摘要：磁共振图像由于成像机制的影响往往导致图像中含有噪声和偏移场,使得传统方法很难得到较好的分割结果.为此,在模糊C均值模型的基础上提出一种分割与偏移场恢复耦合模型.首先构建基于非局部信息的邻域正则项,使得在降低噪声影响的同时能有效地保留图像结构信息;其次在模型求解时引入人工蜂群算法,使得模型能快速逼近凸优解.实验结果表明,该模型对噪声和偏移场均具有较好的鲁棒性,可得到较准确的分割和偏移场矫正结果.

摘要：将光流场模型引入大脑图像配准,针对Horn模型会造成图像严重模糊的问题,在微分光流场模型的一般框架下,构造具有边缘保持和一致性增强能力的流驱动各向异性扩散方程作为正则项,以增强配准过程的特征保持能力;采用非二次惩罚函数作为数据项,以增强模型的鲁棒性.最后利用文中模型对大脑图像进行配准实验,得到了较为准确的结果.

摘要：为了克服脑核磁共振图像中存在的灰度不均匀现象,提出一种有效的脑核磁共振图像分割模型.该模型利用多相位水平集方式来拟合图像的局部灰度,实现多种脑组织的同时分割,并提供光滑且准确的目标边界或曲面.在二维、三维的图像上的比较实验结果表明,该模型是有效的.

摘要：提出了一种加权型曲率保持偏微分方程(Partial differential equation,PDE)滤波方法.传统曲率保持PDE滤波方法未考虑各积分曲线可能经历不同的图像结构,如此影响了其对图像边缘的保持能力.在此基础上,利用局部图像方向信息为不同积分曲线设计了相应的权重,得到了一种张量驱动的加权型曲率保持PDE滤波方法.实验结果表明该方法在滤波的同时能较好地保持图像中边缘与曲率结构,且对图像具有一定增强能力.

摘要：为了克服传统的梯度矢量流(GVF)模型对细长拓扑结构、噪声及弱边界敏感的缺陷,提出一种基于区域信息的各向异性GVF模型.首先由模糊C均值(FCM)聚类算法得到聚类信息并将其融入到GVF模型中,以降低弱边界和噪声的影响;然后利用图像结构信息改进GVF模型,使其具有各向异性,克服了细长拓扑结构的影响;最后把得到的各向异性GVF模型融入到Snake方程中引导曲线的演化,得到目标边界.实验结果表明,该模型具有较好的分割结果.

摘要：提出一种新颖的变分耦合模型,同时实现配准与分割.模型中使用耦合函数将非刚性配准信息与基于区域信息的曲线演化理论结合在一起,构造总能量函数,通过求解该能量函数的极值达到配准-分割的目的.该方法可以分割多模态医学图像,即使在两图间的强度信息区别较大时,也可以得到较好的分割结果.实验结果表明该方法具有较好的鲁棒性.

摘要：为降低噪声以及偏移场的影响,提出一种基于非局部空间信息的FCM模型。引入非局部信息,克服传统的空间信息仅依赖邻域灰度信息,导致精度不高的缺点,使其在降低噪声影响的同时保持细长拓扑结构区域信息;利用多元高斯分布模型对图像灰度分布进行拟合,构造距离函数,降低传统欧式距离导致鲁棒性不足的影响;利用基函数的线性组合对偏移场进行拟合,将偏移场参数化并耦合到FCM框架下,降低灰度不均匀对分割的影响。实验结果表明,该模型可以得到更精确的分割结果。

摘要：为了克服Mean Shift算法各向同性的缺点,使用结构信息构造各向异性高斯核,使其具有各向异性,从而克服细长目标的影响;将颜色空间投影到新的坐标系下,使得相近颜色可以有较大的距离,以增大虚拟人脑图像中灰质与下层数据之间的区别.虚拟人脑图像分割结果说明,该算法可以得到较好的分割结果.

摘要：为降低噪声影响同时恢复图像偏移场,提出一种基于局部熵信息的分割与偏移场恢复耦合模型.该模型在水平集理论的整体框架下将局部熵引入耦合模型,进而将其改造成全局凸函数,并利用Split-Bregman方法求得全局最优解.实验结果表明,文中模型可以准确、快速地分割灰度不均匀图像,同时可较好地恢复出图像的偏移场信息,对初始曲线和参数也具有较好的鲁棒性.

摘要：为了去除频域光学相干断层扫描(SD-OCT)中的散斑噪声,提出了一种结构保持生成对抗网络模型,可以无监督地从SD-OCT图像合成高质量的增强深部成像光学相干断层扫描(EDI-OCT)图像.该模型基于循环生成对抗网络结构学习无配对SD-OCT和EDI-OCT图像之间的域映射关系.为了克服循环生成对抗网络生成图像的结构性差异问题,模型利用连续帧之间的相似性引入全局结构损失,保证了图像的全局结构一致性;同时通过模态无关邻域描述符引入局部结构损失,保持了图像的解剖结构细节.在50组CirrusSD-OCT数据集上进行去噪的实验结果表明,该模型的PSNR值为29.03 dB,SSIM值为0.82,EPI值为0.50,均优于现有模型.