简介:目的本文针对黑素细胞肿瘤(MelanocyticTumorMT)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。
简介:本文阐述了基于形变模型(DeformableModels)的LevelSet分割方法的基本原理及其特点,介绍了在图像域的实现方法,实现并改进了基于该模型的NarrowBand快速算法.该算法的基本流程是:先在需要分割的目标内或外给定一封闭的初始曲线,通过Gaussian滤波后计算图像的梯度,最后通过NarrowBand算法完成轮廓线的抽取.该算法应用于医学CT/MRI影像以及显微图像的目标分割中,取得了较好的实验结果,证明该方法非常适合于对具有分支、突触以及拓扑结构变化的目标进行快速精确分割.文中给出了算法实现的基本流程、相关参数的选取准则和部分实验结果.实验发现算法中涉及的参数对提取的轮廓线的精确和光滑程度有较大影响.
简介:摘要:本文提出了一种基于机器学习的眼底图像检测方法、装置及系统,其中主要包括:获取待检测的眼底图像;对所述眼底图像整体区域进行第一特征集检测;对所述眼底图像中特定区域进行第二特征集检测,所述第一特征中的特征的显著度大于第二特征集中的特征的显著度;基于机器学习对检测的结论进行判定得到最终检测结果。每种类型的特征分开检测,互不影响,可以较为精确的判断每个特征的类别,同时进行多种类别多种显著度的特征的检测,可以高效精确的对眼底图像进行检测。
简介:摘要:本文提出了一种基于机器学习的眼底图像检测方法、装置及系统,其中主要包括:获取待检测的眼底图像;对所述眼底图像整体区域进行第一特征集检测;对所述眼底图像中特定区域进行第二特征集检测,所述第一特征中的特征的显著度大于第二特征集中的特征的显著度;基于机器学习对检测的结论进行判定得到最终检测结果。每种类型的特征分开检测,互不影响,可以较为精确的判断每个特征的类别,同时进行多种类别多种显著度的特征的检测,可以高效精确的对眼底图像进行检测。