一种跨模态融合的双注意力脑肿瘤图像分割网络(CFDA-Net). 在编码器-解码器的基础结构上, 首先在编码器分支采用密集块与大内核注意力并行的新卷积块, 可以使全局和局部信息有效融合且可以防止反向传播时梯度消失的问题; 其次在编码器的第2、3和4层的左侧加入多模态深度融合模块, 有效地利用不同模态间的互补信息; 然后在解码器分支使用Shuffle Attention注意力将特征图分组处理后再聚合, 其中分组的子特征一分为二地获取空间与通道的重要注意特征. 最后使用二进制交叉熵(binary cross entropy, BCE)、Dice Loss与L2 Loss组成新的混合损失函数, 缓解了脑肿瘤数据的类别不平衡问题, 进一步提升分割性能. 在BraTS2019脑肿瘤数据集上的实验结果表明, 该模型在整体肿瘤区域、肿瘤核心区域和肿瘤增强区域的平均Dice系数值分别为0.887、0.892和0.815. 与其他先进的分割方法ADHDC-Net、SDS-MSA-Net等相比, 该模型在肿瘤核心区域和增强区域具有更好的分割效果.
针对脑肿瘤多模态信息融合不充分以及肿瘤区域细节信息丢失等问题, 提出了一种跨模态融合的双注意力脑肿瘤图像分割网络(CFDA-Net). 在编码器-解码器的基础结构上, 首先在编码器分支采用密集块与大内核注意力并行的新卷积块, 可以使全局和局部信息有效融合且可以防止反向传播时梯度消失的问题; 其次在编码器的第2、3和4层的左侧加入多模态深度融合模块, 有效地利用不同模态间的互补信息; 然后在解码器分支使用Shuffle Attention注意力将特征图分组处理后再聚合, 其中分组的子特征一分为二地获取空间与通道的重要注意特征. 最后使用二进制交叉熵(binary cross entropy, BCE)、Dice Loss与L2 Loss组成新的混合损失函数, 缓解了脑肿瘤数据的类别不平衡问题, 进一步提升分割性能. 在BraTS2019脑肿瘤数据集上的实验结果表明, 该模型在整体肿瘤区域、肿瘤核心区域和肿瘤增强区域的平均Dice系数值分别为0.887、0.892和0.815. 与其他先进的分割方法ADHDC-Net、SDS-MSA-Net等相比, 该模型在肿瘤核心区域和增强区域具有更好的分割效果.
2024, 33(5):110-117.
DOI: 10.15888/j.cnki.csa.009510
摘要:
卷积神经网络(CNN)作为医学图像分割领域中U-Net基线网络的重要组成部分, 其主要作用是处理局部特征信息之间的关系. 而Transformer是一种能够有效强化特征信息之间的远距离依赖关系的视觉模型. 目前的研究表明, 结合Transformer和CNN可以在一定程度上提高医学图像分割的准确性. 但是, 由于医学图像的标注数据较少, 而且训练Transformer模型需要大量数据, 这使得Transformer模型面临耗时长和参数量大的挑战. 基于这些考虑, 本文在UNeXt模型的基础上, 结合多尺度混合MLP和CNN, 提出了一种新型的基于混合MLP的医学图像分割模型——LM-UNet. 这种模型能够有效地增强局部与全局信息之间的联系, 并加强特征信息间的融合. 在多个数据集上的实验表明, LM-UNet模型在皮肤数据集上的分割性能明显提升, 平均Dice系数达到92.58%, 平均IoU系数达到86.52%, 分别比UNeXt模型提高了3%和3.5%. 在软骨和乳腺数据集上的分割效果也有显著提升, 平均Dice系数分别比UNeXt提高了2.5%和1.0%. 因此, LM-UNet模型不仅提高了医学图像分割的准确性, 还增强了其泛化能力.
卷积神经网络(CNN)作为医学图像分割领域中U-Net基线网络的重要组成部分, 其主要作用是处理局部特征信息之间的关系. 而Transformer是一种能够有效强化特征信息之间的远距离依赖关系的视觉模型. 目前的研究表明, 结合Transformer和CNN可以在一定程度上提高医学图像分割的准确性. 但是, 由于医学图像的标注数据较少, 而且训练Transformer模型需要大量数据, 这使得Transformer模型面临耗时长和参数量大的挑战. 基于这些考虑, 本文在UNeXt模型的基础上, 结合多尺度混合MLP和CNN, 提出了一种新型的基于混合MLP的医学图像分割模型——LM-UNet. 这种模型能够有效地增强局部与全局信息之间的联系, 并加强特征信息间的融合. 在多个数据集上的实验表明, LM-UNet模型在皮肤数据集上的分割性能明显提升, 平均Dice系数达到92.58%, 平均IoU系数达到86.52%, 分别比UNeXt模型提高了3%和3.5%. 在软骨和乳腺数据集上的分割效果也有显著提升, 平均Dice系数分别比UNeXt提高了2.5%和1.0%. 因此, LM-UNet模型不仅提高了医学图像分割的准确性, 还增强了其泛化能力.
2024, 33(11):157-166.
DOI: 10.15888/j.cnki.csa.009676
摘要:
针对皮肤病灶大小不一、与周围皮肤对比度低、边界模糊不规则、存在伪影及毛发干扰等问题, 本文提出一种边缘增强结合多尺度信息融合的皮肤病变分割算法, 该算法由编码器、多尺度感知模块、边缘增强模块、轻量化解码器组成. 首先在编码器中构建Transformer模块以提取全局信息, 使用卷积操作以提取局部信息; 其次设计多尺度感知模块, 采用密集连接结构的门控空洞卷积金字塔模块来融合多尺度特征; 接着构建边缘增强模块, 利用深层特征促进对边缘特征的探索以更好的保留细节和边缘信息; 最后设计轻量化解码器, 采用CARAFE轻量化算子进行上采样, 在使用相对较少参数的情况下保持较高的分割精度. 在公开数据集ISIC2016和ISIC2018上做对比实验, 结果表明, 本文算法分割精度高于其他流行算法.
针对皮肤病灶大小不一、与周围皮肤对比度低、边界模糊不规则、存在伪影及毛发干扰等问题, 本文提出一种边缘增强结合多尺度信息融合的皮肤病变分割算法, 该算法由编码器、多尺度感知模块、边缘增强模块、轻量化解码器组成. 首先在编码器中构建Transformer模块以提取全局信息, 使用卷积操作以提取局部信息; 其次设计多尺度感知模块, 采用密集连接结构的门控空洞卷积金字塔模块来融合多尺度特征; 接着构建边缘增强模块, 利用深层特征促进对边缘特征的探索以更好的保留细节和边缘信息; 最后设计轻量化解码器, 采用CARAFE轻量化算子进行上采样, 在使用相对较少参数的情况下保持较高的分割精度. 在公开数据集ISIC2016和ISIC2018上做对比实验, 结果表明, 本文算法分割精度高于其他流行算法.
2024, 33(2):143-150.
DOI: 10.15888/j.cnki.csa.009394
摘要:
针对U-Net模型在MRI脑肿瘤分割上存在的感受野受限和全局信息捕获不足问题, 通过引入非局部自注意力机制与多尺度的金字塔卷积提出一种改进U-Net模型—PyCSAU-Net. 该模型以三维U-Net作为基础网络, 在第4层横向连接位置引入扩展的三维非局部注意力模块, 通过改善网络因卷积核大小受限导致的长距离建模能力不足问题来提升脑肿瘤分割精度; 此外, 在网络下采样阶段将普通卷积替换为具有多尺度特点的三维金字塔卷积, 在多级别和分辨率下来提取更具判别性的脑肿瘤深度特征. 在公开的BraTS 2019和BraTS 2020验证集上在完全肿瘤、增强肿瘤和肿瘤核心分割上分别取得了0.904/0.901、0.781/0.774和0.825/0.824的分割精度, 表明所提出PyCSAU-Net方法在脑肿瘤分割任务上的有效性和竞争力.
针对U-Net模型在MRI脑肿瘤分割上存在的感受野受限和全局信息捕获不足问题, 通过引入非局部自注意力机制与多尺度的金字塔卷积提出一种改进U-Net模型—PyCSAU-Net. 该模型以三维U-Net作为基础网络, 在第4层横向连接位置引入扩展的三维非局部注意力模块, 通过改善网络因卷积核大小受限导致的长距离建模能力不足问题来提升脑肿瘤分割精度; 此外, 在网络下采样阶段将普通卷积替换为具有多尺度特点的三维金字塔卷积, 在多级别和分辨率下来提取更具判别性的脑肿瘤深度特征. 在公开的BraTS 2019和BraTS 2020验证集上在完全肿瘤、增强肿瘤和肿瘤核心分割上分别取得了0.904/0.901、0.781/0.774和0.825/0.824的分割精度, 表明所提出PyCSAU-Net方法在脑肿瘤分割任务上的有效性和竞争力.
2024, 33(1):141-147.
DOI: 10.15888/j.cnki.csa.009374
摘要:
为了提高特征融合, 我们设计了动态全连接层(DyFC), 该方法重新定义了权重和偏置, 使用基向量来代表新的权重和偏置, 基向量的系数是根据每一个输入特征进行学习得到的, 权重和偏置不再是共享的, 而是特有的, 这对于每一个特征的表达更具有专向性. 在本文中, 我们提出了一种双流映射结构模型IUINet. IUINet是通过3DShift操作、空间可分离卷积的组合来实现医学图像分割任务, 同时保持精度和效率之间的平衡. 所提出来的IUINet遵循编码器-解码器结构, 其中编码器一部分包含Shift操作、逐点Conv1×1操作, 另一部分包含空间可分离卷积操作. IUINet运用了多尺度输入以及多尺度特征映射层, 提高反向传播速度, 降低反向传播的平均距离. 提高模型的精确度, 增加模型泛化能力, 减少过拟合.
为了提高特征融合, 我们设计了动态全连接层(DyFC), 该方法重新定义了权重和偏置, 使用基向量来代表新的权重和偏置, 基向量的系数是根据每一个输入特征进行学习得到的, 权重和偏置不再是共享的, 而是特有的, 这对于每一个特征的表达更具有专向性. 在本文中, 我们提出了一种双流映射结构模型IUINet. IUINet是通过3DShift操作、空间可分离卷积的组合来实现医学图像分割任务, 同时保持精度和效率之间的平衡. 所提出来的IUINet遵循编码器-解码器结构, 其中编码器一部分包含Shift操作、逐点Conv1×1操作, 另一部分包含空间可分离卷积操作. IUINet运用了多尺度输入以及多尺度特征映射层, 提高反向传播速度, 降低反向传播的平均距离. 提高模型的精确度, 增加模型泛化能力, 减少过拟合.
2024, 33(2):159-165.
DOI: 10.15888/j.cnki.csa.009379
摘要:
了解岩石的孔隙度、孔径分布、孔隙连通性等特征对于油气的寻找和开采有着重要的意义, 而这些特征的分析和判断需要借助岩石薄片图像分割技术. 岩石薄片图像有大量细小颗粒, 这些颗粒之间的边缘特征十分相似, 无法做出精准的区分, 同时制造切片过程中染色不均会造成薄片孔隙的颜色特征不平衡而导致无法分割. 因此为了改善岩石薄片分割效果, 本文提出基于一种改进的U2Net的分割算法. 主要内容如下: (1)以U2Net网络为骨干进行改进, 结合coordinate attention注意力机制, 用来提高模型对图像特征的表达能力. (2)通过引入多尺度特征提取模块, 增加卷积层的感知区域, 且能够利用特征图的多尺度特征信息. 实验证明, 该方法与传统分割方法和其他分割网络相比在较小颗粒的分割上表现更好, 所提出的算法具有较高的分割准确度和鲁棒性.
了解岩石的孔隙度、孔径分布、孔隙连通性等特征对于油气的寻找和开采有着重要的意义, 而这些特征的分析和判断需要借助岩石薄片图像分割技术. 岩石薄片图像有大量细小颗粒, 这些颗粒之间的边缘特征十分相似, 无法做出精准的区分, 同时制造切片过程中染色不均会造成薄片孔隙的颜色特征不平衡而导致无法分割. 因此为了改善岩石薄片分割效果, 本文提出基于一种改进的U2Net的分割算法. 主要内容如下: (1)以U2Net网络为骨干进行改进, 结合coordinate attention注意力机制, 用来提高模型对图像特征的表达能力. (2)通过引入多尺度特征提取模块, 增加卷积层的感知区域, 且能够利用特征图的多尺度特征信息. 实验证明, 该方法与传统分割方法和其他分割网络相比在较小颗粒的分割上表现更好, 所提出的算法具有较高的分割准确度和鲁棒性.
2024, 33(12):170-176.
DOI: 10.15888/j.cnki.csa.009694
摘要:
针对变电站仪表背景复杂、多旋转角度图像导致读数识别准确率低的问题, 提出一种基于YOLOv8和改进UNet++的指针式仪表读数识别方法. 采用YOLOv8模型检测仪表区域, 并利用透视变换进行旋转校正; 采用极化自注意力模块改进的UNet++算法分割表盘图像提取刻度、指针区域; 经过提取指针直线后, 采用角度法计算仪表读数. 实验结果表明: 提出方法识别仪表读数的平均引用误差为1.82%, 具有较高的识别准确性, 将其应用于变电站指针式仪表智能化巡检中具有一定的可行性.
针对变电站仪表背景复杂、多旋转角度图像导致读数识别准确率低的问题, 提出一种基于YOLOv8和改进UNet++的指针式仪表读数识别方法. 采用YOLOv8模型检测仪表区域, 并利用透视变换进行旋转校正; 采用极化自注意力模块改进的UNet++算法分割表盘图像提取刻度、指针区域; 经过提取指针直线后, 采用角度法计算仪表读数. 实验结果表明: 提出方法识别仪表读数的平均引用误差为1.82%, 具有较高的识别准确性, 将其应用于变电站指针式仪表智能化巡检中具有一定的可行性.
2024, 33(3):206-212.
DOI: 10.15888/j.cnki.csa.009440
摘要:
骨关节疾病自古以来是人类最高发的疾病之一, 随着老龄化的不断加快, 这类疾病日趋广泛, 关节外科医师面临着巨大挑战. 对人体关节的图像分割方法研究可以帮助医生进行临床诊断和治疗, 然而, 由于存在噪声、模糊、对比度低等问题, 医学图像的特征提取比普通图像更具挑战性, 而且目前大多数分割模型在编码器和解码器之间都采用了普通的跳跃连接, 没有注重解决跳跃连接过程中的信息间隙和损失问题. 为解决这些问题, 提出一种基于DH-Swin Unet的医学图像分割算法, 该模型在Swin-Unet模型的基础上, 在跳跃连接中引入密集连接的Swin Transformer块, 并加入混合注意力机制, 来强化网络的特征信息传递. 通过在某三甲医院提供的真实临床数据对所提方法的性能进行评价, 结果表明, 所提出的方法取得了DSC为86.79%、HD为32.05 mm的分割结果, 在关节疾病的临床诊断中具有一定的实用价值.
骨关节疾病自古以来是人类最高发的疾病之一, 随着老龄化的不断加快, 这类疾病日趋广泛, 关节外科医师面临着巨大挑战. 对人体关节的图像分割方法研究可以帮助医生进行临床诊断和治疗, 然而, 由于存在噪声、模糊、对比度低等问题, 医学图像的特征提取比普通图像更具挑战性, 而且目前大多数分割模型在编码器和解码器之间都采用了普通的跳跃连接, 没有注重解决跳跃连接过程中的信息间隙和损失问题. 为解决这些问题, 提出一种基于DH-Swin Unet的医学图像分割算法, 该模型在Swin-Unet模型的基础上, 在跳跃连接中引入密集连接的Swin Transformer块, 并加入混合注意力机制, 来强化网络的特征信息传递. 通过在某三甲医院提供的真实临床数据对所提方法的性能进行评价, 结果表明, 所提出的方法取得了DSC为86.79%、HD为32.05 mm的分割结果, 在关节疾病的临床诊断中具有一定的实用价值.
2024, 33(8):231-239.
DOI: 10.15888/j.cnki.csa.009577
摘要:
近年来基于卷积神经网络(CNN)的图像分割应用已十分广泛, 在特征提取的部分取得了很大进展. 然而随着卷积层数越来越深, 感受野不断增大, 使模型丢失局部特征信息进而影响模型性能. 使用图卷积网络(GCN)处理图数据结构的信息, 能够在保留局部特征同时不随层数的加深而丢失局部信息. 本文主要研究将基于CNN结构的对称全卷积网络(U-Net)特征提取与基于GCN的图像分割结合, 提取全局与局部、浅层与深层的多尺度特征集应用于多模态脑胶质瘤核核磁共振(MR)序列图像分割, 可分为两个阶段: 第1阶段利用 U-Net 对多模态脑核磁共振胶质瘤MR序列图像进行特征提取, 通过多个池化层实现多尺度特征提取及上采样进行特征融合, 其中底层输出较低级别特征, 高层输出更加抽象的高级特征; 第2阶段通过膨胀邻域及稀疏化处理将 U-Net 获得的特征图数据转化为 GCN 所需的图结构数据, 将图像分割问题转化为图节点分类问题, 最后通过余弦相似度量对图结构数据进行分类. 在BraTS 2018公开数据库上的实验结果取得分割准确度0.996、灵敏度0.892的效果. 相比其他深度学习模型, 本方法通过多尺度特征融合, 利用GCN建立高低级别特征的拓扑连接, 确保局部信息不丢失以取得较好的分割效果, 能够胜任临床脑胶质瘤核磁共振图像的分析需求, 进而有效提高脑胶质瘤诊断精度.
近年来基于卷积神经网络(CNN)的图像分割应用已十分广泛, 在特征提取的部分取得了很大进展. 然而随着卷积层数越来越深, 感受野不断增大, 使模型丢失局部特征信息进而影响模型性能. 使用图卷积网络(GCN)处理图数据结构的信息, 能够在保留局部特征同时不随层数的加深而丢失局部信息. 本文主要研究将基于CNN结构的对称全卷积网络(U-Net)特征提取与基于GCN的图像分割结合, 提取全局与局部、浅层与深层的多尺度特征集应用于多模态脑胶质瘤核核磁共振(MR)序列图像分割, 可分为两个阶段: 第1阶段利用 U-Net 对多模态脑核磁共振胶质瘤MR序列图像进行特征提取, 通过多个池化层实现多尺度特征提取及上采样进行特征融合, 其中底层输出较低级别特征, 高层输出更加抽象的高级特征; 第2阶段通过膨胀邻域及稀疏化处理将 U-Net 获得的特征图数据转化为 GCN 所需的图结构数据, 将图像分割问题转化为图节点分类问题, 最后通过余弦相似度量对图结构数据进行分类. 在BraTS 2018公开数据库上的实验结果取得分割准确度0.996、灵敏度0.892的效果. 相比其他深度学习模型, 本方法通过多尺度特征融合, 利用GCN建立高低级别特征的拓扑连接, 确保局部信息不丢失以取得较好的分割效果, 能够胜任临床脑胶质瘤核磁共振图像的分析需求, 进而有效提高脑胶质瘤诊断精度.
2024, 33(6):232-241.
DOI: 10.15888/j.cnki.csa.009528
摘要:
多器官医学图像分割有助于医生做出临床诊断. 针对CNN提取全局特征能力弱, Transformer提取局部特征能力弱, 以及Transformer具有二次方计算复杂度的问题, 提出了用于多器官医学图像分割的多级特征交互Transformer模型. 所提模型采用CNN提取局部特征, 局部特征经Swin Transformer输出全局特征; 通过下采样分别产生多级局部和全局特征, 每级局部和全局特征经过交互并增强; 每级增强后的特征经多级特征融合模块进行交叉融合; 再次融合后的特征经过上采样和分割头输出分割掩码. 所提模型在Synapse和ACDC数据集上进行实验, 平均DSC和平均HD95系数值为80.16%和19.20 mm, 均优于LGNet和RFE-UNet等代表性模型. 该模型对多器官医学图像分割是有效的.
多器官医学图像分割有助于医生做出临床诊断. 针对CNN提取全局特征能力弱, Transformer提取局部特征能力弱, 以及Transformer具有二次方计算复杂度的问题, 提出了用于多器官医学图像分割的多级特征交互Transformer模型. 所提模型采用CNN提取局部特征, 局部特征经Swin Transformer输出全局特征; 通过下采样分别产生多级局部和全局特征, 每级局部和全局特征经过交互并增强; 每级增强后的特征经多级特征融合模块进行交叉融合; 再次融合后的特征经过上采样和分割头输出分割掩码. 所提模型在Synapse和ACDC数据集上进行实验, 平均DSC和平均HD95系数值为80.16%和19.20 mm, 均优于LGNet和RFE-UNet等代表性模型. 该模型对多器官医学图像分割是有效的.
2024, 33(9):261-268.
DOI: 10.15888/j.cnki.csa.009617
摘要:
少样本语义分割是在具有少量标注样本的查询图像的条件下, 对潜在对象类别进行分割的计算机视觉任务. 然而, 现有方法仍然存在两个问题, 这对它们构成了挑战. 首先是原型偏差问题, 这导致原型具有较少的前景目标信息, 难以模拟真实的类别统计信息. 另一个是特征破坏问题, 这意味着模型只关注当前类别而不关注潜在类别. 本文提出了一个基于对比原型以及背景挖掘的新网络. 该网络主要思想是使模型学习更具代表性的原型, 并从背景中识别潜在类别. 具体而言, 特定类学习分支构建了一个大且一致的原型字典, 然后使用InfoNCE损失使原型更具区分性. 另一方面, 背景挖掘分支初始化背景原型, 并使用构建的背景原型与字典之间的注意力机制来挖掘潜在类别. 在PASCAL-5i和COCO-20i数据集上的实验证明模型有优秀的性能. 在使用ResNet-50网络的1-shot设置下, 达到了64.9%和44.2%, 相较于基准模型分别提升了4.0%和1.9%.
少样本语义分割是在具有少量标注样本的查询图像的条件下, 对潜在对象类别进行分割的计算机视觉任务. 然而, 现有方法仍然存在两个问题, 这对它们构成了挑战. 首先是原型偏差问题, 这导致原型具有较少的前景目标信息, 难以模拟真实的类别统计信息. 另一个是特征破坏问题, 这意味着模型只关注当前类别而不关注潜在类别. 本文提出了一个基于对比原型以及背景挖掘的新网络. 该网络主要思想是使模型学习更具代表性的原型, 并从背景中识别潜在类别. 具体而言, 特定类学习分支构建了一个大且一致的原型字典, 然后使用InfoNCE损失使原型更具区分性. 另一方面, 背景挖掘分支初始化背景原型, 并使用构建的背景原型与字典之间的注意力机制来挖掘潜在类别. 在PASCAL-5i和COCO-20i数据集上的实验证明模型有优秀的性能. 在使用ResNet-50网络的1-shot设置下, 达到了64.9%和44.2%, 相较于基准模型分别提升了4.0%和1.9%.
2024, 33(6):37-47.
DOI: 10.15888/j.cnki.csa.009530
摘要:
犹豫模糊C-均值(hesitant fuzzy C-means, HFCM)聚类算法在一定程度上处理了图像中不同像素块之间的不确定性, 但由于其目标函数中不包含任何局部空间信息, 因此对噪声比较敏感, 当噪声较大时无法获得较好的分割精度. 针对上述问题, 提出了一种改进犹豫模糊C-均值(improved hesitant fuzzy C-means, IHFCM)的图像分割方法. 首先给出了犹豫模糊元(hesitant fuzzy element)的补齐方法, 然后提出了犹豫模糊元之间的相似性度量, 利用犹豫模糊元之间的相似性度量构造了新颖的模糊因子融合到HFCM的目标函数中, 新的模糊因子不仅考虑了局部窗口中的空间信息而且考虑了像素间的相似性, 平衡噪声带来的影响且保留了图像细节. 最后, 在合成图像、BSDS500数据集图像以及自然图像上的分割实验结果表明, 所提出的IHFCM算法对噪声有良好的鲁棒性, 提升了分割精度.
犹豫模糊C-均值(hesitant fuzzy C-means, HFCM)聚类算法在一定程度上处理了图像中不同像素块之间的不确定性, 但由于其目标函数中不包含任何局部空间信息, 因此对噪声比较敏感, 当噪声较大时无法获得较好的分割精度. 针对上述问题, 提出了一种改进犹豫模糊C-均值(improved hesitant fuzzy C-means, IHFCM)的图像分割方法. 首先给出了犹豫模糊元(hesitant fuzzy element)的补齐方法, 然后提出了犹豫模糊元之间的相似性度量, 利用犹豫模糊元之间的相似性度量构造了新颖的模糊因子融合到HFCM的目标函数中, 新的模糊因子不仅考虑了局部窗口中的空间信息而且考虑了像素间的相似性, 平衡噪声带来的影响且保留了图像细节. 最后, 在合成图像、BSDS500数据集图像以及自然图像上的分割实验结果表明, 所提出的IHFCM算法对噪声有良好的鲁棒性, 提升了分割精度.
2024, 33(3):103-110.
DOI: 10.15888/j.cnki.csa.009417
摘要:
基于计算机断层扫描(CT)图像的多器官精准分割能够准确诊断病灶, 快速制定治疗计划, 提高临床工作的效率. 传统分割算法针对形变大、体积较小且边缘模糊的器官分割效果相对较差. 本文提出了一种改进的U-Net的医学图像分割网络(MAU-Net), 通过引入两个模块, 旨在实现对多器官的精准分割. 多尺度空洞卷积模块通过不同内核大小实现捕捉目标器官多尺度特征. 动态注意力模块精确提取重要特征实现分支间的权重平衡. 通过消融实验和其他主流网络的对比实验, 验证了MAU-Net的优越性. 相比于传统的U-Net模型, MAU-Net在所有器官上平均Dice相关系数(DSC)提高了3.39%, 平均95%豪斯多夫距离(HD)降低了4.84 mm. MAU-Net在多器官分割任务中展现了出色的鲁棒性和应用潜力, 有助于提高临床工作效率和医疗诊断的准确性.
基于计算机断层扫描(CT)图像的多器官精准分割能够准确诊断病灶, 快速制定治疗计划, 提高临床工作的效率. 传统分割算法针对形变大、体积较小且边缘模糊的器官分割效果相对较差. 本文提出了一种改进的U-Net的医学图像分割网络(MAU-Net), 通过引入两个模块, 旨在实现对多器官的精准分割. 多尺度空洞卷积模块通过不同内核大小实现捕捉目标器官多尺度特征. 动态注意力模块精确提取重要特征实现分支间的权重平衡. 通过消融实验和其他主流网络的对比实验, 验证了MAU-Net的优越性. 相比于传统的U-Net模型, MAU-Net在所有器官上平均Dice相关系数(DSC)提高了3.39%, 平均95%豪斯多夫距离(HD)降低了4.84 mm. MAU-Net在多器官分割任务中展现了出色的鲁棒性和应用潜力, 有助于提高临床工作效率和医疗诊断的准确性.
2024, 33(6):70-80.
DOI: 10.15888/j.cnki.csa.009509
摘要:
结肠息肉的准确分割对于切除异常组织和降低息肉转换为结肠癌的风险具有重要意义. 目前的结肠息肉分割模型在对息肉图像进行分割时存在着较高的误判率和分割精度较低的问题. 为了实现对息肉图像的精准分割, 提出了一种融合多尺度门控卷积和窗口注意力的结肠息肉分割模型(MGW-Net). 首先, 设计一种改进的多尺度门控卷积块(MGCM)取代U-Net的卷积块, 来实现对结肠息肉图像信息的充分提取. 其次, 为了减少跳跃连接处的信息损失并充分利用网络底部信息, 结合改进的空洞卷积和混合增强的残差窗口注意力构建了多信息融合增强模块(MFEM), 以优化跳跃连接处的特征融合. 在CVC-ClinicDB和Kvasir-SEG数据集上的实验结果表明, MGW-Net的相似性系数分别为93.8%和92.7%, 平均交并比分别为89.4%和87.9%, 在CVC-ColonDB、CVC-300和ETIS数据集上的实验结果表明其拥有较强的泛化性能, 从而验证了MGW-Net可以有效地提高对结肠息肉分割的准确性和鲁棒性.
结肠息肉的准确分割对于切除异常组织和降低息肉转换为结肠癌的风险具有重要意义. 目前的结肠息肉分割模型在对息肉图像进行分割时存在着较高的误判率和分割精度较低的问题. 为了实现对息肉图像的精准分割, 提出了一种融合多尺度门控卷积和窗口注意力的结肠息肉分割模型(MGW-Net). 首先, 设计一种改进的多尺度门控卷积块(MGCM)取代U-Net的卷积块, 来实现对结肠息肉图像信息的充分提取. 其次, 为了减少跳跃连接处的信息损失并充分利用网络底部信息, 结合改进的空洞卷积和混合增强的残差窗口注意力构建了多信息融合增强模块(MFEM), 以优化跳跃连接处的特征融合. 在CVC-ClinicDB和Kvasir-SEG数据集上的实验结果表明, MGW-Net的相似性系数分别为93.8%和92.7%, 平均交并比分别为89.4%和87.9%, 在CVC-ColonDB、CVC-300和ETIS数据集上的实验结果表明其拥有较强的泛化性能, 从而验证了MGW-Net可以有效地提高对结肠息肉分割的准确性和鲁棒性.
2024, 33(7):94-102.
DOI: 10.15888/j.cnki.csa.009540
摘要:
图像分割经历了从基于传统的阈值分割等方法逐步发展到基于卷积神经网络的方法. 传统的卷积神经网络在分割领域中表现突出, 但训练速度慢、分割精度不够高等局限性也逐渐显现. 为了克服这些局限性, 本文在TransUNet网络的基础上进行改进, 提出了基于BM-TransUNet网络的图像分割识别方法, 在TransUNet网络的在第1层之后加上深度可分离卷积模块, 并在编码器下采样的卷积层后引入注意力机制模块, 让算法更好地探索分割对象特征, 同时在编码器与解码器之间引入多尺度特征融合模块FPN. 本文基于自制的咽后壁数据集, 用于图像分割训练, 并将训练后的BM-TransUNet网络与多种传统分割网络的效果进行对比. 实验结果表明, 相比于其他传统的深度学习模型, BM-TransUNet网络的识别方法具有较高的分类准确性和泛化能力, 精确度Precision和Dice系数分别达到了93.61%和90.76%, 显示出较好的计算效率, 能有效地应用于分割任务.
图像分割经历了从基于传统的阈值分割等方法逐步发展到基于卷积神经网络的方法. 传统的卷积神经网络在分割领域中表现突出, 但训练速度慢、分割精度不够高等局限性也逐渐显现. 为了克服这些局限性, 本文在TransUNet网络的基础上进行改进, 提出了基于BM-TransUNet网络的图像分割识别方法, 在TransUNet网络的在第1层之后加上深度可分离卷积模块, 并在编码器下采样的卷积层后引入注意力机制模块, 让算法更好地探索分割对象特征, 同时在编码器与解码器之间引入多尺度特征融合模块FPN. 本文基于自制的咽后壁数据集, 用于图像分割训练, 并将训练后的BM-TransUNet网络与多种传统分割网络的效果进行对比. 实验结果表明, 相比于其他传统的深度学习模型, BM-TransUNet网络的识别方法具有较高的分类准确性和泛化能力, 精确度Precision和Dice系数分别达到了93.61%和90.76%, 显示出较好的计算效率, 能有效地应用于分割任务.
2023, 32(2):83-93.
DOI: 10.15888/j.cnki.csa.008971
摘要:
针对虹膜图像中存在眼镜遮挡、模糊、角度偏差等不同噪声因素, 我们设计了一种基于Mask R-CNN的卷积神经网络(convolutional neural network, CNN), 命名为Mask-INet, 用于虹膜分割. 该网络在特征提取阶段为特征金字塔添加了一条自底向上的路径, 既提高了底层到顶层特征的定位信息, 增强语义信息融合, 又进一步加快了底层到顶层的传播效率, 有效提升对虹膜特征提取的准确性. 为了进一步挖掘特征图中的特征信息, 在掩模预测分支阶段, 我们引入上采样和CBAM网络(convolutional block attention module), 利用上采样提高特征图的空间分辨率, 利用CBAM网络让特征图中的显著信息更加显著, 增强对特征的判别性. 该方法在NIR-ISL 2021比赛提供的虹膜数据集进行了验证. 在相同实验条件下与该赛事的冠军相比, 该方法的各项指标均优于其网络. 与基线Mask R-CNN相比, 该方法的Dice相似系数、平均交并比、召回率分别提升了8.53%、11.97%、8.88%, 提升了虹膜分割效果.
针对虹膜图像中存在眼镜遮挡、模糊、角度偏差等不同噪声因素, 我们设计了一种基于Mask R-CNN的卷积神经网络(convolutional neural network, CNN), 命名为Mask-INet, 用于虹膜分割. 该网络在特征提取阶段为特征金字塔添加了一条自底向上的路径, 既提高了底层到顶层特征的定位信息, 增强语义信息融合, 又进一步加快了底层到顶层的传播效率, 有效提升对虹膜特征提取的准确性. 为了进一步挖掘特征图中的特征信息, 在掩模预测分支阶段, 我们引入上采样和CBAM网络(convolutional block attention module), 利用上采样提高特征图的空间分辨率, 利用CBAM网络让特征图中的显著信息更加显著, 增强对特征的判别性. 该方法在NIR-ISL 2021比赛提供的虹膜数据集进行了验证. 在相同实验条件下与该赛事的冠军相比, 该方法的各项指标均优于其网络. 与基线Mask R-CNN相比, 该方法的Dice相似系数、平均交并比、召回率分别提升了8.53%、11.97%、8.88%, 提升了虹膜分割效果.
2023, 32(1):413-419.
DOI: 10.15888/j.cnki.csa.008961
摘要:
针对糖尿病视网膜病变(DR)图像, 提出了一种基于多任务学习的图像多分类分割方法. 首先, 通过Otsu阈值算法将大部分无病灶信息像素去除; 其次, 通过滑动窗口切割的方法将图像切分为若干小尺寸的图像, 以解决医学图像分辨率过大以及病灶在图像中占比较小的问题; 再次, 将不存在病灶的子图剔除, 以增大含病灶子图的比例; 最后, 利用UNet++多任务学习属性, 并且用转置卷积代替传统上采样, 进行多输出多病灶的图像分割. 通过在国际公开的IDRID和DDR数据集上进行验证, 在IDRiD上取得0.7131 的mAUPR, 在DDR上取得0.5691 的mAUPR.
针对糖尿病视网膜病变(DR)图像, 提出了一种基于多任务学习的图像多分类分割方法. 首先, 通过Otsu阈值算法将大部分无病灶信息像素去除; 其次, 通过滑动窗口切割的方法将图像切分为若干小尺寸的图像, 以解决医学图像分辨率过大以及病灶在图像中占比较小的问题; 再次, 将不存在病灶的子图剔除, 以增大含病灶子图的比例; 最后, 利用UNet++多任务学习属性, 并且用转置卷积代替传统上采样, 进行多输出多病灶的图像分割. 通过在国际公开的IDRID和DDR数据集上进行验证, 在IDRiD上取得
2023, 32(12):233-242.
DOI: 10.15888/j.cnki.csa.009340
摘要:
交互式图像分割是像素级注释和图像编辑的重要工具. 现存方法大多采取两阶段预测, 首先预测一个粗糙的结果, 在第2个阶段细化之前预测的结果来得到更精确的预测, 为了使在硬件资源受限时, 网络模型仍可以使用, 基于此, 在两阶段共享同一个网络, 为了更好地将标记信息传播到未标记区域, 设计了一个相似度约束传播模块, 在训练时使用了一个简单的原型提取模块来使正点击向量高度内聚, 加速网络收敛, 在推理时移除. 在推理阶段通过使用意图感知模块来捕获细节, 使得预测性能进一步提升. 大量实验表明, 该方法在所有流行的基准测试上与最先进的方法最有可比性, 证明了其有效性.
交互式图像分割是像素级注释和图像编辑的重要工具. 现存方法大多采取两阶段预测, 首先预测一个粗糙的结果, 在第2个阶段细化之前预测的结果来得到更精确的预测, 为了使在硬件资源受限时, 网络模型仍可以使用, 基于此, 在两阶段共享同一个网络, 为了更好地将标记信息传播到未标记区域, 设计了一个相似度约束传播模块, 在训练时使用了一个简单的原型提取模块来使正点击向量高度内聚, 加速网络收敛, 在推理时移除. 在推理阶段通过使用意图感知模块来捕获细节, 使得预测性能进一步提升. 大量实验表明, 该方法在所有流行的基准测试上与最先进的方法最有可比性, 证明了其有效性.
2023, 32(6):221-230.
DOI: 10.15888/j.cnki.csa.009113
摘要:
针对现有的皮肤黑色素瘤病灶分割精度不高的问题, 结合现有卷积神经网络方法提出皮肤黑色素瘤图像分割方法MultiResUNet-SMIS.首先, 依据皮肤黑色素瘤成像特点, 引入不同空洞率的空洞卷积替换普通卷积, 在参数量相同的前提下扩大感受野, 使网络模型能够适用于多尺度病灶分割任务; 其次加入空间和通道注意力机制以重新分配特征权重, 扩大感兴趣特征影响, 抑制无关特征; 最后融合Focal loss与Dice loss提出一种新的loss函数FD loss用于计算回归损失, 解决前景背景像素不均衡问题, 进一步提高网络模型的分割精度. 实验结果表明, MultiResUNet-SMIS在ISIC-2018数据集上的Dice指数、IoU指数以及Acc准确率分别达到了89.47%、82.67%、96.13%, 与原MultiResUNet以及UNet、UNet++、DeepLab V3+等主流方法相比, MultiResUNet-SMIS在皮肤黑色素瘤图像分割中具有更好的效果.
针对现有的皮肤黑色素瘤病灶分割精度不高的问题, 结合现有卷积神经网络方法提出皮肤黑色素瘤图像分割方法MultiResUNet-SMIS.首先, 依据皮肤黑色素瘤成像特点, 引入不同空洞率的空洞卷积替换普通卷积, 在参数量相同的前提下扩大感受野, 使网络模型能够适用于多尺度病灶分割任务; 其次加入空间和通道注意力机制以重新分配特征权重, 扩大感兴趣特征影响, 抑制无关特征; 最后融合Focal loss与Dice loss提出一种新的loss函数FD loss用于计算回归损失, 解决前景背景像素不均衡问题, 进一步提高网络模型的分割精度. 实验结果表明, MultiResUNet-SMIS在ISIC-2018数据集上的Dice指数、IoU指数以及Acc准确率分别达到了89.47%、82.67%、96.13%, 与原MultiResUNet以及UNet、UNet++、DeepLab V3+等主流方法相比, MultiResUNet-SMIS在皮肤黑色素瘤图像分割中具有更好的效果.
2023, 32(1):275-280.
DOI: 10.15888/j.cnki.csa.008908
摘要:
人体血细胞的检测与分割可以辅助医生快速对人体当前健康情况做出简单判断, 对诊断疾病具有重要意义. 为了解决传统图像分割算法在血细胞分割任务中出现错误分割目标、无法完全分割目标等问题, 提出了一种融合Xception特征提取和坐标注意力机制的血细胞分割算法XCA-Unet++. 该算法在Unet++网络结构的基础上, 在编码器部分引入Xception特征提取网络以更好地提取低层特征信息. 设计了一种以坐标注意力机制为基础的注意力细胞检测模块, 增强了网络对血细胞模糊边缘和不完整细胞的特征提取能力. 采用DiceLoss作为损失函数以优化数据集正负样本不均衡问题和提高网络的收敛能力. 在公开血细胞数据集上的实验对比表明, XCA-Unet++网络在IoU、Acc和F1评估指标下分别取得94.44%、96.78%和97.12%的结果, 分割性能优于其他分割网络, 满足血细胞分割任务的精度要求.
人体血细胞的检测与分割可以辅助医生快速对人体当前健康情况做出简单判断, 对诊断疾病具有重要意义. 为了解决传统图像分割算法在血细胞分割任务中出现错误分割目标、无法完全分割目标等问题, 提出了一种融合Xception特征提取和坐标注意力机制的血细胞分割算法XCA-Unet++. 该算法在Unet++网络结构的基础上, 在编码器部分引入Xception特征提取网络以更好地提取低层特征信息. 设计了一种以坐标注意力机制为基础的注意力细胞检测模块, 增强了网络对血细胞模糊边缘和不完整细胞的特征提取能力. 采用DiceLoss作为损失函数以优化数据集正负样本不均衡问题和提高网络的收敛能力. 在公开血细胞数据集上的实验对比表明, XCA-Unet++网络在IoU、Acc和F1评估指标下分别取得94.44%、96.78%和97.12%的结果, 分割性能优于其他分割网络, 满足血细胞分割任务的精度要求.
2023, 32(3):238-244.
DOI: 10.15888/j.cnki.csa.008966
摘要:
以高速公路的无人机影像点云数据为研究对象, 提出一种基于双判定因子的道路绿化带分割算法. 首先对点云数据进行串行下采样, 在降低点云数目的同时尽可能多地保留点云特征点; 其次, 对降采样后的点云数据进行正射影校正; 最后, 提出一种结合法向量夹角与 RANSAC 平面分割双判定的点云分割算法, 实现了对高速公路中绿化带的准确分割, 采用绿化带边界提取算法最终实现高速公路环境信息的分割. 以G85高速凤翔段的无人机影像点云作为实验数据, 分别采用本文算法、基于法向量夹角的分割算法、基于RANSAC平面拟合分割算法进行验证. 实验结果表明基于双判定因子的道路绿化带分割算法对环境噪点及离群点有较好的抗干扰性, 可以有效过滤路面高曲率点, 提取结果较好.
以高速公路的无人机影像点云数据为研究对象, 提出一种基于双判定因子的道路绿化带分割算法. 首先对点云数据进行串行下采样, 在降低点云数目的同时尽可能多地保留点云特征点; 其次, 对降采样后的点云数据进行正射影校正; 最后, 提出一种结合法向量夹角与 RANSAC 平面分割双判定的点云分割算法, 实现了对高速公路中绿化带的准确分割, 采用绿化带边界提取算法最终实现高速公路环境信息的分割. 以G85高速凤翔段的无人机影像点云作为实验数据, 分别采用本文算法、基于法向量夹角的分割算法、基于RANSAC平面拟合分割算法进行验证. 实验结果表明基于双判定因子的道路绿化带分割算法对环境噪点及离群点有较好的抗干扰性, 可以有效过滤路面高曲率点, 提取结果较好.
2022, 31(12):78-86.
DOI: 10.15888/j.cnki.csa.008817
摘要:
训练基于深度学习的计算机辅助诊断系统可以有效地从肺部CT图像中检测出是否受到COVID-19感染, 但目前面临的主要问题是缺乏高质量带标注的CT图像用于训练. 为了有效的解决该问题, 本文提出了一种基于生成对抗网络来扩增肺部CT图像的方法. 新方法通过生成不同感染区域的标签并通过泊松融合以增加生成图像的多样性; 通过训练对抗网络模型实现图像的转换生成, 以达到扩增CT图像的目的. 为验证生成数据的有效性, 基于扩增数据进一步做了分割实验. 通过图像生成实验和分割实验, 结果都表明, 本文提出的图像生成方法取得了较好的效果.
训练基于深度学习的计算机辅助诊断系统可以有效地从肺部CT图像中检测出是否受到COVID-19感染, 但目前面临的主要问题是缺乏高质量带标注的CT图像用于训练. 为了有效的解决该问题, 本文提出了一种基于生成对抗网络来扩增肺部CT图像的方法. 新方法通过生成不同感染区域的标签并通过泊松融合以增加生成图像的多样性; 通过训练对抗网络模型实现图像的转换生成, 以达到扩增CT图像的目的. 为验证生成数据的有效性, 基于扩增数据进一步做了分割实验. 通过图像生成实验和分割实验, 结果都表明, 本文提出的图像生成方法取得了较好的效果.
2022, 31(12):383-389.
DOI: 10.15888/j.cnki.csa.008829
摘要:
在过去半个多世纪中, 随着计算机技术的发展, 神经网络已经在图像、语音、决策等众多领域取得了广泛的应用. 不同学者为了提高神经网络的准确率设计了大量的网络结构, 神经网络也变得越来越复杂和多参数化. 这使得神经网络的训练过程具有很强的非凸性, 相同的网络不同的初始参数往往会训练出不同的模型. 为了更精准地描述两个网络的表现, 前人提出通过统计学方法—随机占优(stochastic dominance)评估不同随机种子对同一网络训练出的不同模型的表现的分布. 本文在此基础上认为, 不同模型在测试集中不同样本上的表现的分布同样值得关注, 并将随机占优方法应用到不同模型在不同样本表现分布的对比中. 通过对图像分割应用中的网络进行实验, 本文关注到不同网络训练出的两个模型其中一个尽管在表现分数上具有一定的优势, 但是其在测试集中不同样本中表现出的离散度可能更强. 实际应用需要表现分数更好同时离散度尽可能小的神经网络模型, 随机占优方法可以有效地对不同模型进行比较从而筛选出更适合的模型.
在过去半个多世纪中, 随着计算机技术的发展, 神经网络已经在图像、语音、决策等众多领域取得了广泛的应用. 不同学者为了提高神经网络的准确率设计了大量的网络结构, 神经网络也变得越来越复杂和多参数化. 这使得神经网络的训练过程具有很强的非凸性, 相同的网络不同的初始参数往往会训练出不同的模型. 为了更精准地描述两个网络的表现, 前人提出通过统计学方法—随机占优(stochastic dominance)评估不同随机种子对同一网络训练出的不同模型的表现的分布. 本文在此基础上认为, 不同模型在测试集中不同样本上的表现的分布同样值得关注, 并将随机占优方法应用到不同模型在不同样本表现分布的对比中. 通过对图像分割应用中的网络进行实验, 本文关注到不同网络训练出的两个模型其中一个尽管在表现分数上具有一定的优势, 但是其在测试集中不同样本中表现出的离散度可能更强. 实际应用需要表现分数更好同时离散度尽可能小的神经网络模型, 随机占优方法可以有效地对不同模型进行比较从而筛选出更适合的模型.
2022, 31(12):135-146.
DOI: 10.15888/j.cnki.csa.008824
摘要:
针对传统图像分割方法分割效率低下, 遥感图像特征复杂多样, 复杂场景下分割性能受到限制等问题, 在基于U-Net网络架构的基础上, 提出一种能够较好提取遥感图像特征并兼顾效率的改进U-Net模型. 首先, 以EfficientNetV2作为U-Net的编码网络, 增强特征提取能力, 提高训练和推理效率, 然后在解码部分使用卷积结构重参数化方法并结合通道注意力机制, 几乎不增加推理时间的前提下提升网络性能, 最后结合多尺度卷积融合模块, 提高网络对不同尺度目标的特征提取能力和更好地结合上下文信息. 实验表明, 改进的网络在遥感图像分割性能提升的同时分割效率也提高.
针对传统图像分割方法分割效率低下, 遥感图像特征复杂多样, 复杂场景下分割性能受到限制等问题, 在基于U-Net网络架构的基础上, 提出一种能够较好提取遥感图像特征并兼顾效率的改进U-Net模型. 首先, 以EfficientNetV2作为U-Net的编码网络, 增强特征提取能力, 提高训练和推理效率, 然后在解码部分使用卷积结构重参数化方法并结合通道注意力机制, 几乎不增加推理时间的前提下提升网络性能, 最后结合多尺度卷积融合模块, 提高网络对不同尺度目标的特征提取能力和更好地结合上下文信息. 实验表明, 改进的网络在遥感图像分割性能提升的同时分割效率也提高.
2022, 31(10):184-190.
DOI: 10.15888/j.cnki.csa.008675
摘要:
为了提高钢轨表面缺陷检测的效率和准确率, 提出了一种基于背景差分与最大熵的轨面缺陷检测算法. 首先建立钢轨图像背景模型并将原图像与背景图进行差分操作, 以此来避免光照变化和反射不均的影响, 更准确地突出缺陷区域; 然后将改进的遗传算法与最大熵值法相结合来寻找最佳分割阈值并对差分图进行二值化, 通过结合改进遗传算法加快了最大熵值法的运算速度; 最后对二值图进行滤波操作, 完成钢轨表面缺陷的分割. 仿真结果表明该方法能够更加快速准确地分割出缺陷, 精确率、召回率和正确率分别达88.6%、93.4%和90.6%.
为了提高钢轨表面缺陷检测的效率和准确率, 提出了一种基于背景差分与最大熵的轨面缺陷检测算法. 首先建立钢轨图像背景模型并将原图像与背景图进行差分操作, 以此来避免光照变化和反射不均的影响, 更准确地突出缺陷区域; 然后将改进的遗传算法与最大熵值法相结合来寻找最佳分割阈值并对差分图进行二值化, 通过结合改进遗传算法加快了最大熵值法的运算速度; 最后对二值图进行滤波操作, 完成钢轨表面缺陷的分割. 仿真结果表明该方法能够更加快速准确地分割出缺陷, 精确率、召回率和正确率分别达88.6%、93.4%和90.6%.
2022, 31(10):368-374.
DOI: 10.15888/j.cnki.csa.008738
摘要:
视网膜血管分割对于辅助医生诊断糖尿病性视网膜病变、黄斑萎缩、青光眼等眼科疾病具有重要意义. 注意力机制被广泛用于U-Net及其变体中以提高血管分割模型的性能. 为进一步提高视网膜血管的分割精度, 挖掘视网膜图像中的高阶及全局上下文信息, 本文提出基于多尺度高阶注意力机制的模型(multi-scale high-order attention network, MHA-Net). 首先, 多尺度高阶注意力(multi-scale high-order attention, MHA)模块从深层特征图中提取多尺度和全局特征计算初始化注意力图, 从而改进模型处理医学图像分割时尺度不变的缺陷. 接下来, 该模块通过图的传递闭包构建注意力图, 进而提取高阶的深层特征. 通过将多尺度高阶注意力模块应用于编码器-解码器结构中, 在彩色眼底图像数据集DRIVE上进行血管分割, 实验结果表明, 基于多尺度高阶注意力机制的视网膜血管分割方法有效地提高了分割的精度.
视网膜血管分割对于辅助医生诊断糖尿病性视网膜病变、黄斑萎缩、青光眼等眼科疾病具有重要意义. 注意力机制被广泛用于U-Net及其变体中以提高血管分割模型的性能. 为进一步提高视网膜血管的分割精度, 挖掘视网膜图像中的高阶及全局上下文信息, 本文提出基于多尺度高阶注意力机制的模型(multi-scale high-order attention network, MHA-Net). 首先, 多尺度高阶注意力(multi-scale high-order attention, MHA)模块从深层特征图中提取多尺度和全局特征计算初始化注意力图, 从而改进模型处理医学图像分割时尺度不变的缺陷. 接下来, 该模块通过图的传递闭包构建注意力图, 进而提取高阶的深层特征. 通过将多尺度高阶注意力模块应用于编码器-解码器结构中, 在彩色眼底图像数据集DRIVE上进行血管分割, 实验结果表明, 基于多尺度高阶注意力机制的视网膜血管分割方法有效地提高了分割的精度.
2022, 31(8):259-264.
DOI: 10.15888/j.cnki.csa.008640
摘要:
图像分割是计算机辅助阅片的基础, 伤口图像分割的准确率直接影响伤口分析的结果. 传统方法进行伤口分割步骤繁琐, 准确率低. 目前已有少部分人利用深度学习进行伤口图像分割, 但是他们都是基于小型数据集, 难以发挥深度神经网络的优势, 准确率难以进一步提高. 充分发挥深度学习在图像分割领域的优势需要大型数据集, 目前还没有关于伤口图像的大型公共数据集, 而制作大型伤口图像数据集需要人工标记, 耗费大量时间和精力. 本文提出基于迁移学习的伤口图像分割方法, 首先利用大型公共数据集训练ResNet50网络作为特征提取器, 再利用该特征提取器连接上两个并行的注意力机制后在利用小型伤口图像数据集进行再训练. 实验表明本方法的分割结果在平均交并比上有较大提高, 在某种程度上解决了缺乏大型伤口图像数据集而导致伤口图像分割准确率低的问题.
图像分割是计算机辅助阅片的基础, 伤口图像分割的准确率直接影响伤口分析的结果. 传统方法进行伤口分割步骤繁琐, 准确率低. 目前已有少部分人利用深度学习进行伤口图像分割, 但是他们都是基于小型数据集, 难以发挥深度神经网络的优势, 准确率难以进一步提高. 充分发挥深度学习在图像分割领域的优势需要大型数据集, 目前还没有关于伤口图像的大型公共数据集, 而制作大型伤口图像数据集需要人工标记, 耗费大量时间和精力. 本文提出基于迁移学习的伤口图像分割方法, 首先利用大型公共数据集训练ResNet50网络作为特征提取器, 再利用该特征提取器连接上两个并行的注意力机制后在利用小型伤口图像数据集进行再训练. 实验表明本方法的分割结果在平均交并比上有较大提高, 在某种程度上解决了缺乏大型伤口图像数据集而导致伤口图像分割准确率低的问题.
2022, 31(5):30-39.
DOI: 10.15888/j.cnki.csa.008467
摘要:
叶脉分割是叶片模式分析的一个重要步骤, 对大豆的品种识别、表型研究具有十分重要的意义. 由于大豆叶脉结构十分复杂, 叶脉所在叶片区域的低对比度, 只借助灰度信息分割叶脉一般无法取得理想的分割效果. 本文提出了一种结合多尺度灰度无约束击中或击不中变换 (UHMT) 算法和基于HSI颜色空间的色调信息处理方法的大豆叶脉分割方法. 该方法将RGB颜色空间中的灰度信息和HSI颜色空间中的色调信息, 分别用于大豆叶片图像的全局叶脉分割和局部一级、二级叶脉分割. 前者采用迭代阈值分割提取叶片区域, 通过膨胀腐蚀消除叶片外轮廓以及叶柄等干扰因素, 得到叶片区域图像, 然后, 运用多尺度灰度UHMT算法得到全局叶脉图像. 后者, 针对一级和二级叶脉分割效果差的问题, 使用色调信息扩大叶脉与其他像素点灰度值差异, 以实现局部一级、二级叶脉的分割. 将获得的全局叶脉和局部叶脉图像融合, 获得最终的大豆叶脉图像. 为验证算法的有效性, 本文使用了大豆品种叶片图像数据库SoyCultivar中的大豆叶片图像进行实验. 结果表明, 该方法比现有的叶脉分割方法好, 不仅能够完整地提取大豆叶脉, 而且能够很好地消除背景以及叶片外轮廓、叶柄等无关成分.
叶脉分割是叶片模式分析的一个重要步骤, 对大豆的品种识别、表型研究具有十分重要的意义. 由于大豆叶脉结构十分复杂, 叶脉所在叶片区域的低对比度, 只借助灰度信息分割叶脉一般无法取得理想的分割效果. 本文提出了一种结合多尺度灰度无约束击中或击不中变换 (UHMT) 算法和基于HSI颜色空间的色调信息处理方法的大豆叶脉分割方法. 该方法将RGB颜色空间中的灰度信息和HSI颜色空间中的色调信息, 分别用于大豆叶片图像的全局叶脉分割和局部一级、二级叶脉分割. 前者采用迭代阈值分割提取叶片区域, 通过膨胀腐蚀消除叶片外轮廓以及叶柄等干扰因素, 得到叶片区域图像, 然后, 运用多尺度灰度UHMT算法得到全局叶脉图像. 后者, 针对一级和二级叶脉分割效果差的问题, 使用色调信息扩大叶脉与其他像素点灰度值差异, 以实现局部一级、二级叶脉的分割. 将获得的全局叶脉和局部叶脉图像融合, 获得最终的大豆叶脉图像. 为验证算法的有效性, 本文使用了大豆品种叶片图像数据库SoyCultivar中的大豆叶片图像进行实验. 结果表明, 该方法比现有的叶脉分割方法好, 不仅能够完整地提取大豆叶脉, 而且能够很好地消除背景以及叶片外轮廓、叶柄等无关成分.
2021, 30(10):280-286.
DOI: 10.15888/j.cnki.csa.008118
摘要:
本文针对医学脊柱CT图像因骨密度不均匀、骨骼结构复杂或图像成像分辨率低等因素造成的分割精度较低的问题, 提出一种基于卷积-反卷积神经网络的CT图像脊柱分割方法. 通过引入多尺度残差模块及注意力机制改进U-Net网络, 训练特征模型并进行测试. 在真实数据集上的实验结果表明, 该方法能有效提高CT图像中脊柱的分割精度及分割效率, Dice系数评估值为0.97, IOU系数评估值为0.94.
本文针对医学脊柱CT图像因骨密度不均匀、骨骼结构复杂或图像成像分辨率低等因素造成的分割精度较低的问题, 提出一种基于卷积-反卷积神经网络的CT图像脊柱分割方法. 通过引入多尺度残差模块及注意力机制改进U-Net网络, 训练特征模型并进行测试. 在真实数据集上的实验结果表明, 该方法能有效提高CT图像中脊柱的分割精度及分割效率, Dice系数评估值为0.97, IOU系数评估值为0.94.
2020, 29(1):119-129.
DOI: 10.15888/j.cnki.csa.007226
摘要:
在现代科技社会中，随着数字图像处理技术的高速发展，图像分割和物体边缘检测被广泛应用于医学领域，军事领域，公共防卫领域，计算机视觉领域及农业气象领域.在本文中，基于经典的Chan-Vese （CV）模型，介绍一个含有L1范数数据拟合项和二阶正则项（TV2）的分段常数图像边缘检测模型.新模型利用一个高阶正则函数对目标函数进行惩罚，将其作为新目标函数的一个约束，使得该模型能够分割和检测低对比度，并且含有外加噪声的图像.理论上，我们在大胆合理的假设下，给出该模型的部分收敛性分析.计算方面，我们通过研究新模型的理论可解性，关于该模型的数值实现方面，应用ADMM算法对该模型进行数值求解，从而设计一种新的求解方式，并用灰度图像和真实图像做大量的数值实验，并和原始CV模型进行对比，得出的实验结果表明，该模型的许多优点在各领域具有广泛应用价值.
在现代科技社会中，随着数字图像处理技术的高速发展，图像分割和物体边缘检测被广泛应用于医学领域，军事领域，公共防卫领域，计算机视觉领域及农业气象领域.在本文中，基于经典的Chan-Vese （CV）模型，介绍一个含有L1范数数据拟合项和二阶正则项（TV2）的分段常数图像边缘检测模型.新模型利用一个高阶正则函数对目标函数进行惩罚，将其作为新目标函数的一个约束，使得该模型能够分割和检测低对比度，并且含有外加噪声的图像.理论上，我们在大胆合理的假设下，给出该模型的部分收敛性分析.计算方面，我们通过研究新模型的理论可解性，关于该模型的数值实现方面，应用ADMM算法对该模型进行数值求解，从而设计一种新的求解方式，并用灰度图像和真实图像做大量的数值实验，并和原始CV模型进行对比，得出的实验结果表明，该模型的许多优点在各领域具有广泛应用价值.
2020, 29(9):1-15.
DOI: 10.15888/j.cnki.csa.007489
摘要:
由动脉粥样硬化病变引起的血管狭窄是冠心病的最大诱因，其发病率高，致死率高，因此研究冠状动脉的狭窄程度对于冠心病的早期诊断和评估十分重要.数字减影血管造影（DSA）图像是冠心病诊断的“金标准”.医疗辅助仪器在处理DSA造影图像对狭窄程度进行评估时，首先需要对血管进行分割，才能进行后续的狭窄程度分析.血管的分割提取是进行疾病的量化描述和血管三维重建的重要前提，也是辅助医生临床诊断和治疗的重要手段.本文针对心血管的数字减影血管造影（DSA）图像进行研究，从预处理、分割方法、评价标准3个方面总结近几年国内外针对心造影图像中血管的分割方法.
由动脉粥样硬化病变引起的血管狭窄是冠心病的最大诱因，其发病率高，致死率高，因此研究冠状动脉的狭窄程度对于冠心病的早期诊断和评估十分重要.数字减影血管造影（DSA）图像是冠心病诊断的“金标准”.医疗辅助仪器在处理DSA造影图像对狭窄程度进行评估时，首先需要对血管进行分割，才能进行后续的狭窄程度分析.血管的分割提取是进行疾病的量化描述和血管三维重建的重要前提，也是辅助医生临床诊断和治疗的重要手段.本文针对心血管的数字减影血管造影（DSA）图像进行研究，从预处理、分割方法、评价标准3个方面总结近几年国内外针对心造影图像中血管的分割方法.
2020, 29(1):250-255.
DOI: 10.15888/j.cnki.csa.007244
摘要:
高压输电线路通道环境对高压线路的安全性影响重大，以往都是采用人工对高压输电线路通道环境进行巡检，人工检测作业危险，效率低，难度大.因此，本文提出基于超像素和深度神经网络的航拍高压输电线路环境检测的方法.首先，采用无人机对高压输电线路通道环境航拍，将视频图像进行拼接，得到通道环境的整体图像，然后使用超像素分割算法实现图像的预分割，SURF描述子具有速度快、特性鲁棒性好，因此本文采用SURF描述子提取超像素特征向量，最后采用DNN模型对提取的超像素特征进行训练，对待检测的超像素块进行分类，从而达到检测的目的.通过本算法的应用，电力部门提高了无人机巡视特高压输电通道环境的巡检效率且验证了本算法的有效性.
高压输电线路通道环境对高压线路的安全性影响重大，以往都是采用人工对高压输电线路通道环境进行巡检，人工检测作业危险，效率低，难度大.因此，本文提出基于超像素和深度神经网络的航拍高压输电线路环境检测的方法.首先，采用无人机对高压输电线路通道环境航拍，将视频图像进行拼接，得到通道环境的整体图像，然后使用超像素分割算法实现图像的预分割，SURF描述子具有速度快、特性鲁棒性好，因此本文采用SURF描述子提取超像素特征向量，最后采用DNN模型对提取的超像素特征进行训练，对待检测的超像素块进行分类，从而达到检测的目的.通过本算法的应用，电力部门提高了无人机巡视特高压输电通道环境的巡检效率且验证了本算法的有效性.
2019, 28(5):35-41.
DOI: 10.15888/j.cnki.csa.006896
摘要:
红外图像具有对比度低和信噪比低等特点，这对红外光伏面板图像的分割始终是一个巨大的挑战.为了解决传统的模糊C均值（FCM）聚类算法易受到初始聚类中心不确定的影响和不考虑空间信息的问题，提出了一种基于模糊C均值改进的聚类分割算法，该算法利用直方图的特点确定初始聚类中心，同时在传统的模糊C均值（FCM）和模糊核C均值算法（KFCM）的基础上，利用像素之间的空间信息和邻域像素之间的关系改进传统FCM聚类目标函数，从而推导出新的目标函数.实验结果表明，该算法在分割质量和效果上与Otsu算法、文献[20]的自适应k-means算法及模糊核C均值算法（KFCM）相比，过分割和错分割率明显降低，且分割效果非常接近手动分割图.
红外图像具有对比度低和信噪比低等特点，这对红外光伏面板图像的分割始终是一个巨大的挑战.为了解决传统的模糊C均值（FCM）聚类算法易受到初始聚类中心不确定的影响和不考虑空间信息的问题，提出了一种基于模糊C均值改进的聚类分割算法，该算法利用直方图的特点确定初始聚类中心，同时在传统的模糊C均值（FCM）和模糊核C均值算法（KFCM）的基础上，利用像素之间的空间信息和邻域像素之间的关系改进传统FCM聚类目标函数，从而推导出新的目标函数.实验结果表明，该算法在分割质量和效果上与Otsu算法、文献[20]的自适应k-means算法及模糊核C均值算法（KFCM）相比，过分割和错分割率明显降低，且分割效果非常接近手动分割图.
2019, 28(7):180-183.
DOI: 10.15888/j.cnki.csa.006999
摘要:
腹腔主动脉所处环境复杂，不可避免的造成弱边缘和边缘不均匀等问题.提出一种基于局部边缘特征的水平集演化算法，根据其所处水平集内部与外部相邻区域的相关性赋值加权因子，使得能量函数最小化.实验结果表明，本算法在实验精度和稳定性方面取得了良好的效果.
腹腔主动脉所处环境复杂，不可避免的造成弱边缘和边缘不均匀等问题.提出一种基于局部边缘特征的水平集演化算法，根据其所处水平集内部与外部相邻区域的相关性赋值加权因子，使得能量函数最小化.实验结果表明，本算法在实验精度和稳定性方面取得了良好的效果.
2019, 28(11):10-18.
DOI: 10.15888/j.cnki.csa.007116
摘要:
窄带法是水平集图像分割的一种常见的加速方法.传统窄带仍然存在冗余的计算区域；传统窄带法与LATE （Local Approximation of Taylor Expansion）水平集模型结合时，图像分割效率反而可能下降.针对这些问题，本文提出了一种基于LATE水平集图像分割模型的矩形窄带法.在每次LATE水平集迭代之前，对水平集做如下窄带处理.首先找出水平集的所有过零点；然后对过零点做活动约束，剔除不活动的过零点，有效缩小窄带范围；再对活动约束的过零点生成矩形窄带；对重叠的矩形窄带进行合并优化，使得矩形窄带总面积尽可能小.最后，在矩形窄带范围内求解水平集微分方程，更新水平集，完成本次迭代.在水平集演化的不同阶段，对传统窄带法的窄带面积与本文矩形窄带面积进行了比较.随着迭代次数增加，矩形窄带面积与传统窄带法的窄带面积之比逐渐减小到0，说明矩形窄带法有效地减少了冗余计算量.针对不同程度的灰度不均匀图像，本文方法与LATE方法、结合LATE模型的直接窄带法、以及结合LATE模型的DTM窄带法进行了比较.直接窄带法和DTM窄带法的分割速度反而慢于LATE方法.对灰度严重不均匀的图像，直接窄带法和DTM窄带法的分割质量受到了较大影响.本文方法在保持较好分割效果的条件下，分割速度快于LATE方法.本文的矩形窄带方法有效地降低了算法复杂度，提高了图像分割效率.
窄带法是水平集图像分割的一种常见的加速方法.传统窄带仍然存在冗余的计算区域；传统窄带法与LATE （Local Approximation of Taylor Expansion）水平集模型结合时，图像分割效率反而可能下降.针对这些问题，本文提出了一种基于LATE水平集图像分割模型的矩形窄带法.在每次LATE水平集迭代之前，对水平集做如下窄带处理.首先找出水平集的所有过零点；然后对过零点做活动约束，剔除不活动的过零点，有效缩小窄带范围；再对活动约束的过零点生成矩形窄带；对重叠的矩形窄带进行合并优化，使得矩形窄带总面积尽可能小.最后，在矩形窄带范围内求解水平集微分方程，更新水平集，完成本次迭代.在水平集演化的不同阶段，对传统窄带法的窄带面积与本文矩形窄带面积进行了比较.随着迭代次数增加，矩形窄带面积与传统窄带法的窄带面积之比逐渐减小到0，说明矩形窄带法有效地减少了冗余计算量.针对不同程度的灰度不均匀图像，本文方法与LATE方法、结合LATE模型的直接窄带法、以及结合LATE模型的DTM窄带法进行了比较.直接窄带法和DTM窄带法的分割速度反而慢于LATE方法.对灰度严重不均匀的图像，直接窄带法和DTM窄带法的分割质量受到了较大影响.本文方法在保持较好分割效果的条件下，分割速度快于LATE方法.本文的矩形窄带方法有效地降低了算法复杂度，提高了图像分割效率.
2019, 28(6):110-117.
DOI: 10.15888/j.cnki.csa.006934
摘要:
结合当前比色传感器阵列多样性、不稳定等特点，并针对当前现有的阵列图像分割算法中或者效率低，或者易受光照环境影响等现状，本文在模糊C均值聚类算法基础上，提出了一种图像分割算法.该算法首先通过HSI颜色空间下I分量在行、列投影实现图像网格划分，并结合局部阵列点图像的平滑直方图信息解决了FCM算法聚类条件初始化的难题.其次，为了提高阵列点图像分割结果的准确度，该算法通过目标函数引入了不同权重系数的H分量和I分量，实现了色彩信息的引入.通过图像分割效果测试，本文所提出的图像分割算法在所有阵列点图像分割中展示了96.54%的总体最优分割精度，可以有效、准确地实现比色传感器阵列图像的目标提取.
结合当前比色传感器阵列多样性、不稳定等特点，并针对当前现有的阵列图像分割算法中或者效率低，或者易受光照环境影响等现状，本文在模糊C均值聚类算法基础上，提出了一种图像分割算法.该算法首先通过HSI颜色空间下I分量在行、列投影实现图像网格划分，并结合局部阵列点图像的平滑直方图信息解决了FCM算法聚类条件初始化的难题.其次，为了提高阵列点图像分割结果的准确度，该算法通过目标函数引入了不同权重系数的H分量和I分量，实现了色彩信息的引入.通过图像分割效果测试，本文所提出的图像分割算法在所有阵列点图像分割中展示了96.54%的总体最优分割精度，可以有效、准确地实现比色传感器阵列图像的目标提取.
2019, 28(5):102-109.
DOI: 10.15888/j.cnki.csa.006911
摘要:
为了提高在复杂背景下人体图像分割的精度，提出了一种新的人体图像分割算法.该算法针对简单线性迭代算法（SLIC）在进行超像素块分割时需指定像素块个数的问题，借鉴CV能量模型，通过将图片极小化为多个区域进行水平集迭代分割，从而构造出自适应的超像素块，使得分割后的每个超像素块更贴合图像中的单个色块.然后结合人体平均模板，在图片上标记出感兴趣的人体标准姿势区域，提高了算法对复杂背景的抗干扰能力.最后利用k-means聚类算法将每个超像素块作为节点进行聚类，实现标准人体图像分割.在不同环境下采集多组图片进行实验，结果表明：该算法在保证了图像分割效率的情况下，提高了人体标准姿势的分割精度，对色度丰富的复杂背景抗干扰能力强.
为了提高在复杂背景下人体图像分割的精度，提出了一种新的人体图像分割算法.该算法针对简单线性迭代算法（SLIC）在进行超像素块分割时需指定像素块个数的问题，借鉴CV能量模型，通过将图片极小化为多个区域进行水平集迭代分割，从而构造出自适应的超像素块，使得分割后的每个超像素块更贴合图像中的单个色块.然后结合人体平均模板，在图片上标记出感兴趣的人体标准姿势区域，提高了算法对复杂背景的抗干扰能力.最后利用k-means聚类算法将每个超像素块作为节点进行聚类，实现标准人体图像分割.在不同环境下采集多组图片进行实验，结果表明：该算法在保证了图像分割效率的情况下，提高了人体标准姿势的分割精度，对色度丰富的复杂背景抗干扰能力强.
2019, 28(11):213-217.
DOI: 10.15888/j.cnki.csa.007141
摘要:
交通标志检测是进行交通标志识别系统的关键技术，提出一种基于图像的颜色和形状进行交通标志检测的方法.首先对图像进行灰度拉伸和噪声滤出的预处理，然后利用改进的K-means聚类算法对彩色图像进行颜色分割，最后采用基于Hough变换的形状检测技术对交通标志中的特殊形状进行定位，从而实现交通标志的检测.实验结果显示，该方法在各种复杂背景条件下检测出结果的平均正确率达到93.0%，优于同条件的算法且具有较高的实时性.
交通标志检测是进行交通标志识别系统的关键技术，提出一种基于图像的颜色和形状进行交通标志检测的方法.首先对图像进行灰度拉伸和噪声滤出的预处理，然后利用改进的K-means聚类算法对彩色图像进行颜色分割，最后采用基于Hough变换的形状检测技术对交通标志中的特殊形状进行定位，从而实现交通标志的检测.实验结果显示，该方法在各种复杂背景条件下检测出结果的平均正确率达到93.0%，优于同条件的算法且具有较高的实时性.
2017, 26(1):141-146.
DOI: 10.15888/j.cnki.csa.005553
摘要:
针对SVM进行图像分割时存在对噪声和孤立点较敏感导致分割结果不佳和抗造性能低下等问题,提出一种基于视觉注意和改进隶属度的FSVM (Modified fuzzy SVM,MFSVM)彩色图像分割方法.该方法在考虑人类视觉显著性检测机制因素的同时,对标准的模糊SVM算法进行改进,新的隶属度函数综合考虑了样本点距离类中心的远近以及样本点的疏密程度,从而有效惩罚噪声点并增强了支持向量的作用.通过彩色图像分割进行验证,结果显示与标准的SVM及基于样本疏密程度隶属度的FSVM分割方法相比,本文方法能够对复杂场景下的彩色进行有效分割,同时呈现出良好的抗噪能力.
针对SVM进行图像分割时存在对噪声和孤立点较敏感导致分割结果不佳和抗造性能低下等问题,提出一种基于视觉注意和改进隶属度的FSVM (Modified fuzzy SVM,MFSVM)彩色图像分割方法.该方法在考虑人类视觉显著性检测机制因素的同时,对标准的模糊SVM算法进行改进,新的隶属度函数综合考虑了样本点距离类中心的远近以及样本点的疏密程度,从而有效惩罚噪声点并增强了支持向量的作用.通过彩色图像分割进行验证,结果显示与标准的SVM及基于样本疏密程度隶属度的FSVM分割方法相比,本文方法能够对复杂场景下的彩色进行有效分割,同时呈现出良好的抗噪能力.
2017, 26(10):219-224.
DOI: 10.15888/j.cnki.csa.006030
摘要:
针对小麦育种中小麦单穗粒数品质测定的问题，本文提出了一种基于图像分形分割的麦穗粒数计算方法.首先，利用分形几何中分数维概念，计算图像分形维数作为像元特征，根据像元特征选定一个适当的阈值分割麦穗图像；然后通过分析分割图像的行像素的灰度特征，计算麦穗与图像竖直方向的倾角，按此倾角旋转麦穗图像使麦穗处于图像竖直方向，得到旋转后的麦穗角度矫正图；最后，根据矫正图像的列数据波形特征计算麦穗粒数.实验证明该方法比传统测量方法流程更简洁，准确率更高，计算速度更快，可用于小麦育种中穗粒数测定.
针对小麦育种中小麦单穗粒数品质测定的问题，本文提出了一种基于图像分形分割的麦穗粒数计算方法.首先，利用分形几何中分数维概念，计算图像分形维数作为像元特征，根据像元特征选定一个适当的阈值分割麦穗图像；然后通过分析分割图像的行像素的灰度特征，计算麦穗与图像竖直方向的倾角，按此倾角旋转麦穗图像使麦穗处于图像竖直方向，得到旋转后的麦穗角度矫正图；最后，根据矫正图像的列数据波形特征计算麦穗粒数.实验证明该方法比传统测量方法流程更简洁，准确率更高，计算速度更快，可用于小麦育种中穗粒数测定.
2017, 26(2):174-178.
DOI: 10.15888/j.cnki.csa.005637
摘要:
图割用于图像分割需用户交互，基于激光雷达传感器，提出了阈值法得到目标的外截矩形，再映射到图像完成交互.针对GrabCut算法耗时、对局部噪声敏感和在复杂背景提取边缘不理想等缺点，提出了背景自适应的GrabCut算法，即在确定背景像素中选取可能目标像素邻近的一部分像素作为背景像素，使背景变得简单，尤其适用于前景像素在整幅图中所占比例较小和在目标像素周围的背景相对简单的情况.实验结果表明，所提算法与GrabCut算法相比，减少了图的节点数，降低了错误率，有效的提高了运行效率，提取的目标边缘信息更加完整、平滑.
图割用于图像分割需用户交互，基于激光雷达传感器，提出了阈值法得到目标的外截矩形，再映射到图像完成交互.针对GrabCut算法耗时、对局部噪声敏感和在复杂背景提取边缘不理想等缺点，提出了背景自适应的GrabCut算法，即在确定背景像素中选取可能目标像素邻近的一部分像素作为背景像素，使背景变得简单，尤其适用于前景像素在整幅图中所占比例较小和在目标像素周围的背景相对简单的情况.实验结果表明，所提算法与GrabCut算法相比，减少了图的节点数，降低了错误率，有效的提高了运行效率，提取的目标边缘信息更加完整、平滑.
2017, 26(8):99-106.
DOI: 10.15888/j.cnki.csa.005932
摘要:
针对传统SLIC超像素算法在高分辨率遥感影像上分割质量差的问题，提出一种基于降维的改进SLIC与区域合并的方法对建筑物进行分割.首先，对传统SLIC的五维计算进行降维简化，采用灰度特征信息替换色彩信息，减少LAB颜色空间五维特征向量表征的冗余；其次，采用区域邻接图对过分割图像进行合并；最后，对改进SLIC中的主要参数即超像素数目k、紧凑度m和迭代次数p对分割结果的影响做了分析与比较.实验表明：该方法不仅分割出了大部分的建筑物信息，还提高了算法的运行效率与空间效率.运行时间效率比传统SLIC提高了25.5%；对建筑物的提取精度能达到97.6%.
针对传统SLIC超像素算法在高分辨率遥感影像上分割质量差的问题，提出一种基于降维的改进SLIC与区域合并的方法对建筑物进行分割.首先，对传统SLIC的五维计算进行降维简化，采用灰度特征信息替换色彩信息，减少LAB颜色空间五维特征向量表征的冗余；其次，采用区域邻接图对过分割图像进行合并；最后，对改进SLIC中的主要参数即超像素数目k、紧凑度m和迭代次数p对分割结果的影响做了分析与比较.实验表明：该方法不仅分割出了大部分的建筑物信息，还提高了算法的运行效率与空间效率.运行时间效率比传统SLIC提高了25.5%；对建筑物的提取精度能达到97.6%.
2016, 25(4):191-196.
摘要:
图像分割是图像理解和计算机视觉的重要内容.针对单核SVM在进行图像分割过程中不能兼顾分割精度高和泛化性能好的问题,提出一种基于K均值聚类和优化多核SVM的图像分割算法.该算法首先运用K均值聚类算法自动选取训练样本,然后提取其颜色特征和纹理特征作为训练样本的特征属性,并使用其对构造的多核SVM分割模型进行训练,最后用粒子群优化算法对多核核参数、惩罚因子以及核权重系数联合寻优,使生成的多核SVM具有更好的分割性能.实验结果表明,本文方法在有效提取图像目标细节的同时,获得了更高的分割精度,与基于单核的SVM分割模型相比,具有更强的泛化能力.
图像分割是图像理解和计算机视觉的重要内容.针对单核SVM在进行图像分割过程中不能兼顾分割精度高和泛化性能好的问题,提出一种基于K均值聚类和优化多核SVM的图像分割算法.该算法首先运用K均值聚类算法自动选取训练样本,然后提取其颜色特征和纹理特征作为训练样本的特征属性,并使用其对构造的多核SVM分割模型进行训练,最后用粒子群优化算法对多核核参数、惩罚因子以及核权重系数联合寻优,使生成的多核SVM具有更好的分割性能.实验结果表明,本文方法在有效提取图像目标细节的同时,获得了更高的分割精度,与基于单核的SVM分割模型相比,具有更强的泛化能力.
2016, 25(12):35-41.
DOI: 10.15888/j.cnki.csa.005489
摘要:
分析焦炭的光学组织是一种重要的评估焦炭质量的方式，目前这种评估方式还停留在人工阶段.为了改变现状，本文设计和实现了一套自动分析系统，可以自动采集焦炭切片的显微图像并自动分割和识别其中的焦炭光学组织.系统由图像采集系统和图像分析系统两个子系统构成.在图像采集系统中，我们使用多角度极化技术拍摄得到焦炭切片在不同极化角度下的反射率图像，本文称这种特殊图像为超反射率图像.在图像分析系统中，我们提出了一种针对焦炭的超反射率图像的新型分析算法，可以准确高效地分割和识别图像中的各种焦炭光学组织.
分析焦炭的光学组织是一种重要的评估焦炭质量的方式，目前这种评估方式还停留在人工阶段.为了改变现状，本文设计和实现了一套自动分析系统，可以自动采集焦炭切片的显微图像并自动分割和识别其中的焦炭光学组织.系统由图像采集系统和图像分析系统两个子系统构成.在图像采集系统中，我们使用多角度极化技术拍摄得到焦炭切片在不同极化角度下的反射率图像，本文称这种特殊图像为超反射率图像.在图像分析系统中，我们提出了一种针对焦炭的超反射率图像的新型分析算法，可以准确高效地分割和识别图像中的各种焦炭光学组织.
2016, 25(12):199-203.
DOI: 10.15888/j.cnki.csa.005537
摘要:
阈值法是一种简单有效的图像分割技术.但是阈值法也有着明显的缺点，即阈值求解的计算量随阈值的增加而指数级增长.为克服多阈值图像分割计算量大、运算时间长的缺点，引入改进的差分进化算法，提出新的变异策略，采用自适应的缩放因子和交叉系数，并新增扰动策略.改进的算法将多阈值分割模型视为优化问题，将最大类间方差法作为目标函数，实现多阈值分割.实验结果表明，和其它算法相比，该算法不仅可以取得正确的分割结果，而且分割速度更快.
阈值法是一种简单有效的图像分割技术.但是阈值法也有着明显的缺点，即阈值求解的计算量随阈值的增加而指数级增长.为克服多阈值图像分割计算量大、运算时间长的缺点，引入改进的差分进化算法，提出新的变异策略，采用自适应的缩放因子和交叉系数，并新增扰动策略.改进的算法将多阈值分割模型视为优化问题，将最大类间方差法作为目标函数，实现多阈值分割.实验结果表明，和其它算法相比，该算法不仅可以取得正确的分割结果，而且分割速度更快.
2016, 25(2):116-123.
摘要:
针对改进的模糊C均值聚类算法在进行图像分割时构建的邻域权值函数未能同时考虑空间结构信息和灰度值域信息,而导致对噪声敏感及边缘纹理信息的处理粗糙的问题,提出了一种结合小波变换和改进邻域权值的FCM算法.该算法首先在原始灰度图像的基础上进行小波多分辨率分析的自适应阈值去噪处理;然后在重构图像上结合双边滤波的思想构建一个基于图像块局部空间邻域信息和灰度值域信息的改进邻域权值函数.实验结果表明,该算法比传统FCM算法以及FCM的改进算法有更高的分割精确度,对强噪声更具鲁棒性,图像边缘也更加平整.
针对改进的模糊C均值聚类算法在进行图像分割时构建的邻域权值函数未能同时考虑空间结构信息和灰度值域信息,而导致对噪声敏感及边缘纹理信息的处理粗糙的问题,提出了一种结合小波变换和改进邻域权值的FCM算法.该算法首先在原始灰度图像的基础上进行小波多分辨率分析的自适应阈值去噪处理;然后在重构图像上结合双边滤波的思想构建一个基于图像块局部空间邻域信息和灰度值域信息的改进邻域权值函数.实验结果表明,该算法比传统FCM算法以及FCM的改进算法有更高的分割精确度,对强噪声更具鲁棒性,图像边缘也更加平整.
2016, 25(2):124-129.
摘要:
在实际应用中,当目标本身含有一些固有的颜色纹理特征时,可将这些特征作为一种先验信息,这样可以大大提高分割的准确性.为此,本文提出了一种基于先验信息的改进水平集图像分割方法.首先,利用传统的C-V模型能量项的构造思想构建了基于颜色信息的局部能量项,该项是用于处理彩色图像;然后将颜色分量引入到传统的结构张量中构建出新的扩展型结构张量,该项是用于处理纹理信息;最后,将上述新构造的能量项以及Li模型约束项引入到传统C-V模型中得到新的水平集模型.鉴于草莓果实所具有的颜色信息和纹理信息,本文将上述改进水平集方法应用到农业自动化应用中草莓果实分割中.对实验室环境与草莓生长环境下的草莓图像进行分别实验,结果显示该方法能够不仅能够分割出草莓果实且能够很好地处理草莓表面的纹理信息.另还与OTSU算法、传统C-V模型、改进C-V模型对草莓图像作对比实验,结果表明本文算法均比上述三种算法具有更好的分割效果.
在实际应用中,当目标本身含有一些固有的颜色纹理特征时,可将这些特征作为一种先验信息,这样可以大大提高分割的准确性.为此,本文提出了一种基于先验信息的改进水平集图像分割方法.首先,利用传统的C-V模型能量项的构造思想构建了基于颜色信息的局部能量项,该项是用于处理彩色图像;然后将颜色分量引入到传统的结构张量中构建出新的扩展型结构张量,该项是用于处理纹理信息;最后,将上述新构造的能量项以及Li模型约束项引入到传统C-V模型中得到新的水平集模型.鉴于草莓果实所具有的颜色信息和纹理信息,本文将上述改进水平集方法应用到农业自动化应用中草莓果实分割中.对实验室环境与草莓生长环境下的草莓图像进行分别实验,结果显示该方法能够不仅能够分割出草莓果实且能够很好地处理草莓表面的纹理信息.另还与OTSU算法、传统C-V模型、改进C-V模型对草莓图像作对比实验,结果表明本文算法均比上述三种算法具有更好的分割效果.
2015, 24(10):212-216.
摘要:
针对胶囊缺陷检测中存在的图像分割效果不理想的问题, 提出了一种基于区域特征的胶囊图像分割算法. 首先将原图像分割成5个子图像, 然后分别在子图图像中分割提取胶囊. 子图图像首先对图像高亮区域作去高光处理、去除噪声, 然后将图像区域的每一行作为一个子区域, 根据胶囊在图像区域中所在的位置特点, 通过判断子区域中链板域与背景域是否存在边界点以及胶囊与链板上的链齿是否连接来识别不同类型的子区域, 寻找子区域中胶囊与非胶囊区域的边界, 然后去除非胶囊区域. 最终对图像区域逐行扫描处理完成后从图像中提取出胶囊. 实验表明该算法与传统方法相比, 不仅速度较快, 准确性和鲁棒性也得到了改善.
针对胶囊缺陷检测中存在的图像分割效果不理想的问题, 提出了一种基于区域特征的胶囊图像分割算法. 首先将原图像分割成5个子图像, 然后分别在子图图像中分割提取胶囊. 子图图像首先对图像高亮区域作去高光处理、去除噪声, 然后将图像区域的每一行作为一个子区域, 根据胶囊在图像区域中所在的位置特点, 通过判断子区域中链板域与背景域是否存在边界点以及胶囊与链板上的链齿是否连接来识别不同类型的子区域, 寻找子区域中胶囊与非胶囊区域的边界, 然后去除非胶囊区域. 最终对图像区域逐行扫描处理完成后从图像中提取出胶囊. 实验表明该算法与传统方法相比, 不仅速度较快, 准确性和鲁棒性也得到了改善.
2015, 24(11):225-229.
摘要:
梯度向量流模型(GVF Snake)在图像处理领域取得较好的效果.但它简单的迭代运算方法,其收敛速度慢,限制了其应用.针对梯度向量场的计算,提出一种基于BFGS算法求解力场的方法,给出详细的求解过程并并且通过计算机仿真进行数值求解,最后将改进后的GVF Snake模型用于图像处理.结果表明, BFGS-GVF建立的梯度向量场性能较好.与图像处理中的牛顿几何轮廓算法、CV活动轮廓算法及IALM-GVF Snake算法进行对比, BFGS-GVF Snake算法能得到清晰、光滑的图像轮廓.
梯度向量流模型(GVF Snake)在图像处理领域取得较好的效果.但它简单的迭代运算方法,其收敛速度慢,限制了其应用.针对梯度向量场的计算,提出一种基于BFGS算法求解力场的方法,给出详细的求解过程并并且通过计算机仿真进行数值求解,最后将改进后的GVF Snake模型用于图像处理.结果表明, BFGS-GVF建立的梯度向量场性能较好.与图像处理中的牛顿几何轮廓算法、CV活动轮廓算法及IALM-GVF Snake算法进行对比, BFGS-GVF Snake算法能得到清晰、光滑的图像轮廓.
2015, 24(9):97-104.
摘要:
模糊C均值聚类是一种有效的图像分割方法, 但存在因忽略空间上下文信息和结构信息而易为噪声所干扰的现象. 为此提出了DCT子空间的邻域加权模糊C均值聚类方法. 该方法首先结合分块的思想, 对图像块进行离散余弦变换(discrete cosine transform,DCT), 建立了一个基于图像块局部信息的相似性度量模型; 然后定义目标函数中的欧式距离为邻域加权距离; 最后将该方法应用于加噪的人工合成图像、自然图像和MR图像. 实验结果表明, 该方法能够获得较好的分割效果, 同时具有较强的抗噪性.
模糊C均值聚类是一种有效的图像分割方法, 但存在因忽略空间上下文信息和结构信息而易为噪声所干扰的现象. 为此提出了DCT子空间的邻域加权模糊C均值聚类方法. 该方法首先结合分块的思想, 对图像块进行离散余弦变换(discrete cosine transform,DCT), 建立了一个基于图像块局部信息的相似性度量模型; 然后定义目标函数中的欧式距离为邻域加权距离; 最后将该方法应用于加噪的人工合成图像、自然图像和MR图像. 实验结果表明, 该方法能够获得较好的分割效果, 同时具有较强的抗噪性.
2014, 23(6):158-163.
摘要:
为了迅速准确的分割图像，通过对传统蜂群算法选择蜜源方式和缺陷蜜源的调整，提出了一种基于改进的人工蜂群算法分割二维Otsu图像的新方法. 此方法把图像阈值由人工蜂群算法中的蜜蜂表示，通过引领蜂、侦查蜂和跟随蜂之间的信息共享和分工协作来求出最佳阈值，成功解决了传统二维Otsu图像分割计算量大、运行时间长的缺陷. 实验结果表明，所提出的算法不仅能得到理想分割结果，而且分割速率快.
为了迅速准确的分割图像，通过对传统蜂群算法选择蜜源方式和缺陷蜜源的调整，提出了一种基于改进的人工蜂群算法分割二维Otsu图像的新方法. 此方法把图像阈值由人工蜂群算法中的蜜蜂表示，通过引领蜂、侦查蜂和跟随蜂之间的信息共享和分工协作来求出最佳阈值，成功解决了传统二维Otsu图像分割计算量大、运行时间长的缺陷. 实验结果表明，所提出的算法不仅能得到理想分割结果，而且分割速率快.
2014, 23(2):219-222.
摘要:
图像聚焦区域检测是图像融合、计算机视觉等领域中的一个重要研究方向。聚焦区域属于图像中的显著性区域，但大部分显著性区域检测算法在提取图像聚焦区域是存在一定的问题，不能进行准确分辨和提取。针对现有方法的不足，该文利用近来受到广泛关注的RPCA(Robust Principal Component Analysis)分解技术，提取出能有效表征图像聚焦区域的稀疏特征矩阵，并结合多区域图像分割技术获得聚焦区域。实验结果证明了该文所提方法在获取聚焦区域上的有效性，此外，该文指出基于RPCA的图像分解技术有着广泛的用途。
图像聚焦区域检测是图像融合、计算机视觉等领域中的一个重要研究方向。聚焦区域属于图像中的显著性区域，但大部分显著性区域检测算法在提取图像聚焦区域是存在一定的问题，不能进行准确分辨和提取。针对现有方法的不足，该文利用近来受到广泛关注的RPCA(Robust Principal Component Analysis)分解技术，提取出能有效表征图像聚焦区域的稀疏特征矩阵，并结合多区域图像分割技术获得聚焦区域。实验结果证明了该文所提方法在获取聚焦区域上的有效性，此外，该文指出基于RPCA的图像分解技术有着广泛的用途。
2014, 23(9):134-138.
摘要:
现有去雾算法较少考虑交通图像的特征，直接应用于交通图像去雾效果和实时性较差. 针对这一情况，在充分分析了雾天交通图像特征的基础上，提出一种基于图像分割的交通图像快速去雾算法. 算法首先采用改进的均值漂移算法分割出天空区域，然后在天空区域中较准确的估计出大气光强度值，最后采用基于双边滤波器的改进暗原色先验(DCP)算法实现去雾，并结合雾天交通图像的特征对去雾图像进行了后处理，增强了去雾效果. 实验结果证明该算法实时性高且去雾效果好，在交通图像去雾方面所提出的算法的综合性能优于现有的同类去雾算法.
现有去雾算法较少考虑交通图像的特征，直接应用于交通图像去雾效果和实时性较差. 针对这一情况，在充分分析了雾天交通图像特征的基础上，提出一种基于图像分割的交通图像快速去雾算法. 算法首先采用改进的均值漂移算法分割出天空区域，然后在天空区域中较准确的估计出大气光强度值，最后采用基于双边滤波器的改进暗原色先验(DCP)算法实现去雾，并结合雾天交通图像的特征对去雾图像进行了后处理，增强了去雾效果. 实验结果证明该算法实时性高且去雾效果好，在交通图像去雾方面所提出的算法的综合性能优于现有的同类去雾算法.
2014, 23(8):154-157.
摘要:
研究GrabCut是以迭代能量优化算法为基础，以颜色和纹理为特征，从背景图像中提取出目标的图像分割算法.但该方法速度较慢，为了达到实时应用的目的，提出了一种基于小波变换的GrabCut图像分割方法.该方法首先对原始图像进行小波变换的图像压缩，使得原始图像的分辨率降低，然后在压缩后的图像上迭代GrabCut算法，最后将收敛获得的目标区域作为原始图像初始值，再次使用GrabCut算法在原始图像上进行迭代，从而提取出目标.实验结果证明该算法提高了图像目标的提取速度，并保持图像目标的特征基本不变.
研究GrabCut是以迭代能量优化算法为基础，以颜色和纹理为特征，从背景图像中提取出目标的图像分割算法.但该方法速度较慢，为了达到实时应用的目的，提出了一种基于小波变换的GrabCut图像分割方法.该方法首先对原始图像进行小波变换的图像压缩，使得原始图像的分辨率降低，然后在压缩后的图像上迭代GrabCut算法，最后将收敛获得的目标区域作为原始图像初始值，再次使用GrabCut算法在原始图像上进行迭代，从而提取出目标.实验结果证明该算法提高了图像目标的提取速度，并保持图像目标的特征基本不变.
2013, 22(4):92-94,103.
摘要:
提出一种基于K-Means聚类的人工鱼群算法, 该算法利用人工鱼群算法鲁棒性较强且不易陷入局部最优值的特点, 动态的确定了聚类的数目和中心, 解决了K-Means聚类初始点选择不稳定的缺陷, 在此两种算法融合的基础上进行图像分割处理, 经试验证明该算法效果理想.
提出一种基于K-Means聚类的人工鱼群算法, 该算法利用人工鱼群算法鲁棒性较强且不易陷入局部最优值的特点, 动态的确定了聚类的数目和中心, 解决了K-Means聚类初始点选择不稳定的缺陷, 在此两种算法融合的基础上进行图像分割处理, 经试验证明该算法效果理想.
2013, 22(3):128-131,160.
摘要:
图像分割是图像处理的重要步骤, 由于彩色图像含有的信息比灰度图像还多, 因而对彩色图像分割的研究越来越受到人们的关注. 提出一种新的基于RGB空间颜色相似性的彩色图像分割方法. 首先比较各种颜色模型的优势与不足, 然后根据RGB颜色空间的颜色信息和亮度信息提出一种计算在RGB空间下颜色相似性的方法, 再结合提出的图像颜色分量计算方法, 从而形成颜色分类地图, 最后根据颜色分类图进行像素划分, 得到分割结果. 实验在Matlab平台上进行, 结果表明: 对于颜色分明的图像, 该算法准确性高, 有较好的健壮性
图像分割是图像处理的重要步骤, 由于彩色图像含有的信息比灰度图像还多, 因而对彩色图像分割的研究越来越受到人们的关注. 提出一种新的基于RGB空间颜色相似性的彩色图像分割方法. 首先比较各种颜色模型的优势与不足, 然后根据RGB颜色空间的颜色信息和亮度信息提出一种计算在RGB空间下颜色相似性的方法, 再结合提出的图像颜色分量计算方法, 从而形成颜色分类地图, 最后根据颜色分类图进行像素划分, 得到分割结果. 实验在Matlab平台上进行, 结果表明: 对于颜色分明的图像, 该算法准确性高, 有较好的健壮性
2009, 18(7):33-36.
摘要:
针对模糊C 均值(FCM)聚类算法在图像分割中存在的对初始类中心敏感且迭代过程中计算量大的问题，提出了一种改进的算法。先通过精简数据集，减少算法迭代的时间；再使用样本密度法得到FCM 分割算法的初始聚类中心，以减少算法收敛所需的迭代次数。实验结果表明，改进后的分割算法较好地解决了类中心的初始化问题，提高了算法的收敛速度和运行速度。
针对模糊C 均值(FCM)聚类算法在图像分割中存在的对初始类中心敏感且迭代过程中计算量大的问题，提出了一种改进的算法。先通过精简数据集，减少算法迭代的时间；再使用样本密度法得到FCM 分割算法的初始聚类中心，以减少算法收敛所需的迭代次数。实验结果表明，改进后的分割算法较好地解决了类中心的初始化问题，提高了算法的收敛速度和运行速度。
2008, 17(10):43-46.
摘要:
介绍了一种基于指纹多特征的指纹图像分割方法。首先简述了三种基于单一特征的指纹图像分割方法：基于灰度方差的指纹图象分割、基于方向信息的指纹图象分割和基于角部灰度均值的指纹图像分割的适用情况及利弊，然后介绍了将方向图法和灰度法两种分割方法合理结合起来的基于多特征的指纹图像分割方法，该方法首先将图像划分成多个不重叠的块并计算各子块的灰度方差与均值，再根据各个图像块的灰度方差值与方差阈的关系确定各子块是采用方向图法还是采用灰度法继续进行图像分割。实践证明，基于多特征的指纹图像分割方法充分利用了指纹图像的特征，避免
介绍了一种基于指纹多特征的指纹图像分割方法。首先简述了三种基于单一特征的指纹图像分割方法：基于灰度方差的指纹图象分割、基于方向信息的指纹图象分割和基于角部灰度均值的指纹图像分割的适用情况及利弊，然后介绍了将方向图法和灰度法两种分割方法合理结合起来的基于多特征的指纹图像分割方法，该方法首先将图像划分成多个不重叠的块并计算各子块的灰度方差与均值，再根据各个图像块的灰度方差值与方差阈的关系确定各子块是采用方向图法还是采用灰度法继续进行图像分割。实践证明，基于多特征的指纹图像分割方法充分利用了指纹图像的特征，避免
2009, 18(12):62-65.
摘要:
对组织器官的分割和提取是医学图像三维重建及可视化的基础工作。根据数字虚拟人图像的特点，提出了一种基于改进活动轮廓模型的数字虚拟人图像分割算法，推导出了基于改进活动轮廓模型方程的解析表达式，并采用梯度向量流场对该算法进行了改进。该算法克服了传统活动轮廓模型不能处理深度凹陷区域的问题。实验结果表明，该算法具有对“U”形区域计算精确、抗干扰性强、可得到很好的分割结果。
对组织器官的分割和提取是医学图像三维重建及可视化的基础工作。根据数字虚拟人图像的特点，提出了一种基于改进活动轮廓模型的数字虚拟人图像分割算法，推导出了基于改进活动轮廓模型方程的解析表达式，并采用梯度向量流场对该算法进行了改进。该算法克服了传统活动轮廓模型不能处理深度凹陷区域的问题。实验结果表明，该算法具有对“U”形区域计算精确、抗干扰性强、可得到很好的分割结果。
2009, 18(4):74-76.
摘要:
针对传统模糊核聚类算法当数据类差别很大时,小数据类被误分或被大数据类吞并的缺陷,提出了一种新的加权模糊核C 均值聚类算法(Weighted Fuzzy Kernel C-Means)，为每一个类分配了一个动态权值；同时将该算法引入到谱聚类中，设计了一个以图像灰度特征作为分类样本的改进的谱聚类算法，解决了谱聚类应用于图像分割时权矩阵的谱难以计算的实际问题。实验结果表该算法具有较好的分割效果。
针对传统模糊核聚类算法当数据类差别很大时,小数据类被误分或被大数据类吞并的缺陷,提出了一种新的加权模糊核C 均值聚类算法(Weighted Fuzzy Kernel C-Means)，为每一个类分配了一个动态权值；同时将该算法引入到谱聚类中，设计了一个以图像灰度特征作为分类样本的改进的谱聚类算法，解决了谱聚类应用于图像分割时权矩阵的谱难以计算的实际问题。实验结果表该算法具有较好的分割效果。
2011, 20(5):96-100,139.
摘要:
针对多车辆跟踪中的遮挡问题，提出一种新的基于特征相关匹配的车辆跟踪算法。对前一帧和当前帧中获得的运动区域分别给予“车辆区域”和“临时区域”两种不同身份，采用“三点外推法”估计车辆区域在当前帧中位置，并通过计算到当前帧临时区域的距离以确定匹配区域，实现车辆跟踪。同时根据给各区域设置的状态因子判断车辆状态，结合基于追踪窗口的分割方法，较好地解决了车辆遮挡问题。实验结果表明，该算法简单有效，能较好解决跟踪中遮挡造成的车辆丢失问题，进行准确的目标跟踪。
针对多车辆跟踪中的遮挡问题，提出一种新的基于特征相关匹配的车辆跟踪算法。对前一帧和当前帧中获得的运动区域分别给予“车辆区域”和“临时区域”两种不同身份，采用“三点外推法”估计车辆区域在当前帧中位置，并通过计算到当前帧临时区域的距离以确定匹配区域，实现车辆跟踪。同时根据给各区域设置的状态因子判断车辆状态，结合基于追踪窗口的分割方法，较好地解决了车辆遮挡问题。实验结果表明，该算法简单有效，能较好解决跟踪中遮挡造成的车辆丢失问题，进行准确的目标跟踪。
2012, 21(1):115-117,131.
摘要:
图像分割在太阳能电池组件缺陷检测系统中,起着非常重要的作用。通过双峰法和最大类间方差法结合对太阳能电池的近红外图像进行图像分割和二值化,并得出缺陷的二值图。实验表明所提出的太阳能电池硅片的图像分割方法能快速准确地实现对图像的分割,得到了较好的二值图。为太阳能电池图像的缺陷特征的提取,以及进一步描述和分析奠定了良好的基础。
图像分割在太阳能电池组件缺陷检测系统中,起着非常重要的作用。通过双峰法和最大类间方差法结合对太阳能电池的近红外图像进行图像分割和二值化,并得出缺陷的二值图。实验表明所提出的太阳能电池硅片的图像分割方法能快速准确地实现对图像的分割,得到了较好的二值图。为太阳能电池图像的缺陷特征的提取,以及进一步描述和分析奠定了良好的基础。
77 类圆粘连物体圆度测量
2008, 17(11):113-115.
摘要:
图像的分割和直径的计算是应用机器视觉技术对粘连圆形物体圆度进行非接触式测量的关键步骤，直接影响到测量的结果。本文使用分水岭算法对图像进行分割，计算时充分考虑粘连部分的影响，取得了较好效果。
图像的分割和直径的计算是应用机器视觉技术对粘连圆形物体圆度进行非接触式测量的关键步骤，直接影响到测量的结果。本文使用分水岭算法对图像进行分割，计算时充分考虑粘连部分的影响，取得了较好效果。
2010, 19(4):140-143.
摘要:
为满足全方位视觉运动目标检测跟踪系统中检测和跟踪实时性的要求，采用多核程序设计和并行处理技术，对系统中连通域标记算法，重新进行了设计和实现。为解决由图像分割造成的连通域的分离，应用边界处的游程码，将两个不同任务块中分割处的连通域合并成一个连通域。最后通过实验证明该并行算法比传统算法在多核处理器上运行更快，更好地解决了多核处理器饥饿问题，让多核处理器发挥了更高的效率。
为满足全方位视觉运动目标检测跟踪系统中检测和跟踪实时性的要求，采用多核程序设计和并行处理技术，对系统中连通域标记算法，重新进行了设计和实现。为解决由图像分割造成的连通域的分离，应用边界处的游程码，将两个不同任务块中分割处的连通域合并成一个连通域。最后通过实验证明该并行算法比传统算法在多核处理器上运行更快，更好地解决了多核处理器饥饿问题，让多核处理器发挥了更高的效率。
2012, 21(12):158-162.
摘要:
为实现橘科植物病害的计算机识别和病害程度的科学评价, 提出通过分析病害图像, 自动提取有效特征,设计分类器模型识别的方法. 深入研究了怎样对病害图像进行自动增强处理、病斑分割、特征提取, 以及怎样构建分类器模型等技术. 最后以常见也容易混淆的五种柠檬病害为例, 提取其病斑色调、纹理、形态三种特征向量,分别采用支持向量机和BP 神经网络进行训练、测试. 实验结果表明, 该方法能很好识别植物病害类别, 为科学防治和病害危害程度评价提供科学依据.
为实现橘科植物病害的计算机识别和病害程度的科学评价, 提出通过分析病害图像, 自动提取有效特征,设计分类器模型识别的方法. 深入研究了怎样对病害图像进行自动增强处理、病斑分割、特征提取, 以及怎样构建分类器模型等技术. 最后以常见也容易混淆的五种柠檬病害为例, 提取其病斑色调、纹理、形态三种特征向量,分别采用支持向量机和BP 神经网络进行训练、测试. 实验结果表明, 该方法能很好识别植物病害类别, 为科学防治和病害危害程度评价提供科学依据.
2012, 21(10):166-170.
摘要:
为获得血液透析膜纤维的高精度识别与计数, 通过对纤维图像颜色聚类特征的实验和分析, 得出在YUV 空间中仅利用颜色分量U 和V 对图像进行颜色聚类. 利用K-means 聚类算法对图像进行颜色聚类, 根据图像中各像素的聚类属性对图像进行分割. 在纤维的识别计数环节, 采用Hough 变换的方式对分割出的纤维图像识别并计数. 实验结果表明, 该算法识别精度高, 鲁棒性好.
为获得血液透析膜纤维的高精度识别与计数, 通过对纤维图像颜色聚类特征的实验和分析, 得出在YUV 空间中仅利用颜色分量U 和V 对图像进行颜色聚类. 利用K-means 聚类算法对图像进行颜色聚类, 根据图像中各像素的聚类属性对图像进行分割. 在纤维的识别计数环节, 采用Hough 变换的方式对分割出的纤维图像识别并计数. 实验结果表明, 该算法识别精度高, 鲁棒性好.
2012, 21(11):170-173.
摘要:
指纹识别作为生物识别技术最为成功的应用之一, 近年来已得到快速发展和普及. 而指纹图像分割技术是指纹处理特征点提取的基础, 同时也是高效识别指纹的关键, 直接影响整个指纹识别系统的性能. 本文在对相关的指纹图像分割方法分析的基础上, 利用粒子群算法的阈值分割方法和方向图的指纹图像分割技术的优点, 进一步研究并提出了一个混合分割方法. 实验结果表明, 这两种方法的结合运用可以获得良好指纹图像分割效果.
指纹识别作为生物识别技术最为成功的应用之一, 近年来已得到快速发展和普及. 而指纹图像分割技术是指纹处理特征点提取的基础, 同时也是高效识别指纹的关键, 直接影响整个指纹识别系统的性能. 本文在对相关的指纹图像分割方法分析的基础上, 利用粒子群算法的阈值分割方法和方向图的指纹图像分割技术的优点, 进一步研究并提出了一个混合分割方法. 实验结果表明, 这两种方法的结合运用可以获得良好指纹图像分割效果.
2011, 20(12):200-204.
摘要:
针对电子商务网站二维服装虚拟试穿与搭配展示中模特图像配准的需求,提出了一种基于K-均值聚类和扫描标号法相结合的模特眼睛定位方法。首先对模特图像进行Gamma 矫正,进而以K-均值聚类为基础分割图像并完成候选区域的边缘检测,最后采用扫描标号法定位模特眼睛。实验结果表明了该方法的鲁棒性与有效性。
针对电子商务网站二维服装虚拟试穿与搭配展示中模特图像配准的需求,提出了一种基于K-均值聚类和扫描标号法相结合的模特眼睛定位方法。首先对模特图像进行Gamma 矫正,进而以K-均值聚类为基础分割图像并完成候选区域的边缘检测,最后采用扫描标号法定位模特眼睛。实验结果表明了该方法的鲁棒性与有效性。
2009, 18(5):25-28.
摘要:
针对传统的基于灰度特性的指纹图像分割方法的不足，提出了一种自动确定分割阈值的改进算法。首 先，对图像进行直方图均衡化处理。然后，提出一种自动确定分割阈值的方法，利用图像的灰度均值及方差分割图像。最后，对分割后的图像进行后处理。实验表明，该方法简单实用，处理速度快，鲁棒性好，满足实时性要求较高的自动指纹识别系统的要求，是一种行之有效的分割方法。
针对传统的基于灰度特性的指纹图像分割方法的不足，提出了一种自动确定分割阈值的改进算法。首 先，对图像进行直方图均衡化处理。然后，提出一种自动确定分割阈值的方法，利用图像的灰度均值及方差分割图像。最后，对分割后的图像进行后处理。实验表明，该方法简单实用，处理速度快，鲁棒性好，满足实时性要求较高的自动指纹识别系统的要求，是一种行之有效的分割方法。
2010, 19(12):54-58.
摘要:
视觉系统是类人足球机器人获取环境信息的主要途径。在比赛中，受场地光照等比赛环境的影响，用传统的分割识别算法难以达到满意的效果。文中提出一种结合目标颜色和形状信息的识别算法。该算法在HSI空间执行基于颜色信息的快速阀值分割，获取目标像素，并且加入了自适应阀值更新，然后利用目标像素和目标形状信息执行优化边缘检测识别目标，最终获得目标在图像中准确的位置信息。实验证明：该算法能长时间在不同光照条件下稳定获取对象在图像中的位置信息，满足实时性的要求。
视觉系统是类人足球机器人获取环境信息的主要途径。在比赛中，受场地光照等比赛环境的影响，用传统的分割识别算法难以达到满意的效果。文中提出一种结合目标颜色和形状信息的识别算法。该算法在HSI空间执行基于颜色信息的快速阀值分割，获取目标像素，并且加入了自适应阀值更新，然后利用目标像素和目标形状信息执行优化边缘检测识别目标，最终获得目标在图像中准确的位置信息。实验证明：该算法能长时间在不同光照条件下稳定获取对象在图像中的位置信息，满足实时性的要求。
2011, 20(7):53-56,21.
摘要:
针对传统分水岭算法产生严重的过分割问题，提出了一种聚类和改进分水岭算法结合的彩色图像分割算法。该算法首先利用聚类算法在HSV 颜色空间将特征相似的像素归为一类，然后对分水岭算法产生的分割区域进行种子区域生长，并利用区域合并将剩余的小区域进行合并，从而完成了对彩色图像的分割。实验证明该算法减少了分水岭算法的过分割现象，提高了图像分割的精确性，具有很好的鲁棒性和适应性。
针对传统分水岭算法产生严重的过分割问题，提出了一种聚类和改进分水岭算法结合的彩色图像分割算法。该算法首先利用聚类算法在HSV 颜色空间将特征相似的像素归为一类，然后对分水岭算法产生的分割区域进行种子区域生长，并利用区域合并将剩余的小区域进行合并，从而完成了对彩色图像的分割。实验证明该算法减少了分水岭算法的过分割现象，提高了图像分割的精确性，具有很好的鲁棒性和适应性。
2011, 20(6):207-211.
摘要:
肉品图像中脂肪与肌肉的精确提取是无损检测的关键技术之一，针对这一问题，在规范割方法（Normalized cut，Ncut）的基础上，为了减少计算复杂度，提出了一种改进算法。首先，利用基于矩的阈值选择方法将肉品区域从背景中分割出来；其次，量化色彩等级，为肉品区域创建彩色直方图；最后，计算彩色直方图的相似度矩阵，并使用规范割做为谱聚类测度对直方图进行划分，按照直方图划分结果提取肌肉和脂肪。实验表明，和基于像素的谱聚类算法相比，改进算法不但降低了计算复杂度，且能有效提取肌肉与脂肪。
肉品图像中脂肪与肌肉的精确提取是无损检测的关键技术之一，针对这一问题，在规范割方法（Normalized cut，Ncut）的基础上，为了减少计算复杂度，提出了一种改进算法。首先，利用基于矩的阈值选择方法将肉品区域从背景中分割出来；其次，量化色彩等级，为肉品区域创建彩色直方图；最后，计算彩色直方图的相似度矩阵，并使用规范割做为谱聚类测度对直方图进行划分，按照直方图划分结果提取肌肉和脂肪。实验表明，和基于像素的谱聚类算法相比，改进算法不但降低了计算复杂度，且能有效提取肌肉与脂肪。
87 肺部毛细血管分割算法
2011, 20(5):235-237.
摘要:
针对肺部区域进行毛细血管的分割提取，根据肺部图像本身的灰度信息，以及毛细血管自身的特殊性，如灰度逐渐变化、粗细不均等，主要利用区域生长法、拉普拉斯二阶微分算子等一些图像处理的算法，对较复杂的毛细血管部分进行了提取，这种方法克服了单一算法的不足之处，有效地分割出了主要血管的形状及走势，实验证明具有一定的有效性和应用价值。
针对肺部区域进行毛细血管的分割提取，根据肺部图像本身的灰度信息，以及毛细血管自身的特殊性，如灰度逐渐变化、粗细不均等，主要利用区域生长法、拉普拉斯二阶微分算子等一些图像处理的算法，对较复杂的毛细血管部分进行了提取，这种方法克服了单一算法的不足之处，有效地分割出了主要血管的形状及走势，实验证明具有一定的有效性和应用价值。
2008, 17(6):124-127.
摘要:
针对相对复杂图像的背景更换问题，本文先运用模糊C均值聚类算法(FCM)对图像进行模糊分割。再根据模糊分类后的图像，本文设计了一种图像目标提取方法。实验表明，这种方法能还原模糊分类后的图像目标，并使背景部分更换成其他颜色，从而实现图像目标的提取。最后，设计了一种新的数据融合法将两种不同的合成算法结合起来，最终使目标图像与其他背景图像有机的合成在一起，从而实现图像的背景更换。
针对相对复杂图像的背景更换问题，本文先运用模糊C均值聚类算法(FCM)对图像进行模糊分割。再根据模糊分类后的图像，本文设计了一种图像目标提取方法。实验表明，这种方法能还原模糊分类后的图像目标，并使背景部分更换成其他颜色，从而实现图像目标的提取。最后，设计了一种新的数据融合法将两种不同的合成算法结合起来，最终使目标图像与其他背景图像有机的合成在一起，从而实现图像的背景更换。
2007, 16(6):99-102.
摘要:
本文针对复杂背景彩色图像提出了一种基于YCbCr颜色空间的自适应肤色检测算法.该算法从两个方面考虑了抗光照问题:采用非线性分段色彩变换和基于Fisher评价准则的自适应阈值分割方法减小亮度的影响.实验结果表明,该算法复杂度较小,对光照变化具有很好的鲁棒性.
本文针对复杂背景彩色图像提出了一种基于YCbCr颜色空间的自适应肤色检测算法.该算法从两个方面考虑了抗光照问题:采用非线性分段色彩变换和基于Fisher评价准则的自适应阈值分割方法减小亮度的影响.实验结果表明,该算法复杂度较小,对光照变化具有很好的鲁棒性.
2012, 21(2):188-191.
摘要:
电容器是电子整机产品的必要器件。由于制造工艺及设备水准的限制,露白是一种常见的电容器外观缺陷。基于K-均值聚类算法,结合露白电容器外观图像的特点,提出了电容器露白区域分割算法。根据Ohta 等人的研究成果,选取能有效表示彩色特征的彩色特征集中的第一个分量,用来替代K-均值聚类图像分割中的灰度;确定分类类别数为两类,采取了粗糙集理论的算法,求出初始聚类中心和间距阈值。实验表明,该图像分割算法能有效分割出电容器图像的露白区域,具有较好的精确度和准确度。
电容器是电子整机产品的必要器件。由于制造工艺及设备水准的限制,露白是一种常见的电容器外观缺陷。基于K-均值聚类算法,结合露白电容器外观图像的特点,提出了电容器露白区域分割算法。根据Ohta 等人的研究成果,选取能有效表示彩色特征的彩色特征集中的第一个分量,用来替代K-均值聚类图像分割中的灰度;确定分类类别数为两类,采取了粗糙集理论的算法,求出初始聚类中心和间距阈值。实验表明,该图像分割算法能有效分割出电容器图像的露白区域,具有较好的精确度和准确度。
91 自适应法分割指纹图像
2007, 16(2):51-52.
摘要:
本文提出一种自适应指纹图像分割方法.利用指纹图像脊线和谷线的灰度值频数、纹线的方向性以及脊谷线灰度值的对比度,自适应地选择分割方法.适用于各种质量的指纹图像,阈值可以根据图像自适应地选择,避免了人为选择阈值的困难.实验结果表明,该方法分割准确,具有实际的适应性,错误分割率较低.
本文提出一种自适应指纹图像分割方法.利用指纹图像脊线和谷线的灰度值频数、纹线的方向性以及脊谷线灰度值的对比度,自适应地选择分割方法.适用于各种质量的指纹图像,阈值可以根据图像自适应地选择,避免了人为选择阈值的困难.实验结果表明,该方法分割准确,具有实际的适应性,错误分割率较低.
2009, 18(1):47-49.
摘要:
研究了自动磁粉探伤系统中数字图像预处理问题。将CCD传感器采集的磁痕图像先进行单色化处理，再采用浮动阈值和条件跟踪复合分割得到了较好的二值化图像,最后对图像进行膨胀收缩处理，满足了自动磁粉探伤系统对缺陷识别的要求。
研究了自动磁粉探伤系统中数字图像预处理问题。将CCD传感器采集的磁痕图像先进行单色化处理，再采用浮动阈值和条件跟踪复合分割得到了较好的二值化图像,最后对图像进行膨胀收缩处理，满足了自动磁粉探伤系统对缺陷识别的要求。
2012, 21(9):206-209.
摘要:
Graph Cut方法用于医学图像分割具有精度高, 分割准确等优点, 但处理每一幅图片都需要用户选定对象和背景, 耗时较长. 区域生长方法适于对面积不大的区域进行分割, 分割速度快, 但需要人工选取种子点, 且在对比度低的情况下分割效果不理想. 针对医学CT连续断层图像间相关性强特点, 提出一种把Graph Cut方法和区域生长方法相结合的图像分割算法GCRGIS. 首先使用Graph Cut法对连续断层图像的首幅图像进行分割, 以分割出的图像轮廓作为后幅断层图像待生长区域的边缘, 将边缘进行腐蚀后再进行区域生长, 分割出目标图像. 实验结果表明, 该方法处理连续CT图像时仅需对首幅图像进行人工交互, 在后续图像的分割中避免了每幅图像都要人工交互的繁琐, 分割效果好, 速度快.
Graph Cut方法用于医学图像分割具有精度高, 分割准确等优点, 但处理每一幅图片都需要用户选定对象和背景, 耗时较长. 区域生长方法适于对面积不大的区域进行分割, 分割速度快, 但需要人工选取种子点, 且在对比度低的情况下分割效果不理想. 针对医学CT连续断层图像间相关性强特点, 提出一种把Graph Cut方法和区域生长方法相结合的图像分割算法GCRGIS. 首先使用Graph Cut法对连续断层图像的首幅图像进行分割, 以分割出的图像轮廓作为后幅断层图像待生长区域的边缘, 将边缘进行腐蚀后再进行区域生长, 分割出目标图像. 实验结果表明, 该方法处理连续CT图像时仅需对首幅图像进行人工交互, 在后续图像的分割中避免了每幅图像都要人工交互的繁琐, 分割效果好, 速度快.
联系方式
- 《计算机系统应用》
- 1992年创刊
- 主办单位：中国科学院软件研究所
- 邮编：100190
- 电话：010-62661041
- 电子邮箱：csa@iscas.ac.cn
- 网址:https://www.c-s-a.org.cn/csa/home
- 刊号：ISSN 1003-3254
- CN 11-2854/TP
- 国内定价：50元
您是第位访问者
版权所有：中国科学院软件研究所 京ICP备05046678号-3
地址：北京市海淀区中关村南四街4号,邮政编码：100190
电话：010-62661041 传真： Email：csa@iscas.ac.cn
技术支持：北京勤云科技发展有限公司
版权所有：中国科学院软件研究所 京ICP备05046678号-3
地址：北京市海淀区中关村南四街4号,邮政编码：100190
电话：010-62661041 传真： Email：csa@iscas.ac.cn
技术支持：北京勤云科技发展有限公司
