CN109509202B - 一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法 - Google Patents
一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法 Download PDFInfo
- Publication number
- CN109509202B CN109509202B CN201811109255.6A CN201811109255A CN109509202B CN 109509202 B CN109509202 B CN 109509202B CN 201811109255 A CN201811109255 A CN 201811109255A CN 109509202 B CN109509202 B CN 109509202B
- Authority
- CN
- China
- Prior art keywords
- function
- image
- omega
- boundary
- formula
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法。提取笼养蛋鸡图像的S分量图像,用k‑means聚类法将方形局部窗口内的S分量图像像素分成两类,遍历S分量图像得到两个类中心函数,构建包含这两个类中心函数的能量函数,并在能量函数中引入平均核函数和水平集函数形成总能量泛函,用标准梯度下降法最小化总能量泛函得到分界线演化方程,加入形态学开运算操作和高斯滤波操作,最后用有限差分法对分界线演化方程进行迭代直到收敛,最终的演化分界线即为笼养蛋鸡图像的分割结果。本发明能够快速精确地分割笼养蛋鸡图像,消除笼子遮挡的影响。
Description
技术领域
本发明属于图像处理技术领域,具体涉及了一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法。
背景技术
鸡的行为是反映其健康程度的重要依据,也是衡量养殖福利的评价指标之一(劳凤丹等,2017)。而快速准确得到鸡只图像的分割结果,是应用机器视觉系统快速识别实际饲养环境下病死鸡的关键步骤(毕敏娜等,2016)。目前,我国蛋鸡饲养模式主要以笼养模式为主,相比于其他饲养模式,笼养模式下的蛋鸡遭受更大的生理和心理压力,福利和健康状态更为严重。但因为笼子遮挡,蛋鸡体态变化大等原因,传统的分割方法,如阈值法、分水岭法等很难得到精确的分割结果。
活动轮廓模型被广泛应用于图像分割领域,它在分割目标时可以达到亚像素级的精度,并且能够获得一条光滑闭合的分界线来表示目标边缘。1987年,Kass等人提出了早期的活动轮廓模型—snake模型。在不同的应用背景下,活动轮廓模型被不断改进。2001年,Chan和Vese提出了著名的分段常量活动轮廓模型—CV模型,但它难以处理灰度不均匀的图像。2008年Li等人提出了区域可收缩拟合活动轮廓模型—RSF模型,它能够有效分割灰度不均匀的图像,但对初始轮廓的设置较为敏感且比较耗时。在农业工程应用方面,马丽等(2015)提出了结合CV模型和RSF模型的母猪红外图像分割方法,但其分割效率低,且抗遮挡能力和运动追踪的鲁棒性较差。肖林芳等(2018)用基于形态学改进C-V模型对笼养蛋鸡图像进行分割,但其需要利用粗分割作为初始轮廓,且粗分割结果会影响图像分割精度和分割效率。综上所述,现有的基于活动轮廓模型的分割方法存在对初始轮廓设置敏感、运动追踪能力差、抗遮挡能力弱、分割耗时等问题。
发明内容
为了弥补现有的活动轮廓模型技术的不足和缺点,本发明提出了一种基于活动轮廓模型的笼养蛋鸡图像分割方法,实现笼养蛋鸡图像的精确快速分割。
本发明所采用的具体技术方案是包含如下步骤:
步骤1:读取笼养蛋鸡原始图像I,提取笼养蛋鸡原始图像I在HSV颜色空间的S分量图像Is:Ω,其中Ω表示S分量图像的图像域;
步骤2:构建中心在第x个像素点、宽度为w个像素的方形局部窗口Ωx,用标准k-means聚类方法将方形局部窗口Ωx图像像素按照灰度值分成两类区域Ωs和Ωl,分别为第一类区域Ωs和第二类区域Ωl,遍历S分量图像Is的每个像素点得到两类区域Ωs和Ωl的类中心函数fs(x)和fl(x);根据方形局部窗口Ωx像素的灰度值为I(y)和类中心函数fs(x)和fl(x),构建关于两类区域Ωs和Ωl的能量函数Ex:
对方形局部窗口Ωx中像素的灰度值为I(y),用k-means聚类方式来最小化能量函数Ex。
能量函数Ex的公式如下:
式中,Ex是能量函数,fs(x)和fl(x)分别是Ωs和Ωl的类中心函数(区域像素的平均灰度值),y为图像域Ω中的一像素点,I(y)为图像域Ω中第y个像素点的灰度值;
步骤3:定义两类区域Ωs和Ωl之间的分界线Cx,则Ωs和Ωl可以看作是outside(Cx)和inside(Cx)两部分,用两类区域Ωs和Ωl之间的分界线Cx对能量函数Ex进行改写;
步骤4:构建包含两个类中心函数的能量函数Ex,并在能量函数Ex中引入平均核函数Kσ(y)和水平集函数φ改变形成总能量泛函ELPF;
所述步骤4中,两个类中心函数fs(x)和fl(x)分别是Ωs和Ωl的类中心,通过遍历S图像获得。
4.1:利用平均核函数Kσ(y)对能量函数Ex改写为:
式中,Kσ为平均核函数;
4.2:对所有图像域Ω的像素点x进行积分得到总能量泛函ELPF,其公式如下。
ELPF(C,fs,fl)=∫Ω(∫outside(C)Kσ(y)|I(y)-fs(x)|2dy)dx
+∫Ω(∫inside(C)Kσ(y)|I(y)-fl(x)|2dy)dx
式中,Cx是两类区域Ωs和Ωl之间的分界线,C是{Cx,x∈Ω}的分界线集合;
4.3:再用水平集函数φ对总能量泛函ELPF改写为:
ELPF(φ,fs,fl)=∫Ω(∫ΩKσ(y)|I(y)-fs(x)|2Hε(φ(y))dy)dx
+∫Ω(∫ΩKσ(y)|I(y)-fl(x)|2(1-Hε(φ(y)))dy)dx
式中,φ是水平集函数,Hε(x)和δε(x)分别是规则化的海维赛徳(Heaviside)函数和规则化的狄拉克(Dirac)函数,规则化的海维赛徳(Heaviside)函数Hε(x)和规则化的狄拉克(Dirac)函数δε(x)分别计算为:
其中,π是圆周率,ε是狄拉克函数的参数,是一个常数;
所述的水平集函数φ根据分界线集C表示为以下函数:
式中,φ(y)表示图像域Ω中水平集函数φ在第y个像素点的取值;
式中,x为方形局部窗口Ωx的中心位置的像素点序数,δε(y)是规则化的狄拉克(Dirac)函数,ε是狄拉克函数的参数,是一个常数。
步骤6:用有限差分法求解分界线演化方程在分界线演化方程中引入形态学运算和高斯滤波操作,求解前先用一个结构元素b对分界线演化方程进行形态学开运算,然后在分界线演化方程中加入高斯滤波函数Gσ,不断迭代求解分界线演化方程直到水平集函数φ稳定,选取水平集函数φ中零水平上的像素点组成分割轮廓,作为笼养蛋鸡原始图像的精确分割结果。
水平集函数φ中零水平上的像素点是指公式中y∈C使得φ(y)=0的像素点y。
所述的步骤3中,改写后的能量函数Ex公式如下:
式中,outside(Cx)表示以分界线Cx分割出的其中一侧部分,即第一类区域Ωs,inside(Cx)表示以分界线Cx分割出的另一侧部分,即第二类区域Ωl。
所述步骤4中的平均核函数Kσ(y)按照以下公式表示,代替方形局部窗口Ωx:
式中,Kσ为平均核函数。
所述的步骤6中,在分界线演化方程中加入结构元素b和高斯滤波Gσ后,分界线演化方程变为:
所述的结构元素b根据待处理图像选择不同形状和大小,比如圆盘,矩形等,如实施例中半径为5的圆盘矩阵。
本发明具有的有益的效果是:
本发明能够快速精确地分割笼养蛋鸡图像,消除笼子遮挡的影响。
因为本发明的类中心函数fs(x)的构建和fl(x)跟分界线集C无关,即无需在每一次迭代过程中进行更新,因此相比于传统的基于局部拟合的活动轮廓模型,本方法不但提高了分界线演化效率,对初始演化分界线的形状和位置的设置也不敏感。
本发明针对图像中鸡笼在分界线演化方程中特殊进行了形态学和高斯滤波操作对方程进行了改写,有效地消除了笼子的遮挡,可以快速精确分割笼养蛋鸡图像。
附图说明
图1为本发明的算法框图;
图2为笼养蛋鸡原始图像;
图3为笼养蛋鸡的S分量图像;
图4为笼养蛋鸡图像中Ωx,Ωs和Ωl三个区域的说明;
图5~图8为实施例不同初始轮廓下笼养蛋鸡S分量图像;
图9~图12为本发明分别在图5-图9的初始轮廓下分割笼养蛋鸡轮廓最终结果图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
如图1所示步骤,本发明具体实施过程如下:
1)设置初始化参数,包括方形局部窗口Ωx的中心像素点x和宽度w,平均核函数Kσ和Gσ,结构元素b,狄拉克函数的参数ε,迭代步长Δt。
2)读取笼养蛋鸡原始图像I,如图2所示,提取笼养蛋鸡原始图像I在HSV颜色空间的S分量图像Is:Ω,如图3所示。
3)用标准k-means聚类的方法将方形局部窗口Ωx图像像素按照灰度值分成两类区域Ωs和Ωl,并遍历S分量图像得到区域Ωs和Ωl的两个类中心函数fs(x)和fl(x)。对任意Ωx中像素灰度值为I(y),用k-means聚类的方式来最小化以下公式获得两类区域及其两类区域之间的分界线。
例如图4所示的宽度为13的绿色方形局部窗口中的两个区域,fs(x)和fl(x)分别是Ωs和Ωl中的类中心(区域像素的平均灰度值),y为图像域Ω中的任意一点,I(y)为任意Ωx中像素灰度值。
步骤3)Ωs和Ωl两类分界线Cx例如图4所示的红色线,而Ωs和Ωl可以看作是outside(Cx)和outside(Cx)两部分,得以下公式。
4)用平均核函数Kσ(z)改写Ex为以下公式。
再对所有在图像域Ω的点x进行积分得到以下公式。
ELPF(C,fs,fl)=∫Ω(∫outside(C)Kσ(y)|I(y)-fs(x)|2dy)dx
+∫Ω(∫inside(C)Kσ(y)|I(y)-fl(x)|2dy)dx
利用如下水平函数φ表示分界线集C。
用水平函数φ改写能量函数Ex为以下公式。
ELPF(φ,fs,fl)=∫Ω(∫ΩKσ(y)|I(y)-fs(x)|2Hε(φ(y))dy)dx
+∫Ω(∫ΩKσ(y)|I(y)-fl(x)|2(1-Hε(φ(y)))dy)dx
5)用标准梯度下降法最小化求解总能量泛函ELPF,保持水平集函数φ不变,得到如下公式所示的分界线演化方程。
6)分界线演化方程中先用一个结构元素b对分界线演化方程进行开运算,再加入高斯滤波函数Gσ,并用有限差分法求解得到以下改写后的公式:
其中,为开运算,Δt是迭代步长,φk表示第k次迭代时水平集函数,fs(x)和fl(x)分别是Ωs和Ωl中类中心,b是结构元素,例如实施例中的半径为5的圆盘,如下公式所示,Gσ是高斯滤波核函数,y为图像域Ω中的任意一点,I(y)为任何一个在Ωx中像素灰度值,φ是水平集函数,x为Ωx的中心,ε是狄拉克函数的参数,为一个常数;
7)不断迭代更新步骤6)中的分界线演化方程直到水平集函数达到稳定状态,选取零水平上的点组成分割轮廓即得到笼养蛋鸡图形的精确分割结果。
以下进行的实施例,均在计算机上的MatlabR2017b软件上运行。
本实验中将实际拍摄的图2作为待分割灰度图像I,其大小为450*460像素。实验中的各个参数设置如下:ε=1,Δt=0.1,n=100,结构元素b是一个半径为5的圆盘,Gσ的窗口大小为13×13,标准差为2,Kσ的窗口大小为13×13,标准差为3。设置了4种初始演化分界线,如图5~图8所示的绿色封闭区域。执行步骤1)至步骤7),得到图9~图12的最终分割结果,可以发现每种初始轮廓都得到了正确的结果,证明了对初始轮廓有较强的鲁棒性。在本例所设置的条件下,分割每张图片用时范围为1.5s~2.5s,不同的初始轮廓会有细微的差别,从最终分割结果可知本发明能够精确快速地分割笼养蛋鸡图像,消除笼子的影响。
Claims (4)
1.一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法,其特征在于该方法包含如下步骤:
步骤1:读取笼养蛋鸡原始图像I,提取笼养蛋鸡原始图像I在HSV颜色空间的S分量图像Is:Ω,其中Ω表示S分量图像的图像域;
步骤2:构建中心在第x个像素点、宽度为w个像素的方形局部窗口Ωx,用标准k-means聚类方法将方形局部窗口Ωx图像像素按照灰度值分成两类区域Ωs和Ωl,分别为第一类区域Ωs和第二类区域Ωl,遍历S分量图像Is的每个像素点得到两类区域Ωs和Ωl的类中心函数fs(x)和fl(x);根据方形局部窗口Ωx像素的灰度值为I(y)和类中心函数fs(x)和fl(x),构建关于两类区域Ωs和Ωl的能量函数Ex,能量函数Ex的公式如下:
式中,Ex是能量函数,y为图像域Ω中的一像素点,I(y)为图像域Ω中第y个像素点的灰度值;
步骤3:用两类区域Ωs和Ωl之间的分界线Cx对能量函数Ex进行改写;
所述的步骤3中,改写后的能量函数Ex公式如下:
式中,outside(Cx)表示以分界线Cx分割出的其中一侧部分,即第一类区域Ωs,inside(Cx)表示以分界线Cx分割出的另一侧部分,即第二类区域Ωl;
步骤4:构建包含两个类中心函数的能量函数Ex,并在能量函数Ex中引入平均核函数Kσ(y)和水平集函数φ改变形成总能量泛函ELPF;
4.1:利用平均核函数Kσ(y)对能量函数Ex改写为:
式中,Kσ为平均核函数;
4.2:对所有图像域Ω的像素点x进行积分得到总能量泛函ELPF,其公式如下:
ELPF(C,fs,fl)=∫Ω(∫outside(C)Kσ(y)|I(y)-fs(x)|2dy)dx+∫Ω(∫inside(C)Kσ(y)|I(y)-fl(x)|2dy)dx
式中,Cx是两类区域Ωs和Ωl之间的分界线,C是{Cx,x∈Ω}的分界线集合;
4.3:再用水平集函数φ对总能量泛函ELPF改写为:
ELPF(φ,fs,fl)=∫Ω(∫ΩKσ(y)|I(y)-fs(x)|2Hε(φ(y))dy)dx+∫Ω(∫ΩKσ(y)|I(y)-fl(x)|2(1-Hε(φ(y)))dy)dx
式中,φ是水平集函数,Hε(x)和δε(x)分别是规则化的海维赛徳(Heaviside)函数和规则化的狄拉克(Dirac)函数,规则化的海维赛徳(Heaviside)函数Hε(x)和规则化的狄拉克(Dirac)函数δε(x)分别计算为:
其中,π是圆周率,ε是狄拉克函数的参数;
所述的水平集函数φ根据分界线集C表示为以下函数:
式中,φ(y)表示图像域Ω中水平集函数φ在第y个像素点的取值;
式中,x为方形局部窗口Ωx的中心位置的像素点序数,δε(y)是规则化的狄拉克(Dirac)函数,ε是狄拉克函数的参数,是一个常数;
4.根据权利要求3所述的一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法,其特征在于:所述的结构元素b根据待处理图像选择不同形状和大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811109255.6A CN109509202B (zh) | 2018-09-21 | 2018-09-21 | 一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811109255.6A CN109509202B (zh) | 2018-09-21 | 2018-09-21 | 一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109509202A CN109509202A (zh) | 2019-03-22 |
CN109509202B true CN109509202B (zh) | 2021-01-26 |
Family
ID=65745991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811109255.6A Active CN109509202B (zh) | 2018-09-21 | 2018-09-21 | 一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109509202B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126402B (zh) * | 2019-11-04 | 2023-11-03 | 京东科技信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN112330698B (zh) * | 2020-11-04 | 2022-07-29 | 昆明理工大学 | 一种改进的几何活动轮廓的图像分割方法 |
CN113256703A (zh) * | 2021-06-03 | 2021-08-13 | 河北农业大学 | 一种基于图像处理的鸡冠形态测定方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903115A (zh) * | 2012-10-12 | 2013-01-30 | 中国科学院深圳先进技术研究院 | 一种管状物体中心线的提取方法 |
CN102982547A (zh) * | 2012-11-29 | 2013-03-20 | 北京师范大学 | 自动初始化的局域活动轮廓模型心脑血管分割方法 |
CN106570867A (zh) * | 2016-10-18 | 2017-04-19 | 浙江大学 | 基于灰度形态学能量法的活动轮廓模型图像快速分割方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9875581B2 (en) * | 2014-10-31 | 2018-01-23 | The Regents Of The University Of California | Automated 3D reconstruction of the cardiac chambers from MRI or ultrasound |
US10521902B2 (en) * | 2015-10-14 | 2019-12-31 | The Regents Of The University Of California | Automated segmentation of organ chambers using deep learning methods from medical imaging |
-
2018
- 2018-09-21 CN CN201811109255.6A patent/CN109509202B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102903115A (zh) * | 2012-10-12 | 2013-01-30 | 中国科学院深圳先进技术研究院 | 一种管状物体中心线的提取方法 |
CN102982547A (zh) * | 2012-11-29 | 2013-03-20 | 北京师范大学 | 自动初始化的局域活动轮廓模型心脑血管分割方法 |
CN106570867A (zh) * | 2016-10-18 | 2017-04-19 | 浙江大学 | 基于灰度形态学能量法的活动轮廓模型图像快速分割方法 |
Non-Patent Citations (2)
Title |
---|
Geodesic Active Contours;Vicent Caselles et al.;《International Journal of Computer Vision》;19970228;第61-79页 * |
活动轮廓模型的图像分割方法综述;王相海,方玲玲;《模式识别与人工智能》;20130831;第751-760页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109509202A (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522908B (zh) | 基于区域标签融合的图像显著性检测方法 | |
Xiao et al. | Behavior-induced health condition monitoring of caged chickens using binocular vision | |
CN109509202B (zh) | 一种基于改进活动轮廓模型的笼养蛋鸡图像分割方法 | |
Mary et al. | An empirical study on optic disc segmentation using an active contour model | |
Al-Fahdawi et al. | A fully automated cell segmentation and morphometric parameter system for quantifying corneal endothelial cell morphology | |
Duan et al. | Automated segmentation of retinal layers from optical coherence tomography images using geodesic distance | |
Alba et al. | Automatic cardiac LV segmentation in MRI using modified graph cuts with smoothness and interslice constraints | |
Li et al. | An automated pipeline for cortical sulcal fundi extraction | |
Rossant et al. | Parallel Double Snakes. Application to the segmentation of retinal layers in 2D-OCT for pathological subjects | |
Le Troter et al. | Automatic sulcal line extraction on cortical surfaces using geodesic path density maps | |
CN107452014B (zh) | 一种图像分割方法及装置 | |
CN108109149A (zh) | 一种冠状动脉oct图像自动分割方法 | |
Nie et al. | Automated segmentation of mouse brain images using multi-atlas multi-ROI deformation and label fusion | |
Alegro et al. | Automating cell detection and classification in human brain fluorescent microscopy images using dictionary learning and sparse coding | |
CA3104562A1 (en) | Method and computer program for segmentation of optical coherence tomography images of the retina | |
Padmasini et al. | State-of-the-art of level-set methods in segmentation and registration of spectral domain optical coherence tomographic retinal images | |
CN109359653B (zh) | 一种棉花叶部粘连病斑图像分割方法和系统 | |
Ganjee et al. | An unsupervised hierarchical approach for automatic intra‐retinal cyst segmentation in spectral‐domain optical coherence tomography images | |
Gong et al. | A level set method for retina image vessel segmentation based on the local cluster value via bias correction | |
Wang et al. | Automated layer segmentation of 3d macular images using hybrid methods | |
Zahoor et al. | Fast optic disc segmentation in retinal images using polar transform | |
CN111145142A (zh) | 一种基于水平集算法的灰度不均囊肿图像分割方法 | |
CN108717699B (zh) | 一种基于连续最小割的超声波图像分割方法 | |
CN106340022A (zh) | 一种基于区域相关性的图像分割方法 | |
Zhang et al. | Fast retinal layer segmentation of spectral domain optical coherence tomography images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |