下载文档原格式
第1章绪论1.1 引言当今社会，是知识经济的社会，高新科技飞速发展。
入们在迅速发展新科技的同时，也越来越关注自身的生活环境与医疗条件。
健康，越来越成为每一个入倾心关注和孜孜追求的意境。
然焉，群学技术是一把双刃剑，它带给人们得到的同时也在破坏着我们赖以生存的环境，从而严重威害人类的健康。
堪愧的环境，沉重的压力以及激烈的竞争，都侵入们的健康走入低餐，从而健康成为全人类共同关注的目标。
因此医学的发展面临严重的挑战，作为医生诊断和治疗重要手段的医学影像学也得到了相应的发展。
现今，医学图像在医疗诊断中起着不可低估的重要作用。
计算机断层扫描、核磁共振(Magnetic Resonance，MR)、超声(Ultras叫nd)以及其它成像技术等，都是无侵害性的器宫体外成像的有力手段。
但是，医学图像还有一个显著的特点，由于受成像设备的影响、局部体效应(同一个体素中包含多种组织)、患者的体位运动和检查床的匀速直线运动，使得医学图像不可避免地盘现噪声和伪影，边缘模糊和信号强度不均匀现缓，例如信号强度在同一种组织中会出现大幅度的变化或在同一个物体中也不均匀。
此外，在图像形成和传输的过程中，图像的像质也会受到一定的影响，这些都给医生下达准确的诊断造成了一定的障碍。
为了提高医学图像的可读性，使得医生可以对人体的解割结构以及病变部位进行更有效的观察和诊断，提离诊断的准确率，医学图像处理从而成为了一门应用性很强的学科而且得到了长足的发展。
1.2 医学图像分割的意义、分类及其研究现状1.2.1 医学图像分割的意义医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值，具体表现为以下几个方面：(1) 用于感兴趣区域提取，便于医学图像的分析和识别。
如不同形式或来源的医学图像配准与融合，解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等；(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。
科技且基于脉冲耦合神经网络的火焰图像分割技术研究厉谨李力(西安工程大学电信学院，陕西西安710048)／一￡}商耍】。
火妥是我们日常生活最常见的一种灾害。
目前已经出现了许多火灾探测的技术，如测温、感烟、感光等。
传统的火灾报警系统并‘‘不检测火焰本身，所以存在误报率高、捡测时间较长等钝最。
／．暖嗣阙】火焰图像；区域周长；PCN N火灾是我们日常生活最常见的一种灾害。
目前已经出现了许多火灾探测的技术，如测温、感烟、感光等。
传统的火灾报警系统并不检测火焰本身，所以存在误报率高、检测时间较长等缺点。
数字图像处理技术是研究模拟人眼功能来完成人们某些工作的一门学科。
图像型火灾探测报警技术就是把数字图像技术和火灾相结合，对图像中可能存在的火焰依据特征来进行识别并实现自动报警的目的。
利用基于PC N N分割的火焰图像检测方法来实现火灾预报与传统的方澍目比可以有效地提高预报精度、缩短预报时间。
物质燃烧时同时也产生光辐射，火灾的各种热物理现象存在着大量的红外辐射，本文采用3．6—4．6u m波段的红外C C D摄像头进行火灾图像的摄取。
1火焰图像有效信息的获取对-T--利用摄像机所拍摄的视频一般来说摄得的图像大部分时间内背景应该是比较一致的，只需相看一下判断有无异常情况，在这我采用的方法是将两帧图像进行差值运算，再来观察图像灰度是否发生变化。
此算法的运算量不大，能满足系统实时性的要求。
A Pi(X，y)=P I仅，y)一P(×，Y)n)其中，P；(×，Y)为当前需处理的图像，P(×，Y)为基准图像。
当△P i=0时表示无异常；A Pj≠O时，表示可能存在异常，则需进行更深入的判断。
2基予PC N N的火焰图像的分割和提取经过差值处理后的图像可能有多个疑似火源的目标区域，区域分割即是找出火焰疑似区域并将有特征信息的区域从背景中分离出来。
在这里采用了脉冲耦合神经网络来进行分割。
‘脉冲耦合神经网络是在生物模型启发下产生的一种图像处理算法，该模型具有对图像二维空间相似、灰度相似的相素进行分组的特点，并能减少图像局部灰度差值，弥补图像局部微小间断，这是其他图像分割无法比拟的特点。
基于深度学习的深度图像处理技术研究深度学习作为一种核心的机器学习技术，在不断地发展与演进。
它可以通过复杂计算机算法训练模型，从而实现人工智能。
其中，基于深度学习的图像处理技术越来越成为人们关注的焦点。
深度图像处理技术的出现，为计算机视觉领域带来了飞速的发展，下面我们将深入探讨基于深度学习的深度图像处理技术在计算机视觉领域中的应用和发展。
1. 深度学习基础深度学习的核心是神经网络。
神经网络是由多个人工神经元构成的，它们被组织成层次结构。
深度神经网络由多个隐藏层（hidden layer）组成，使得神经网络能够在处理大量复杂数据时，从数据中自动提取出特征。
通过端到端学习，即传入原始数据和期望的输出，网络自动发现这些特征，从而实现对数据的高效处理。
2. 深度图像处理技术深度图像处理技术是一种在深度神经网络基础上发展起来的新型图像处理技术。
它利用深度学习，将图像分割、检测、识别等问题转化为分类问题，从而实现自动识别和处理图像。
深度图像处理技术最初是基于受限玻尔兹曼机（Restricted Boltzmann Machine）发展起来的，后来随着卷积神经网络（ConvolutionalNeural Network）的出现和发展，深度图像处理技术得以更加广泛地应用于实际场景中。
3. 深度图像处理技术的应用深度图像处理技术在计算机视觉领域中被广泛应用，其中包括但不限于：3.1 图像分类深度学习网络可以训练出一个可以准确分类图像的模型。
该模型可以自动提取包含特征的图案，从而将图像分为不同的类别。
例如，在人脸识别领域中，可以通过深度学习技术训练出基于卷积神经网络的人脸识别模型。
该模型可以准确识别出不同的人脸，并给出相应识别结果。
3.2 目标检测深度图像处理技术还可以用于目标检测。
该技术可以通过训练出一个神经网络模型，实现对图像中的物体进行识别和定位。
基于卷积神经网络的目标检测模型，可以有效地解决目标检测过程中的诸多问题，如遮挡、角度等。
122009.07基于直觉模糊——神经网络的色情图像识别算法随着网络的普及，信息内容不断丰富，在提供有用信息的同时，也存在着大量的不良内容，色情图像就是其中之一。
近年来研究者对此作了较为深入的研究，例如徐欣欣在图像分割的基础上，利用自适应小波不变矩的平移和缩放不变性特点，与标准皮肤纹理比较，判断是否有皮肤区域，在皮肤区域的基础上识别色情图像[1]；罗森林等以纹理和颜色构成图像特征，根据C4. 5算法生成的皮肤判定规则检测敏感图像[2]；Z h u 等通过平衡算法得出颜色空间中的肤色区域特征，再利用SV M 算法提取主要特征对图像进行分类，识别是否为色情图像[3]等等。
算法基本采用“确定性”技术进行特征的提取和识别，没有充分的应用人类思维的模糊性特点。
而色情图像识别从本质上分析，是一种由计算机模拟人类感知的技术，人类感知属于“不确定”过程，尤其在特征提取部分，为提高准确度需要采用“不确定”算法[4]。
1 算法简介算法分为特征提取，特征训练和图像分类三个主要部分，模块图如图1所示。
从图像的颜色分布情况出发，构建主色调颜色直方图，在确定性颜色特征和模糊颜色特征的基础上，进一步引入直觉模糊集理论，完整地描述图像颜色特征，由颜色确定数值、模糊颜色值及直觉模糊颜色值构成图像颜色特征矩阵。
特征矩阵中各特征对表达图像内容的重要程度通过B P 神经网络确定的权重数值表示，根据权重距离公式构建F P 网络中的球形邻域的半径。
图像分类部分以球形邻域为王潇茵，胡昌振（北京理工大学计算机网络攻防对抗技术实验室，北京 100081）摘要：网络中色情图像的传播严重影响了网络信息内容的安全性。
为提高色情图像识别的准确度，提出了一种直觉模糊理论和FP（Forward Propagation）神经网络相结合的色情图像识别算法。
算法以颜色直方图为底层特征，根据色情图像颜色分布情况，由模糊理论和直觉模糊理论共同构建图像特征矩阵；采用FP网络实现色情图像特征训练过程，其中特征矩阵的权重通过反向传播神经网络训练得到，以加权距离建立球形邻域半径；最后通过球形邻域覆盖情况识别色情图像。
