下载文档原格式
融合局部纹理特征的颗粒图像SLIC超像素分割方法李啸宇;张秋菊【摘要】将 SLIC超像素分割的方法引入颗粒图像检测的分割过程中，将颗粒图像分割成感兴趣的超像素块，可降低后续图像处理过程的复杂度。
由于 SLIC超像素分割在聚类过程中计算相似度时没有考虑图像的纹理特征，一定程度上会影响颗粒目标外轮廓分割的细节。
利用CRLBP局部纹理算子纹理特征，改进 SLIC分割中聚类相似度的计算，并按照符合颗粒形状的圆形邻域搜索相似点，保证了分割速度。
通过对棉种颗粒图像的分割试验，与传统分水岭算法和SLIC 超像素算法进行比较，结果表明改进的 SLIC 超像素分割方法能更有效地分割出颗粒目标。
%This paper adopts SLIC-based superpixel segmentation method in the granular image detection.SLIC method segments the granular image into superpixel block which will reduce the complexity of the subsequent image processing.As SLIC superpixel segmentation method doesn’t use the texture feature in the distance calculation,the detail of the outline for the granular object is lost. This paper adopts the CRLBP local texture operator as the texture feature to improve the SLIC segmentation’s distance calculation and searches the similar pixel in circle neighborhood pixels to guarantee the processing speed.The test on cotton seed image shows that the improved SLIC superpixel segmentation method is more efficient than watershedand original SLIC method.【期刊名称】《食品与机械》【年(卷),期】2016(032)012【总页数】5页(P31-34,39)【关键词】颗粒图像;超像素分割;SLIC;局部纹理算子;CRLBP【作者】李啸宇;张秋菊【作者单位】江南大学机械工程学院，江苏无锡 214122; 江苏省食品先进制造装备与技术重点实验室，江苏无锡 214122;江南大学机械工程学院，江苏无锡214122; 江苏省食品先进制造装备与技术重点实验室，江苏无锡 214122【正文语种】中文在农业生产过程中，经常需要对颗粒状农产品进行视觉检测与品质分选[1]。
医学图像配准技术A Survey of Medical Image Registration张剑戈综述，潘家普审校（上海第二医科大学生物医学工程教研室，上海 200025）利用CT、MRI、SPECT及PET等成像设备能获取人体内部形态和功能的图像信息，为临床诊断和治疗提供了可靠的依据。
不同成像模式具有高度的特异性，例如CT通过从多角度的方向上检测X线经过人体后的衰减量，用数学的方法重建出身体的断层图像，清楚地显示出体内脏器、骨骼的解剖结构，但不能显示功能信息。
PET是一种无创性的探测生理性放射核素在机体内分布的断层显象技术，是对活机体的生物化学显象，反映了机体的功能信息，但是图像模糊，不能清楚地反映形态结构。
将不同模式的图像，通过空间变换映射到同一坐标系中，使相应器官的影像在空间中的位置一致，可以同时反映形态和功能信息。
而求解空间变换参数的过程就是图像配准，也是一个多参数优化过程。
图像配准在病灶定位、PACS系统、放射治疗计划、指导神经手术以及检查治疗效果上有着重要的应用价值。
图像配准算法可以从不同的角度对图像配准算法进行分类[1]：同/异模式图像配准，2D/3D图像配准，刚体/非刚体配准。
本文根据算法的出发点，将配准算法分为基于图像特征(feature-based)和基于像素密度(intensity-based)两类。
基于特征的配准算法这类算法利用从待配准图像中提取的特征，计算出空间变换参数。
根据特征由人体自身结构中提取或是由外部引入，分为内部特征(internal feature)和外部特征(external feature)。
【作者简介】张剑戈（1972-），男，山东济南人，讲师，硕士1. 外部特征在物体表面人为地放置一些可以显像的标记物（外标记，external marker）作为基准，根据同一标记在不同图像空间中的坐标，通过矩阵运算求解出空间变换参数。
外标记分为植入性和非植入性[2]：立体框架定位、在颅骨上固定螺栓和在表皮加上可显像的标记。
科学研究创医学图像融合算法综述张伯妍1,2*陈翯1,2赵海霞1,2（1.北方民族大学数学与信息科学学院宁夏银川750021；2.北方民族大学宁夏智能信息与大数据处理重点实验室宁夏银川750021）摘 要：医学图像分析是辅助医疗诊断的重要方式，单一模式成像提供的信息有限，无法满足医生全面诊查病情的需求。
医学图像融合作为图像融合的一大重要分支，通过融合，可以提取不同医学影像的显著特征，丰富图像信息，提高融合质量。
本文在现有研究基础上，从图像融合概念展开，阐述医学图像融合原理和框架，梳理医学图像融合的分解方法和融合规则。
关键词：医学图像融合融合层次多尺度变换方法深度学习中图分类号：T P751文献标识码： A文章编号：1674-098X(2022)10(b)-0005-04A Review of Medical Image Fusion AlgorithmsZHANG Boyan1,2*CHEN He1,2ZHAO Haixia1,2( 1.School of Math and Information Science, North Minzu University, Yinchuan, Ningxia Hui Autonomous Region, 750021 China;2.The Key Laboratory of Intelligent Information and Big Data Processing, North Minzu University, Yinchuan, Ningxia Hui Autonomous Region, 750021 China ) Abstract: Medical image analysis is an important way to assist medical diagnosis. The information provided by single-mode imaging is limited and cannot meet the needs of doctors for comprehensive diagnosis. As an important branch of image fusion, medical image fusion can extract salient features of different medical images, enrich image information and improve the quality of fusion. Based on the existing research, this paper starts from the concept of image fusion, expounds the principle and framework of medical image fusion, and combs the decomposition methods and fusion rules of medical image fusion.Key Words: Medical image fusion; Fusion level; Multi-scale transformation methods; Deep learning图像融合是将不同图像的信息综合起来构成一幅全新图像的过程［1］。
万方数据但是，在长达十多分钟的乳房ＤＣＥＭＲＩ获取过程中，由于病人的移动以及呼吸运动而产生不同时间点图像中各组织器官在减影时的误对齐，从而在减影图像中得到错误的高亮区，导致更长的读片时间以及病情的误诊断。
因此在不同时间点的ＭＲＩ图像在减影之前首先应该进行空间上的配准。
１２３时赢分）５６７８图ｌ注入造影剂之后信号的增强曲线实例当两幅具有同一模态（在此均为ＭＲＩ－Ｔ１图像）的图像ｓ和Ｍ进行配准时，对于图像上一个给定的点ｐ，让ｓ代表原图像ｓ上该点的强度，而柳代表运动图像Ｍ上该点的强度。
最初的Ｄｅｍｏｎ算法来自于光流理论，提出通过对Ｍ中点Ｐ的强度按式（１）的参数仇迭代修正以匹配Ｍ中相应点的强度‘１０，１１］。
（ｍ—ｓ）亏ｓ饥一——（１）｝号５Ｉ２＋（埘一ｉ）２其中，ｉ＝（％，啮），称之为“静态”变化参数，专ｓ是图像ｓ中相应点的梯度，表示来自于图像的内部力，ｍ—ｓ为来自于ｓ与Ｍ图像之间相互的作用力，称之为外部力。
为了提高配准速度，给出了另外一个基于活动图像梯度信息的类似于式（１）的等式‘１２］：（ｓ—ｍ）专ｍ‰～（２）Ｉ亏ｍＩ２＋（ｓ～ｍ）２其中，诜被称之为“活动”变化参数，寺ｍ是图像Ｍ中相应点的梯度。
这样结合式（１）及式（２），点ｐ的总变化参数可用下式计算：；＝矗＋矗＝（ｍ－－ｓ）×Ｖｓ（——１ｉ７ｍＩ亏ｓＩ２＋（ｍ一５）２Ｉ亏ｍＩ２＋（ｓ—ｍ）２应用式（３）可以更快的速度和更少的迭代次数完成基图像与形变图像的匹配。
３结合Ｄｅｍｏｎ算法及强度校正的乳房核磁共振图像配准３．１配准模型尽管Ｄｅｍｏｎ配准算法的速度显著快于其他配准算法，但是该算法假设图像之间只有形变，没有或只有极小的强度变化，因此不适合被直接应用于随时间强度发生变化的乳房ＤＣＥＭＲＩ问题。
这样，可通过首先对待配准图像进行强度校正使之从强度上与基准图像相匹配，再应用Ｄｅｍｏｎ算法实现几何变形匹配。
图２为本文提出的配准模型示意图。
假设图２（ａ）为注入造影剂之前的乳房成像，ｎ，ｂ分别为不同的组织，·２６２·Ｐ为图像中一点。
HEILONGJIANG MEDICAL JOURNAL Vol.45No.7Apr.2021715超声与磁共振成像诊断肝硬化门静脉高压症图像特征分析赵华歌长葛市人民医院消化内科，河南许昌461500摘要目的：分析超声与磁共振成像（MRI）诊断肝硬化门静脉高压症图像特征及诊断价值。
方法：随机选取长葛市人民医院2015年1月一2022年2月收治的疑似肝硬化门静脉高压症患者150例，分别接受超声与MRI诊断，并分析其诊断价值。
结果：病理结果显示，150例患者中有123例为肝硬化门静脉高压症，比例为82%。
MRI诊断肝硬化门静脉高压症阳性率、准确率高于超声诊断（PV0.05）,假阳性率及假阴性率低于超声诊断（PV0.05）。
结论：超声及MRI均能测量肝硬化门静脉高压症血流动力学指标，其中MRI能直接反映门静脉狭窄程度，从而准确诊断肝硬化门静脉高压症。
关键词超声；磁共振成像；诊断；肝硬化；门静脉高压症；图像；特征doi10.3969/j.issn4004-0777.4021.07.015学科分类代码922.3154中图分类号R077.0文献标识码BAnalysis of Image Features of Ultrasonography and MRI in the Diagnosis of Liver Portal Hypertension in Cirrhosis/ ZHAO Hua-ge//Deaartmenh of Digestive Medicine,Changge People's Hospiht,Xuchang,Henan,461500,China Abstract Objective:To a nalyze the value of ultrasonoorappy and MRI in the diagnosis of liver portal hypertension in cirrhosis.Method/:150pahentr with suspecten portni hypertensioo from January2219te February2222were randomly selected te receive ultrasoonO and MRI diapaosis respectively,and theio diapaostic value was analyze-.Resolto:Thc patholooicP resnUs showeb that123of the150patients were cirrOotic portal hypeOension,acccontino for82%.Thc positive rate ano accuracy of MRI were higher than thnt of uUrasouno(v0.05),while the false positive rate and false neeative rate were lower than thnt of ultrasound(V 0.05).Conclusion:Both ultrasounn aO MRI ccn measure the hemoSypamic iOex of po O c I hypeOension V ci^•hosis,aO MRI can directly refect the denee of portat veV stenosis,so as te acccrately diaanose portat hypertension V cirrhosis.Key words UltrasounO;Maanetic resonancc imaaino(MRI);Diaanosis;Cishosis of the U wo;Portal hypertension;Imaaes; CharacterisPcs肝硬化门静脉高压常出现在肝硬化晚期，少部分见于早期［1\肝硬化门静脉高压症会导致全身血流动力学变化。
随着医学图像在临床诊断中的广泛应用，图像分割在医学图像处理与分析中的地位愈加重要，病变组织的定位、分割后的图像正被用于各种场合，如组织容积的定量分析、解剖结构的研究、计算机辅助诊断、治疗规划、功能成像数据的局部效应校正和计算机引导手术。
因此，对医学图像分割方法的研究具有重要的理论价值和广泛应用前景。
1医学图像分割技术分类医学图像分割是图像分割在医学领域的应用，准确的分割可以辅助医生判断病情、量化分析病灶区域，为正确的疾病诊断提供可靠的依据。
此外，医学图像分割作为病变体区域提取、特定组织测量以及三维重建的必要手段，对现代医学发展具有重要的科学意义。
为了更加清晰地了解医学图像的分割方法，可以根据不同的理论原理、不同的图像类型或不同的分割定义方式进行分类。
依据图像灰度值的不连续性和相似性及处理策略的不同，将分割技术分为：并行边界类、串行边界类、并行区域类和串行区域类四种。
本文从具体方法出发将现有的医学图像分割算法分为三大类，包括：基于形变模型（Model-based）的分割方法、基于区域(Region-based)的分割方法和基于统计学的分割方法。
下面，简要介绍各种方法，分析它们的应用范畴及优缺点。
1.1基于形变模型的图像分割方法基于形变模型的分割算法综合利用图像的区域和边界信息，是目前研究最多、应用最广的方法。
该方法的主要优点是能够直接产生闭合的参数曲线或曲面，并对噪声和伪边界有较强的鲁棒性。
最重要的形变模型是主动轮廓（Active contour）模型，可分为参数主动轮廓模型（Parametric ACM）和几何主动轮廓模型（Geometric ACM）两类。
1．1．1参数活动轮廓模型参数活动轮廓模型直接用参数来表达待分割的图像，通过形变来接近实际的形状，如血管图像分割中使用的椭圆参数模型。
基于物体边缘能量最小的事实，Kass等提出的Snake模型是参数形变模型的典型代表。
参数活动轮廓模型就是在图像内力和外力的共同作用下最小化目标函数，并收敛到物体边缘的曲线。
