首页 > 文献资料
-
基于k均值聚类和自适应模板匹配的眼底出血点检测方法
眼底出血点是糖尿病视网膜病变的早期症状,准确检测眼底图像中的出血点,对于构建糖尿病视网膜病变的自动筛查系统具有重要意义,本研究提出了一种基于k均值聚类和自适应模板匹配的出血点检测方法.首先利用HSV空间亮度校正以及对比度受限自适应直方图均衡化方法对眼底图像进行预处理,然后使用k均值聚类分割出候选目标,后利用自适应归一化互相关模板匹配与支持向量机(SVM)分类器对候选目标进行筛选,从而得到真正的出血区.采用DIARETDB数据库的219幅眼底图像进行实验,本方法在图像水平的灵敏度为100％,特异性为80％,准确率为92.4％,在病灶水平的灵敏度为89％,阳性预测值为87.3％.结果表明本方法能够实现眼底图像中出血点的自动检测.
-
基于形态特征和k均值聚类的黄斑检测与定位
彩色眼底图像已经广泛地应用于眼科相关疾病的辅助诊断和筛查.眼底图像中的黄斑区域检测和中心定位是眼科疾病分级、诊疗的重要步骤.提出一种有效检测与定位黄斑的方法,通过分析黄斑的低亮度和趋于圆形的形态特征,可以不依赖视盘和血管信息,在二值化眼底图像中实现黄斑检测,确定黄斑区域.改进k均值聚类方法,引入图像的空间信息,优化聚类对象,获取黄斑的边缘信息,实现黄斑中心的有效定位.在公开的眼底图像数据库上验证方法的性能,具有较高的准确率.对正常和存在病变的眼底图像的黄斑中心有效定位,可达到96.11％和92.12％,平均准确率达到93.92％.实验表明,提出的基于形态特征和k均值聚类的黄斑检测与定位方法简单、高效,对眼科疾病的计算机辅助诊断有实用价值.
-
多相变分水平集的脑部磁共振图像分割与偏移场矫正的耦合模型
目的 为分割有偏移场的脑部磁共振图像,建立了一种多相变分水平集的脑部磁共振图像分割与偏移场矫正的耦合模型.方法 依据偏移场特性,定义了基于局部灰度信息的K均值聚类准则,并将聚类准则项整合为变分水平集函数的基本能量项,构造变分水平集的能量函数,求解能量函数的欧拉-拉格朗日方程.将提出的变分水平集算法扩展为多相,终实现脑组织分割和偏移场的矫正.结果 以医生手动分割的脑组织为标准,将本文模型与多相LBF模型的分割结果进行定量分析,结果表明,偏移场强度为20％时,本文模型的分割精度比多相LBF模型提高了10％,且随着偏移场强度进一步增强,本模型的优势更明显.结论 本模型抗噪能力强且分割结果受参数影响小,可应用于脑组织的分割和偏移场的矫正.
-
基于核密度估计和K均值聚类算法的骨扫描图像分割
目的:探讨K均值聚类的改进算法,并将其应用于全身骨扫描图像的分割.方法:首先对二维全身骨SPECT图像进行锐化、平滑、灰度变换等预处理;其次用核密度估计方法拟合出图像像素概率密度函数曲线,根据曲线的峰值点确定K个初始聚类中心值;再应用K均值聚类对图像进行分割;后使用模板匹配排除误识别的区域.结果:图像预处理凸显了感兴趣目标,并改善了图像质量;基于核密度估计的K均值聚类算法的Tanimoto相似度系数明显优于传统K均值算法,平均耗时短于其他分割算法.结论:核密度估计有效地避免K均值聚类算法中初始聚类中心选取的盲目性,使聚类结果更为快速、准确、稳定.改进的K均值聚类算法对骨扫描图像分割效果显著,更便于对感兴趣区域进行定性、定量分析.
-
基于非张量积图像特征的 k-均值聚类分割算法的研究
肝癌是世界上常见的恶性肿瘤之一，全球每年有近70万人死于肝癌，我国肝癌发病率是世界之。术前预判，术中监测，术后评价的精准度是一台肝胆外科手术成功与否的关键。目前，通过肝脏医学图像对肝实质及内部管道系统的三维分割重建，从而直观地向医生显示肝脏内部复杂结构，是实现上述肝胆外科手术关键点的一个有效方法，能显著提高肝胆手术的成功率，明显改善患者预后，延长患者的存活时间。对肝脏实现这一切的前提是必须尽量准确地分割出肝脏或者病灶，即肝脏或病灶的医学图像分割［1］。然而腹部C T成像的肝脏区域和周围区域的组织表现复杂，肿瘤区域和肝脏区域的成像在外观上高度相似，且肿瘤在肝脏中的部位、大小及形变没有一定规律，因此没有一种比较理想的分割方法能够对肝脏CT图像的肿瘤分割达到令人满意的效果。
-
一种面向中医目诊的虹膜定位算法
虹膜诊断对于中医与民族医学的目诊理论具有重要的补充和借鉴作用,有必要深入研究虹膜及其图像特征与疾病、体质、中医辨证的证候要素等因素间的对应关系.本文以基于中医目诊的虹膜特征分析为出发点,以虹膜仪采集图像为对象,研究并提出了一种基于中医目诊的虹膜定位算法.该算法首先采用基于灰度阈值估计的方法得到瞳孔中心大致位置,再基于相似参数组的合并改进霍夫变换算法,得到虹膜内边界的定位结果,解决虹膜仪图像的瞳孔收缩、边界发生部分形变的问题.然后采用K均值聚类估计虹膜区域的大致范围,并以此构造初始轮廓,利用主动轮廓模型得到虹膜的外边界,从而避免由于图像畸变而引起霍夫变换失效的问题.
-
基于改进的K均值聚类算法的睡眠自动分期研究
睡眠分期是医学、神经信息领域的研究热点.人工标记睡眠数据是一项费时且费力的工作.自动睡眠分期方法能够减少人工分期的工作负荷,但在复杂多变的临床数据的应用上仍存在局限性.本文提出了一种改进的K均值聚类算法,主要目的是从实际睡眠数据的特点出发,研究睡眠自动分期方法.针对原始K均值聚类算法对初始聚类中心和离群点敏感的问题,本文结合密度的思想,选择周围数据密集的点作为初始中心,并根据“3σ法则”更新中心.改进算法在健康被试和接受持续正压通气(CPAP)治疗的睡眠障碍者的睡眠数据上进行了测试,平均分类精确度达到76％,同时结合实际睡眠数据的形态多样性验证讨论了该方法在临床数据上的可行性和有效性.
-
分形编码技术在图像型火灾烟雾探测中的应用研究
图像型火灾探测技术是火灾探测领域中近几年发展起来的较新的技术分支,由于其自身非接触性探测等优越性,成为国内外火灾探测领域关注的焦点.文章介绍了图像型火灾烟雾探测技术的发展和现状,并针对火灾烟雾的分形特征引入分形编码技术,分析了通过基于K均值聚类方法的分形编码技术进行烟雾图像分割的实用性.
