CN104933724A - 实蝇磁共振图像的自动图像分割方法 - Google Patents
实蝇磁共振图像的自动图像分割方法 Download PDFInfo
- Publication number
- CN104933724A CN104933724A CN201510377199.4A CN201510377199A CN104933724A CN 104933724 A CN104933724 A CN 104933724A CN 201510377199 A CN201510377199 A CN 201510377199A CN 104933724 A CN104933724 A CN 104933724A
- Authority
- CN
- China
- Prior art keywords
- target
- trypetid
- significance
- area
- magnetic resonance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种实蝇磁共振图像的自动图像分割方法,包括如下步骤:1)对目标磁共振图像作显著性检测;2)依据显著度对像素显著度图中的显著点进行排序;3)选取每个断面前N个显著点作为注视点,以点的离散程度来判断断面是否存在目标;4)将所有含实蝇目标的断面作累加,得到目标图;5)对目标图进行显著度检测,依据显著度进行排序;6)选取前M个显著点作为注视点,以注视点为中心,形成信息熵最大的局部区域,组成注视区域;7)对注视区域内部像素进行奇数次随机采样,并对注视区域外部进行奇数次等量的像素随机采样;8)利用极限学习机训练策略,通过该模型分类所述目标图像的全部像素,将被分为正样本的像素区域作为第一目标区。
Description
技术领域
本发明涉及磁共振图像处理技术领域,具体地讲是一种实蝇磁共振图像的自动图像分割方法。
背景技术
磁共振成像(Magnetic Resonance Imaging,MRI)技术是利用氢原子核的磁性、在外加梯度磁场和激励的作用下产生共振信号,从而检测并绘制成物体内部的结构图像的一种方法,是现代物理学应用于临床医学领域的一个里程碑。除医学领域外,MRI作为影像学的高端核心技术正在迅速发展,其硬件平台和软件技术不断更新,应用范围逐步扩大。随着设备小型化、国产化和价格下降,已逐步推广应用,如:物理、化学、医疗、石油化工、考古、出入境检验检疫、工农业产品的品质检验、食品安全检测等诸多方面。
在科研领域,磁共振还被应用于昆虫的成像,相关的研究领域集中于对昆虫成像的磁共振线圈的设计,以及如何得到清晰的磁共振图像。但是现有技术中,昆虫的磁共振成像却未被用于解决实际的技术问题。众所周知,部分种类的实蝇是一种害虫,易对农作物产生危害,尤其是外来物种的入侵,可能造成大量繁殖而无法遏制的现象。因此,对于出入境检验检疫部门来说,快速地识别实蝇种类能够有效地防止外来有害生物的进入,提高出入境检验检疫的效率,显得至关重要。
目前主要通过生物学和解剖学对实蝇进行识别。从生物学的角度对实蝇的外形等进行辨认,由于不同种类实蝇相似度高,纯粹从外形辨认准确性和可靠性不高。通过对实蝇解剖后再通过其内部结构进行辨认,工作相对复杂,且专业性要求较高,非专业技术人员难以胜任,不便于出入境检验检疫部门的实际操作。现有技术中,磁共振虽然能够对实蝇成像,却无法根据磁共振图像对实蝇进行识别和辨认,难以解决这一现实的技术问题。
依据MRI图像识别实蝇,首先需要判别MRI序列图像帧中是否存在实蝇目标;其次需要将实蝇目标从图像帧中提取出来,然后再提取实蝇目标特征进行识别。其中,对MRI图像序列中的实蝇目标进行检测和提取,是最关键步骤之一,需要构建一种有效的自动图像分割方法。然而,传统的图像分割方法通常是任务驱动型,需限定许多条件,并根据实际任务来设计相应的算法,缺乏通用性。而MRI图像处理中会遇到变化的噪声、伪像、高维特征空间和大数据量等实际问题困扰,使其研究和应用面临挑战。
人类视觉系统能够在不同环境下高效、可靠地工作,其具有以下优点:具有关注机制、显著性检测和与此相关的视觉处理中的选择性和目的性;能够从低层视觉处理中利用先验知识,使数据驱动的自底向上处理与自顶向下的知识指导在视觉处理中相互协调配合;上下境信息在视觉处理的各个层次都发挥着重要作用,并且能够综合利用环境中各种模态的信息。借鉴人类视觉改进机器视觉性能,是当前相关研究的热点。但在人类视觉感知机理尚不完全明了的情况下,如何构造具有人类视觉特点的机器视觉仍存在较大困难。若能够构建模拟人类视觉的机器视觉系统,对磁共振图像进行分割和识别,则必然有力推进磁共振成像技术在生物识别领域中的应用。
发明内容
有鉴于此,本发明要解决的技术问题是,提供一种模拟人类视觉、实现图像自动处理的实蝇磁共振图像分割方法。通过模拟人类主动视觉行为、对目标场景作快速有效注视,实现机器对目标场景的视觉感知,从而准确分割实蝇目标。
本发明的技术解决方案是,提供以下步骤的模拟人类视觉的图像分割方法,包括以下各步骤:
1)通过相位谱法对目标磁共振图像序列作显著性检测,得到相应断面的像素显著度图,所述像素显著度图与所述目标磁共振图像的像素位置信息一致;
2)对所述的像素显著度图中的显著点,依据显著度进行排序;
3)选取每个断面前N个显著点作为注视点,以这些点的离散程度来判断该断面是否存在实蝇目标,若存在实蝇目标,则记录该断面;
4)将记录下来的所有含实蝇目标的断面作累加,得到累加后的目标图,以增强信噪比;
5)对累加后的目标图进行显著度检测,对得到目标图的像素显著度图中的显著点,依据显著度进行排序;
6)选取前M个显著点作为注视点,以每个注视点为中心,形成信息熵最大的局部区域,这些局部区域组成注视区域;
7)对所述的注视区域内部像素进行奇数次随机采样,并对注视区域外部进行奇数次等量的像素随机采样;采样得到的注视区域内部像素作为正样本,注视区域外部像素作为负样本;
8)利用极限学习机训练策略,并行训练得到奇数个二分类的前馈神经网络模型,通过该模型分类所述目标图像的全部像素,将被分为正样本的像素区域作为第一目标区。
采用本发明的方法,与现有技术相比,本发明具有以下优点:通过相位谱法进行显著性检测,能够快速形成像素显著度图;依据显著度排序像素,可粗略定位显著度高的注视区域;对该区域内部和外部同时进行少量像素采样,组成正负样本数据集训练前馈神经网络,随后借助该神经网络分类像素,能获得显著度高的、更精确的区域作为第一目标区;且可建立第一目标区的基础上,适当扩大显著度高的注视区域范围,再次经神经网络学习-分类形成相应的分割结果,并与第一目标区进行比较,以判断目标区是否稳定;由于磁共振图像由一组断面图组成,首先需要筛选出含有实蝇的断面图,对这些断面图进行累加,再根据显著性特性将实蝇图像提取和分割出来,并根据不同种类的实蝇的特征进行比对和识别。本发明能够从实蝇磁共振图像中分割出实蝇的最有效区域信息,用于实蝇种类的识别,无需进行生物学和解剖学的分析对比,识别准确度高。
作为改进,选取前M+X个显著点作为注视点,依照步骤6)形成注视区域,再经步骤7)和8)得到相应的第二目标区;比较第一目标区和第二目标区的重叠程度,重叠程度大则表明对目标的视觉感知强度大;重叠程度小则表明还未形成足够的对目标的视觉感知强度,继续重复上述过程,直至达到足够的视觉感知强度,最终的目标区为上述过程所有目标区的叠加,通过该目标区的外接矩形框截取含实蝇目标的断面中的目标信息。该设计能够加快视觉感知目标的生成与输出,并得到更为稳定的目标区,注视的结果更为可靠。
作为改进,步骤3)中注视点的离散程度是通过各注视点坐标均值所对应的位置与各注视点的归一化距离之和来表征。
附图说明
图1为本发明实蝇磁共振图像的自动图像分割方法的流程图。
具体实施方式
下面就具体实施例对本发明作进一步说明,但本发明并不仅仅限于这些实施例。
本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解,在以下本发明优选实施例中详细说明了具体的细节,而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。此外,本发明之附图中为了示意的需要,并没有完全精确地按照实际比例绘制,在此予以说明。
如图1所示,本发明的实蝇磁共振图像的自动图像分割方法,包括以下各步骤:
1)通过相位谱法对目标磁共振图像序列作显著性检测,得到相应断面的像素显著度图,所述像素显著度图与所述目标磁共振图像的像索位置信息一致;
2)对所述的像素显著度图中的显著点,依据显著度进行排序;
3)选取每个断面前N个显著点作为注视点,以这些点的离散程度来判断该断面是否存在实蝇目标,若存在实蝇目标,则记录该断面;
4)将记录下来的所有含实蝇目标的断面作累加,得到累加后的目标图,以增强信噪比;
5)对累加后的目标图进行显著度检测,对得到目标图的像素显著度图中的显著点,依据显著度进行排序;
6)选取前M个显著点作为注视点,以每个注视点为中心,形成信息熵最大的局部区域,这些局部区域组成注视区域;
7)对所述的注视区域内部像素进行奇数次随机采样,并对注视区域外部进行奇数次等量的像素随机采样;采样得到的注视区域内部像素作为正样本,注视区域外部像素作为负样本;
8)利用极限学习机训练策略,并行训练得到奇数个二分类的前馈神经网络模型,通过该模型分类所述目标图像的全部像素,将被分为正样本的像素区域作为第一目标区。
对目标场景的感知,图像相当于人类视觉所注视的场景,无论场景大小,在视网膜上成像的范围的不变的,因而图像之于机器视觉也是如此。
通过相位谱法对目标图像作显著性检测,可采用以下步骤实施:对待目标图像I(i,j)进行二维离散傅里叶变换F[I(i,j)],将图像由空间域转换到频域,得到相位P(u,v)信息:
式中F表示二维离散傅里叶变换,表示相位运算。将相位信息经傅里叶逆变换后,可以在空间域得到显著度图像Sa_Map。
Sa_Map(i,j)=|F-1[exp{jP(u,v)}]|2 (2)
步骤3)中注视点的离散程度是通过各注视点坐标均值所对应的位置与各注视点的归一化距离之和来表征。MRI图像序列中某一帧经相位谱法得到像素显著度图后,将前N个排序靠前的显著点作为注视点。再根据这些点的离散/聚成程度,判断该断面是否含有实蝇目标。若注视点稳定聚集,表示该帧包含实蝇目标;而注视点散乱分布,表示该帧没有目标出现。已知一幅图中有n个注视点(xi,yi)(i=1,2,...,n),注视点的离散程度用以下方式表示:
其中,(xi,yi)是注视点坐标,(xm,ym)是这些点坐标的均值。Scatter表示这些点的离散程度。截取实蝇MRI图像序列中离散度最小的若干帧,即为含有实蝇目标的断面图。可对这些含目标的断面图做累加图,再进行实蝇目标区域的分割提取。
图1中,涉及训练数据、分类模型、分割结果等均为采用极限学习机训练策略相应实施过程。具体实施过程如下:
极限学习机(ELM)是一种单隐层前馈神经网络(Single-hidden layer feedforwardnetworks,SLFNs)。对一个给定的训练样本集有L个隐层结点的SLFNs表示为:
其中αi和bi是隐结点与输入结点的连接参数(内权),内权可独立于训练数据的随机产生。K(αi,bi,xj)是第i个隐结点对应于输入的输出项。βi是第i个隐结点到输出结点的连接权值(外权)。如果已知给定的训练样本,且已知随机产生的内权,则K(αi,bi,xj)可计算;公式(3)成为一个线性系统,只有βi是未知项,可通过线性代数方法求解。
基于上述原理,在给定训练集下,单隐层反馈神经网络的性能完全由其隐层结点与输出结点的连接权值(外权)确定,而与输入端与隐层结点的连接权值、偏移值等(内权)无关。由此能用数学手段解得关键连接权值的解析解而非迭代近似解,从而使得ELM算法本质上最优,避免了基于梯度下降法迭代求解的神经网络出现局部极小的情况。由于无需迭代运算,使得学习速度数百倍于传统神经网络。
ELM只有一个可调参数——隐节点数量。只要该参数相对于具体问题而言取值足够大,就能保证算法的逼近能力。这样的特性使我们能避免参数寻优问题的困扰,从而集中注意力获取合适的训练样本。同时,增加样本数据的维度变得很容易,可以考虑不同模态的属性(颜色、梯度、邻域、纹理、位置、深度、差别和上下境信息等)。避免了传统机器学习算法在线训练需合理设置参数的困难问题。
为了优化本发明,克服ELM内权随机产生导致的分类性能不稳定问题,采用多个分类器的结果集成方式获得稳定的分割结果。框图中则体现为判断是否存在稳定的输出。因此需要形成进一步的分割结果。框图中则体现为判断是否存在稳定的输出。
选取前M+X个显著点作为注视点,依照步骤6)形成注视区域,再经步骤7)和8)得到相应的第二目标区;
比较第一目标区和第二目标区的重叠程度,重叠程度大则表明对目标的视觉感知强度大;重叠程度小则表明还未形成足够的对目标的视觉感知强度,继续重复上述过程,直至达到足够的视觉感知强度,最终的目标区为上述过程所有目标区的叠加。通过最终目标区的外接矩形框,可截取含实蝇目标的对应序列断面中实蝇目标区的灰度信息。
以上仅就本发明较佳的实施例作了说明,但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例,其具体结构允许有变化。总之,凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
Claims (3)
1.一种实蝇磁共振图像的自动图像分割方法,其特征在于:包括以下步骤:
1)通过相位谱法对目标磁共振图像序列作显著性检测,得到相应断面的像素显著度图,所述像素显著度图与所述目标磁共振图像的像素位置信息一致;
2)对所述的像素显著度图中的显著点,依据显著度进行排序;
3)选取每个断面前N个显著点作为注视点,以这些点的离散程度来判断该断面是否存在实蝇目标,若存在实蝇目标,则记录该断面;
4)将记录下来的所有含实蝇目标的断面作累加,得到累加后的目标图,以增强信噪比;
5)对累加后的目标图进行显著度检测,对得到目标图的像素显著度图中的显著点,依据显著度进行排序;
6)选取前M个显著点作为注视点,以每个注视点为中心,形成信息熵最大的局部区域,这些局部区域组成注视区域;
7)对所述的注视区域内部像素进行奇数次随机采样,并对注视区域外部进行奇数次等量的像素随机采样;采样得到的注视区域内部像素作为正样本,注视区域外部像素作为负样本;
8)利用极限学习机训练策略,并行训练得到奇数个二分类的前馈神经网络模型,通过该模型分类所述目标图像的全部像素,将被分为正样本的像素区域作为第一目标区。
2.根据权利要求1所述的实蝇磁共振图像的自动图像分割方法,其特征在于:选取前M+X个显著点作为注视点,依照步骤6)形成注视区域,再经步骤7)和8)得到相应的第二目标区;
比较第一目标区和第二目标区的重叠程度,重叠程度大则表明对目标的视觉感知强度大;重叠程度小则表明还未形成足够的对目标的视觉感知强度,继续重复上述过程,直至达到足够的视觉感知强度,最终的目标区为上述过程所有目标区的叠加,通过该目标区的外接矩形框截取含实蝇目标的断面中的目标信息。
3.根据权利要求1或2所述的实蝇磁共振图像的自动图像分割方法,其特征在于:步骤3)中注视点的离散程度是通过各注视点坐标均值所对应的位置与各注视点的归一化距离和来表征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510377199.4A CN104933724B (zh) | 2015-06-25 | 2015-06-25 | 实蝇磁共振图像的自动图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510377199.4A CN104933724B (zh) | 2015-06-25 | 2015-06-25 | 实蝇磁共振图像的自动图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104933724A true CN104933724A (zh) | 2015-09-23 |
CN104933724B CN104933724B (zh) | 2019-07-26 |
Family
ID=54120878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510377199.4A Expired - Fee Related CN104933724B (zh) | 2015-06-25 | 2015-06-25 | 实蝇磁共振图像的自动图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104933724B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096612A (zh) * | 2016-06-01 | 2016-11-09 | 中国科学院动物研究所 | 实蝇图像识别系统及方法 |
CN108510446A (zh) * | 2018-04-10 | 2018-09-07 | 四川和生视界医药技术开发有限公司 | 视网膜图像的叠加方法及视网膜图像的叠加装置 |
CN111985372A (zh) * | 2020-08-12 | 2020-11-24 | 兰州交通大学 | 一种深度学习的遥感影像水体提取系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001069286A2 (en) * | 2000-03-16 | 2001-09-20 | Analysis & Simulation, Inc. | System and method for data analysis of x-ray images |
CN104573745A (zh) * | 2015-01-21 | 2015-04-29 | 中国计量学院 | 基于磁共振成像的实蝇分类方法 |
CN104573746A (zh) * | 2015-01-21 | 2015-04-29 | 中国计量学院 | 基于磁共振成像的实蝇种类识别方法 |
CN104573699A (zh) * | 2015-01-21 | 2015-04-29 | 中国计量学院 | 基于中等场强磁共振解剖成像的实蝇识别方法 |
-
2015
- 2015-06-25 CN CN201510377199.4A patent/CN104933724B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001069286A2 (en) * | 2000-03-16 | 2001-09-20 | Analysis & Simulation, Inc. | System and method for data analysis of x-ray images |
CN104573745A (zh) * | 2015-01-21 | 2015-04-29 | 中国计量学院 | 基于磁共振成像的实蝇分类方法 |
CN104573746A (zh) * | 2015-01-21 | 2015-04-29 | 中国计量学院 | 基于磁共振成像的实蝇种类识别方法 |
CN104573699A (zh) * | 2015-01-21 | 2015-04-29 | 中国计量学院 | 基于中等场强磁共振解剖成像的实蝇识别方法 |
Non-Patent Citations (2)
Title |
---|
侯庆岑 等: "基于视觉显著度的多聚焦图像融合方法", 《计算机工程》 * |
潘晨 等: "基于空间和时间差别采样的彩色图像分割", 《计算机工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096612A (zh) * | 2016-06-01 | 2016-11-09 | 中国科学院动物研究所 | 实蝇图像识别系统及方法 |
CN108510446A (zh) * | 2018-04-10 | 2018-09-07 | 四川和生视界医药技术开发有限公司 | 视网膜图像的叠加方法及视网膜图像的叠加装置 |
CN111985372A (zh) * | 2020-08-12 | 2020-11-24 | 兰州交通大学 | 一种深度学习的遥感影像水体提取系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104933724B (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378381B (zh) | 物体检测方法、装置和计算机存储介质 | |
Suhao et al. | Vehicle type detection based on deep learning in traffic scene | |
Gao et al. | Describing ultrasound video content using deep convolutional neural networks | |
Türkyılmaz et al. | License plate recognition system using artificial neural networks | |
CN104573699B (zh) | 基于中等场强磁共振解剖成像的实蝇识别方法 | |
CN106651887A (zh) | 一种基于卷积神经网络的图像像素分类方法 | |
CN104992452A (zh) | 基于热成像视频的飞行目标自动跟踪方法 | |
CN104657717A (zh) | 一种基于分层核稀疏表示的行人检测方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN104732534B (zh) | 一种图像中显著目标的抠取方法及系统 | |
CN104573745B (zh) | 基于磁共振成像的实蝇分类方法 | |
CN104463821A (zh) | 一种红外图像与可见光图像的融合方法 | |
CN104933724A (zh) | 实蝇磁共振图像的自动图像分割方法 | |
Shadrach et al. | Anomaly Detection in Vitis Vinifera Using Neural Networks and Radon Transform | |
Moate et al. | Vehicle detection in infrared imagery using neural networks with synthetic training data | |
Wang et al. | MsRAN: A multi-scale residual attention network for multi-model image fusion | |
CN104933435B (zh) | 基于模拟人类视觉的机器视觉构建方法 | |
CN102722718A (zh) | 一种细胞分类方法 | |
CN104573746B (zh) | 基于磁共振成像的实蝇种类识别方法 | |
CN104933725A (zh) | 模拟人类视觉的图像分割方法 | |
Wang et al. | Facial expression recognition of aerobics athletes based on CNN and HOG dual channel feature fusion | |
Leipnitz et al. | The effect of image resolution in the human presence detection: A case study on real-world image data | |
Cao et al. | FOD detection using a multi-channel information fusion method | |
Joshi et al. | A computational model for boundary detection | |
Rajaraman et al. | Chromosomal edge detection using modified bacterial foraging algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190726 Termination date: 20210625 |
|
CF01 | Termination of patent right due to non-payment of annual fee |