超像素分割是圖像預(yù)處理階段,可以有效增強(qiáng)分割算法的性能和效率。目前性能最好的超像素分割算法是線(xiàn)性譜聚類(lèi)(Linear Spectral Clustering,LSC),但是該算法的處理速度和分割效果還有一定提升的空間。此外,胰腺CT圖像是醫(yī)生診斷胰腺病變的重要參考依據(jù),但是由于胰腺組織邊緣模糊不清并且具有高度變異性,導(dǎo)致目前的胰腺分割方法得到的分割準(zhǔn)確率較低。而超像素可以有效增強(qiáng)胰腺CT圖像器官之間的邊界信息。本文結(jié)合超像素的特點(diǎn)為胰腺分割提供了一種新的解決方案。因此,本文研究工作主要包含超像素優(yōu)化加速算法及其在胰腺分割中的應(yīng)用,具體研究?jī)?nèi)容如下:(1)提出應(yīng)用采樣優(yōu)化方法提升LSC的處理速度,并且根據(jù)圖像的紋理復(fù)雜度采取不同的采樣比率。該方法在保證LSC分割性能不降低的前提下,有效提高LSC的速度。實(shí)驗(yàn)對(duì)比LSC算法,結(jié)果表明該加速方法提升了LSC的處理速度。(2)改進(jìn)LSC的距離度量方式。在曼哈頓距離的基礎(chǔ)上,針對(duì)非凸像素集合圖像提出了一種優(yōu)化的距離度量方法。實(shí)驗(yàn)對(duì)比LSC算法,結(jié)果表明該方法提高了LSC在非凸像素集合圖像上的分割性能。(3)在(1)和(2)改進(jìn)的LSC算法基礎(chǔ)上,為了適應(yīng)醫(yī)學(xué)CT圖像的特點(diǎn),提出一種醫(yī)學(xué)超像素分割算法(Medical Linear Spectral Clustering,MLSC)和一種新的區(qū)域合并算法。并結(jié)合超像素和區(qū)域合并提出一種新的交互式胰腺分割算法。實(shí)驗(yàn)結(jié)果表明該交互式方法的胰腺分割效果優(yōu)于U-Net方法,但是和自動(dòng)方法相比,交互式方法不滿(mǎn)足計(jì)算機(jī)輔助系統(tǒng)的實(shí)際需求。(4)為了提高現(xiàn)有自動(dòng)胰腺分割方法性能和改進(jìn)(3)交互式胰腺分割方法的缺陷,提出一種結(jié)合超像素和U-Net的自動(dòng)胰腺分割方法。實(shí)驗(yàn)對(duì)比前沿算法,結(jié)果表明該方法分割結(jié)果的準(zhǔn)確度高于前沿胰腺分割算法。由以上研究?jī)?nèi)容可以總結(jié)出,本文基于采樣加速與距離優(yōu)化改進(jìn)了LSC算法的處理速度和性能,并將改進(jìn)的算法結(jié)合U-Net應(yīng)用到胰腺分割中,提升了胰腺分割的準(zhǔn)確性。
【學(xué)位單位】：西北大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TP391.41;R816.5
【部分圖文】：

2 2 2 p q p q p q ( )( ) ( ) ( ) ( ) ( )cos , sin , 2.55 cos , 2.55 sin ,2 2 2 212.55 cos , 2.55 sin , cos , sin ,2 2 2 2cos , sin2 2,c p c p c p c pc p c p s p s ps p s pq V q VC l C l C CC C C x C xpC y C yW p q p p q q = 上分析可以得出，通過(guò)公式（2.8）和（2.9）可以確定公式（2.1）具體形式，然后可以確定目標(biāo)函數(shù) 的具體計(jì)算形式。在 LS像素映射到公式（2.9）定義的十維特征空間中，然后采用公式區(qū)域中計(jì)算圖像像素和聚類(lèi)中心像素的距離，將像素添加到距離聚類(lèi)期間中不斷更新聚類(lèi)中心點(diǎn) ，當(dāng)聚類(lèi)中心點(diǎn) 不再變化

(a) 紋理均勻和復(fù)雜度低的圖像 (b)紋理不均勻和復(fù)雜度高的圖像圖 2 兩類(lèi)紋理特征圖像章根據(jù)紋理特征將圖像分為兩類(lèi)：（1）紋理均勻和復(fù)雜度低的圖像；（和復(fù)雜度高的圖像。如圖 2 所示，我們可以明顯比較出紋理特征不同章通過(guò)灰度共生矩陣(Gray-level co-occurrence matrix, GLCM)紋理特征分類(lèi)。常用的 GLCM 特征有：1）能量：它是 GLCM 所有值的平方和并且是圖像紋理灰度穩(wěn)定性的像灰度平均性和紋理厚度。大的能量值表示當(dāng)前紋理具有相對(duì)穩(wěn)定的1 12,0 0N Ni ji jE P = == 2）熵：是衡量圖像蘊(yùn)含信息量的隨機(jī)程度。熵值表示圖像灰度隨機(jī)程越高，熵值也越大。( )1 1lnN NE P P =

前為止還沒(méi)有成熟的方法可以自動(dòng)檢測(cè)出圖像中是否存在凹像素集合一種自動(dòng)檢測(cè)圖像是否存在凹像素集合分布的方法。首先采用最新的語(yǔ)習(xí)網(wǎng)絡(luò) DeepLabV3+[41]將圖像分割為多個(gè)類(lèi)別，然后通過(guò)分別檢測(cè)每一別中任意兩個(gè)像素點(diǎn)之間連接直線(xiàn)上的點(diǎn)是否都在該集合中，判別是否合。XYXY(a)凸數(shù)據(jù)集 (b)凹數(shù)據(jù)集圖 11 凹數(shù)據(jù)集和凸數(shù)據(jù)集
【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 王春瑤;陳俊周;李煒;;超像素分割算法研究綜述[J];計(jì)算機(jī)應(yīng)用研究;2014年01期

2 孫君頂;馬媛媛;;紋理特征研究綜述[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2010年06期

3 高程程;惠曉威;;基于灰度共生矩陣的紋理特征提取[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2010年06期

本文編號(hào)：2843123