CN113763409A - 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 - Google Patents
一种基于高斯滤波的高维脑核磁图像多阈值分割方法 Download PDFInfo
- Publication number
- CN113763409A CN113763409A CN202110995534.2A CN202110995534A CN113763409A CN 113763409 A CN113763409 A CN 113763409A CN 202110995534 A CN202110995534 A CN 202110995534A CN 113763409 A CN113763409 A CN 113763409A
- Authority
- CN
- China
- Prior art keywords
- nuclear magnetic
- frog
- magnetic image
- brain nuclear
- brain
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 99
- 230000011218 segmentation Effects 0.000 title claims abstract description 43
- 238000001914 filtration Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 14
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims abstract description 14
- 210000004884 grey matter Anatomy 0.000 claims abstract description 14
- 210000004885 white matter Anatomy 0.000 claims abstract description 14
- 210000001519 tissue Anatomy 0.000 claims abstract description 9
- 238000004439 roughness measurement Methods 0.000 claims abstract description 5
- 230000003044 adaptive effect Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 21
- 241000269350 Anura Species 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract 1
- 238000003384 imaging method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于高斯滤波的高维脑核磁图像多阈值分割方法,属于智慧医疗技术领域。其技术方案为:首先,获取脑核磁图像数据F;其次,通过标准差为脑核磁图像的粗糙性度量的高斯滤波进行自适应平滑滤波预处理;再次,对预处理后的脑核磁图像进行灰度直方图统计,并根据灰度直方图的峰值设定脑部组织的灰质、白质、脑脊液和背景的三个初始分割阈值(t1,t2,t3);最后,将脑核磁图像中三个目标组织和背景的四类间方差σ2(t1,t2,t3)作为混合蛙跳算法的适应度函数寻找三个最优分割阈值并输出分割后的二值化图像。本发明的有益效果为:降低了噪声对脑核磁图像分割的影响,提高了对脑核磁图像中三个目标组织的分割精度,对脑核磁图像智能辅助分割和诊断具有较强的应用价值。
Description
技术领域
本发明涉及智慧医疗技术领域,尤其涉及一种基于高斯滤波的高维脑核磁图像多阈值分割方法。
背景技术
核磁共振成像技术已经成为脑疾病临床诊断的重要辅助手段。脑核磁与电子计算断层扫描相比,它具有无放射线损害,无骨性伪影,能多方面、多参数成像,有高度的软组织分辨能力,不需要使用对比剂即可显示血管结构等独特的优点。然而在实际应用中,由于射频场的不均匀性等因素,导致脑核磁图像的灰度均匀性变差;其次,脑核磁图像成像过程中由于受仪器设备等物理原因影响,使得图像中经常含有噪声。这给医生的临床诊断工作增加了不确定性因素和工作量。同时,这也影响了脑核磁图像的分割精度。如何有效地提高脑核磁图像的分割精度和帮助医生有效地分析患者脑部组织的临床症状,亟需一种新的方法能有效地减少脑核磁图像中的噪声和提高分割精度,有效进行脑核磁图像临床症状的筛查和分析。
如何解决上述技术问题为本发明面临的课题。
发明内容
本发明的目的在于提供一种基于高斯滤波的高维脑核磁图像多阈值分割方法。
本发明是通过如下措施实现的:一种基于高斯滤波的高维脑核磁图像多阈值分割方法,包括以下步骤:
步骤1、读取脑核磁图像F,其中图像的大小为256×256,单张的脑核磁图像中共有256×256=65536个像素点,可表示为论域T={F(0,0),F(0,1),...,F(255,255)},其中F(i,j)(i,j∈[0,255])表示第(i,j)个像素点的灰度级且F(i,j)∈[0,255];
步骤2、计算脑核磁图像的粗糙性度量ρ,并将ρ作为高斯滤波的标准差σ对脑核磁图像进行自适应平滑滤波预处理;
步骤3、对预处理后的脑核磁图像进行灰度直方图统计,根据灰度直方图的峰值设定脑部组织的灰质、白质、脑脊液和背景的三个初始分割阈值(t1,t2,t3);
步骤4、计算脑核磁图像中三个目标组织和背景的四类间方差σ2(t1,t2,t3),并将其作为混合蛙跳算方法的适应度函数;
步骤6、对脑核磁图像进行多阈值分割,输出分割后的二值化图像。
作为本发明提供的一种基于高斯滤波的高维脑核磁图像多阈值分割方法进一步优化方案,所述步骤2的具体步骤如下:
步骤2.1、计算脑核磁图像F在不同灰度级上分布信息下近似H(l),其计算公式如下:
其中,F(i,j)为像素(i,j)的灰度级,δ(·)近似为零点处高度为1的冲激函数,L为图像的灰度级数目;
步骤2.2、计算脑核磁图像中两个像素点F1:F(i1,j1)和F2:F(i2,j2)之间的空间距离d(F1,F2),其计算公式如下:
步骤2.3、计算脑核磁图像中像素F(i,j)的3=3规模邻域,邻域中的各邻接像素与F(i,j)之间的空间距离d3×3(i,j),其计算公式如下:
步骤2.4、计算脑核磁图像中3×3规模邻域相对于像素F(i,j)具有的同质程度S(i,j),其计算公式如下:
其中,邻域同质程度函数S(i,j)是一个Cauchy型分布函数,r参数表示不可区分色差的阈值;
其中,k1=c2/2b2,k2=c2/2(c-b)2,参数b,c的取值与统计直方图分布均值的比例分别为0.05和0.5;
步骤2.7、将脑核磁图像F在不同灰度级上的粗糙量化信息ρ(l)作为高斯滤波的标准差σ对不同灰度级的像素点进行自适应平滑滤波处理,得到滤波后的图像F'。
作为本发明提供的一种基于高斯滤波的高维脑核磁图像多阈值分割方法进一步优化方案,所述步骤5的具体步骤如下:
步骤5.1、根据脑核磁图像的灰度级数目随机生成青蛙群体,对其进行8位二进制编码,随机选取P=M×N只作为初始青蛙群体,第k只青蛙个体记为xk=(xk1,xk2,...,xks),其中s=3为分割阈值的个数,M为族群数,N为族群内青蛙个数;
步骤5.2、将脑核磁图像的四类间方差作为混合蛙跳算法的适应度函数f(xk),并计算每只青蛙个体的适应值,其计算公式如下:
其中,ωp(p=0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的概率分布,μp(p=0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的灰度均值,表示脑核磁图像总体的灰度均值;
步骤5.3、按照所有青蛙个体的适应度f(xk)降序排序,记全局最优青蛙个体为Xg,并逐一循环分配给M个族群;
步骤5.4、对每个青蛙种群进行局部搜索,种群中最优适应值和最差适应值的青蛙个体分别记为Xmb和Xmw,其中m∈[0,M]表示第m个青蛙种群,然后,对青蛙种群最差适应值的青蛙个体进行更新,更新规则如下:
D=rand()×(Xmb-Xmw) (9)
X'mw=Xmw+D,||D||≤Dmax (10)
其中,rand()为0到1之间的随机数,D为青蛙个体的移动步长,Dmax表示青蛙个体的最大移动步长;
步骤5.5、判断更新生成的新青蛙个体X'mw与原青蛙个体Xmw之间的大小关系;如果更新后X'mw的适应值优于Xmw,那么更新成功,否则,用Xg代替Xmb进行更新,如果更新后的X'mw的适应值优于Xmw,那么更新成功,否则,则随机产生一个新解替换Xmw,完成每个青蛙种群的局部搜索和更新;
步骤5.6、将M个青蛙种群进行混合,并按照青蛙个体的适应值降序排序,生成新的全局最优青蛙个体X'g,重新划分青蛙种群,进行下一轮的局部搜索和更新;
步骤5.7、当全局最优青蛙个体的适应值趋于收敛,则判定达到停止准则,算法搜索停止,并输出最优的脑核磁图像上三个分割阈值。
与现有技术相比,本发明的有益效果为:
(1)本发明对高维脑核磁图像进行自适应高斯滤波,将高维脑核磁图像的粗糙性度量作为高斯滤波的标准差,在滤除图像中噪声的同时也避免了对图像进行相同的滤波操作而造成的局部特征丢失,可以有效地降低由于仪器设备等物理原因造成图像噪声的影响。
(2)本发明针对高维脑核磁图像中的三个目标组织通过混合蛙跳算法进行多阈值寻优,对高维脑核磁图像进行多区域分割,避免了单阈值分割对不同区域的组织分割精度不高的局限,可以有效地提高高维脑核磁图像中灰质、白质和脑脊液三个目标组织的分割精度。
(3)本发明的基于高斯滤波的高维脑核磁图像多阈值分割方法降低了噪声对高维脑核磁图像分割的影响,提高了对高维脑核磁图像中三个目标组织的分割精度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明中基于高斯滤波的高维脑核磁图像多阈值分割方法的整体框架图。
图2为本发明中基于高斯滤波的高维脑核磁图像多阈值分割方法的具体流程图。
图3为本发明中混合蛙跳算法寻找最优分割阈值的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。当然,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
参见图1至图3,本发明提供其技术方案为,一种基于高斯滤波的高维脑核磁图像多阈值分割方法,包括以下步骤:
步骤1、读取脑核磁图像F,其中图像的大小为256×256,单张的脑核磁图像中共有256×256=65536个像素点,可表示为论域T={F(0,0),F(0,1),...,F(255,255)},其中F(i,j)(i,j∈[0,255])表示第(i,j)个像素点的灰度级且F(i,j)∈[0,255];
步骤2、计算脑核磁图像的粗糙性度量ρ,并将ρ作为高斯滤波的标准差σ对脑核磁图像进行自适应平滑滤波预处理;
步骤3、对预处理后的脑核磁图像进行灰度直方图统计,根据灰度直方图的峰值设定脑部组织的灰质、白质、脑脊液和背景的三个初始分割阈值(t1,t2,t3);
步骤4、计算脑核磁图像中三个目标组织和背景的四类间方差σ2(t1,t2,t3),并将其作为混合蛙跳算方法的适应度函数;
步骤6、对脑核磁图像进行多阈值分割,输出分割后的二值化图像。
进一步优选地,所述步骤2的具体步骤如下:
步骤2.1、计算脑核磁图像F在不同灰度级上分布信息下近似H(l),其计算公式如下:
其中,F(i,j)为像素(i,j)的灰度级,δ(·)近似为零点处高度为1的冲激函数,L为图像的灰度级数目;
步骤2.2、计算脑核磁图像中两个像素点F1:F(i1,j1)和F2:F(i2,j2)之间的空间距离d(F1,F2),其计算公式如下:
步骤2.3、计算脑核磁图像中像素F(i,j)的3×3规模邻域,邻域中的各邻接像素与F(i,j)之间的空间距离d3×3(i,j),其计算公式如下:
步骤2.4、计算脑核磁图像中3×3规模邻域相对于像素F(i,j)具有的同质程度S(i,j),其计算公式如下:
其中,邻域同质程度函数S(i,j)是一个Cauchy型分布函数,r参数表示不可区分色差的阈值;
其中,k1=c2/2b2,k2=c2/2(c-b)2,参数b,c的取值与统计直方图分布均值的比例分别为0.05和0.5;
步骤2.7、将脑核磁图像F在不同灰度级上的粗糙量化信息ρ(l)作为高斯滤波的标准差σ对不同灰度级的像素点进行自适应平滑滤波处理,得到滤波后的图像F'。
进一步优选地,所述步骤5的具体步骤如下:
步骤5.1、根据脑核磁图像的灰度级数目随机生成青蛙群体,对其进行8位二进制编码,随机选取P=M×N只作为初始青蛙群体,第k只青蛙个体记为xk=(xk1,xk2,...,xks),其中s×3为分割阈值的个数,M为族群数,N为族群内青蛙个数;
步骤5.2、将脑核磁图像的四类间方差作为混合蛙跳算法的适应度函数f(xk),并计算每只青蛙个体的适应值,其计算公式如下:
其中,ωp(p=0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的概率分布,μp(p=0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的灰度均值,表示脑核磁图像总体的灰度均值;
步骤5.3、按照所有青蛙个体的适应度f(xk)降序排序,记全局最优青蛙个体为Xg,并逐一循环分配给M个族群;
步骤5.4、对每个青蛙种群进行局部搜索,种群中最优适应值和最差适应值的青蛙个体分别记为Xmb和Xmw,其中m∈[0,M]表示第m个青蛙种群,然后,对青蛙种群最差适应值的青蛙个体进行更新,更新规则如下:
D=rand()×(Xmb-Xmw) (9)
X'mw=Xmw+D,||D||≤Dmax (10)
其中,rand()为0到1之间的随机数,D为青蛙个体的移动步长,Dmax表示青蛙个体的最大移动步长;
步骤5.5、判断更新生成的新青蛙个体X'mw与原青蛙个体Xmw之间的大小关系;如果更新后X'mw的适应值优于Xmw,那么更新成功,否则,用Xg代替Xmb进行更新,如果更新后的X'mw的适应值优于Xmw,那么更新成功,否则,则随机产生一个新解替换Xmw,完成每个青蛙种群的局部搜索和更新;
步骤5.6、将M个青蛙种群进行混合,并按照青蛙个体的适应值降序排序,生成新的全局最优青蛙个体X'g,重新划分青蛙种群,进行下一轮的局部搜索和更新;
步骤5.7、当全局最优青蛙个体的适应值趋于收敛,则判定达到停止准则,算法搜索停止,并输出最优的脑核磁图像上三个分割阈值。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于高斯滤波的高维脑核磁图像多阈值分割方法,其特征在于,包括以下步骤:
步骤1、读取脑核磁图像F,其中图像的大小为256×256,单张的脑核磁图像中共有256×256=65536个像素点,可表示为论域T={F(0,0),F(0,1),...,F(255,255)},其中F(i,j)(i,j∈[0,255])表示第(i,j)个像素点的灰度级且F(i,j)∈[0,255];
步骤2、计算脑核磁图像的粗糙性度量ρ,并将ρ作为高斯滤波的标准差σ对脑核磁图像进行自适应平滑滤波预处理;
步骤3、对预处理后的脑核磁图像进行灰度直方图统计,根据灰度直方图的峰值设定脑部组织的灰质、白质、脑脊液和背景的三个初始分割阈值(t1,t2,t3);
步骤4、计算脑核磁图像中三个目标组织和背景的四类间方差σ2(t1,t2,t3),并将其作为混合蛙跳算方法的适应度函数;
步骤6、对脑核磁图像进行多阈值分割,输出分割后的二值化图像。
2.根据权利要求1所述的基于高斯滤波的高维脑核磁图像多阈值分割方法,其特征在于,所述步骤2的具体步骤如下:
步骤2.1、计算脑核磁图像F在不同灰度级上分布信息下近似H(l),其计算公式如下:
其中,F(i,j)为像素(i,j)的灰度级,δ(·)近似为零点处高度为1的冲激函数,L为图像的灰度级数目;
步骤2.2、计算脑核磁图像中两个像素点F1:F(i1,j1)和F2:F(i2,j2)之间的空间距离d(F1,F2),其计算公式如下:
步骤2.3、计算脑核磁图像中像素F(i,j)的3×3规模邻域,邻域中的各邻接像素与F(i,j)之间的空间距离d3×3(i,j),其计算公式如下:
步骤2.4、计算脑核磁图像中3×3规模邻域相对于像素F(i,j)具有的同质程度S(i,j),其计算公式如下:
其中,邻域同质程度函数S(i,j)是一个Cauchy型分布函数,r参数表示不可区分色差的阈值;
其中,k1=c2/2b2,k2=c2/2(c-b)2,参数b,c的取值与统计直方图分布均值的比例分别为0.05和0.5;
步骤2.7、将脑核磁图像F在不同灰度级上的粗糙量化信息ρ(l)作为高斯滤波的标准差σ对不同灰度级的像素点进行自适应平滑滤波处理,得到滤波后的图像F'。
3.根据权利要求1所述的基于高斯滤波的高维脑核磁图像多阈值分割方法,其特征在于,所述步骤5的具体步骤如下:
步骤5.1、根据脑核磁图像的灰度级数目随机生成青蛙群体,对其进行8位二进制编码,随机选取P=M×N只作为初始青蛙群体,第k只青蛙个体记为xk=(xk1,xk2,...,xks),其中s=3为分割阈值的个数,M为族群数,N为族群内青蛙个数;
步骤5.2、将脑核磁图像的四类间方差作为混合蛙跳算法的适应度函数f(xk),并计算每只青蛙个体的适应值,其计算公式如下:
其中,ωp(p=0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的概率分布,μp(p=0,1,2,3)表示脑核磁图像中脑组织的灰质、白质、脑脊液和背景四个部分的灰度均值,表示脑核磁图像总体的灰度均值;
步骤5.3、按照所有青蛙个体的适应度f(xk)降序排序,记全局最优青蛙个体为Xg,并逐一循环分配给M个族群;
步骤5.4、对每个青蛙种群进行局部搜索,种群中最优适应值和最差适应值的青蛙个体分别记为Xmb和Xmw,其中m∈[0,M]表示第m个青蛙种群,然后,对青蛙种群最差适应值的青蛙个体进行更新,更新规则如下:
D=rand()×(Xmb-Xmw) (9)
X'mw=Xmw+D,||D||≤Dmax (10)
其中,rand()为0到1之间的随机数,D为青蛙个体的移动步长,Dmax表示青蛙个体的最大移动步长;
步骤5.5、判断更新生成的新青蛙个体X'mw与原青蛙个体Xmw之间的大小关系;如果更新后X'mw的适应值优于Xmw,那么更新成功,否则,用Xg代替Xmb进行更新,如果更新后的X'mw的适应值优于Xmw,那么更新成功,否则,则随机产生一个新解替换Xmw,完成每个青蛙种群的局部搜索和更新;
步骤5.6、将M个青蛙种群进行混合,并按照青蛙个体的适应值降序排序,生成新的全局最优青蛙个体X'g,重新划分青蛙种群,进行下一轮的局部搜索和更新;
步骤5.7、当全局最优青蛙个体的适应值趋于收敛,则判定达到停止准则,算法搜索停止,并输出最优的脑核磁图像上三个分割阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995534.2A CN113763409B (zh) | 2021-08-27 | 2021-08-27 | 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995534.2A CN113763409B (zh) | 2021-08-27 | 2021-08-27 | 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763409A true CN113763409A (zh) | 2021-12-07 |
CN113763409B CN113763409B (zh) | 2023-05-02 |
Family
ID=78791527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110995534.2A Active CN113763409B (zh) | 2021-08-27 | 2021-08-27 | 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763409B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409029A (zh) * | 2023-12-14 | 2024-01-16 | 顺通信息技术科技(大连)有限公司 | 一种地热系统环境影响评估方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011034391A (ja) * | 2009-08-03 | 2011-02-17 | Ihi Corp | 粒度の異なるテクスチャ領域の分割方法 |
CN107120024A (zh) * | 2017-05-22 | 2017-09-01 | 张丽 | 高铁车门防夹机构 |
CN108596912A (zh) * | 2018-03-26 | 2018-09-28 | 陕西师范大学 | 基于改进人工雨滴优化法的图像多阈值分割方法 |
CN109410221A (zh) * | 2018-10-31 | 2019-03-01 | 上海联影医疗科技有限公司 | 脑灌注图像分割方法、装置、服务器和存储介质 |
CN110427995A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
CN111079596A (zh) * | 2019-12-05 | 2020-04-28 | 国家海洋环境监测中心 | 高分辨率遥感影像的海上典型人造目标识别系统及方法 |
WO2020233083A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种图像修复方法、装置、存储介质及终端设备 |
CN112085705A (zh) * | 2020-08-11 | 2020-12-15 | 温州大学 | 一种基于改进樽海鞘群算法的图像分割方法及装置 |
CN112200812A (zh) * | 2020-09-29 | 2021-01-08 | 温州大学 | 多阈值图像的二维分割方法 |
CN112200814A (zh) * | 2020-10-08 | 2021-01-08 | 哈尔滨理工大学 | 一种基于改进混合蛙跳算法的高速公路沥青路面裂缝分割的优化算法 |
CN112634338A (zh) * | 2020-12-30 | 2021-04-09 | 东北大学 | 基于灰度共生矩阵的脑脊液细胞特征提取方法 |
-
2021
- 2021-08-27 CN CN202110995534.2A patent/CN113763409B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011034391A (ja) * | 2009-08-03 | 2011-02-17 | Ihi Corp | 粒度の異なるテクスチャ領域の分割方法 |
CN107120024A (zh) * | 2017-05-22 | 2017-09-01 | 张丽 | 高铁车门防夹机构 |
CN108596912A (zh) * | 2018-03-26 | 2018-09-28 | 陕西师范大学 | 基于改进人工雨滴优化法的图像多阈值分割方法 |
CN109410221A (zh) * | 2018-10-31 | 2019-03-01 | 上海联影医疗科技有限公司 | 脑灌注图像分割方法、装置、服务器和存储介质 |
WO2020233083A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种图像修复方法、装置、存储介质及终端设备 |
CN110427995A (zh) * | 2019-07-24 | 2019-11-08 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的贝叶斯土壤水分估算方法 |
CN111079596A (zh) * | 2019-12-05 | 2020-04-28 | 国家海洋环境监测中心 | 高分辨率遥感影像的海上典型人造目标识别系统及方法 |
CN112085705A (zh) * | 2020-08-11 | 2020-12-15 | 温州大学 | 一种基于改进樽海鞘群算法的图像分割方法及装置 |
CN112200812A (zh) * | 2020-09-29 | 2021-01-08 | 温州大学 | 多阈值图像的二维分割方法 |
CN112200814A (zh) * | 2020-10-08 | 2021-01-08 | 哈尔滨理工大学 | 一种基于改进混合蛙跳算法的高速公路沥青路面裂缝分割的优化算法 |
CN112634338A (zh) * | 2020-12-30 | 2021-04-09 | 东北大学 | 基于灰度共生矩阵的脑脊液细胞特征提取方法 |
Non-Patent Citations (5)
Title |
---|
FERNANDO J. GALETTO等: "Edge-Aware Filter Based on Adaptive Patch Variance Weighted Average", 《IEEE ACCESS》 * |
刘立群等: "基于改进混合蛙跳算法的图像阈值分割算法", 《计算机应用与软件》 * |
周奇: "基于粗糙表面的滑动电接触接触电阻数学模型研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
朱冠菲: "基于MR数据生成伪CT数据的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
胡钦瑞: "基于多尺度粗糙集和可变权重MRF的彩色图像分割", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409029A (zh) * | 2023-12-14 | 2024-01-16 | 顺通信息技术科技(大连)有限公司 | 一种地热系统环境影响评估方法及系统 |
CN117409029B (zh) * | 2023-12-14 | 2024-02-13 | 顺通信息技术科技(大连)有限公司 | 一种地热系统环境影响评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113763409B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114648530B (zh) | 一种ct图像处理方法 | |
CN110503614B (zh) | 一种基于稀疏字典学习的磁共振图像去噪方法 | |
CN114677391B (zh) | 一种脊椎图像分割方法 | |
CN107680110B (zh) | 基于统计形状模型的内耳三维水平集分割方法 | |
CN103918004B (zh) | 金属伪影校正算法的自适应应用 | |
CN113989407B (zh) | Ct影像中肢体部位识别模型训练方法及系统 | |
CN113763409B (zh) | 一种基于高斯滤波的高维脑核磁图像多阈值分割方法 | |
Jabbar et al. | Application of fuzzy neural network for image tumor description | |
CN105678711B (zh) | 一种基于图像分割的衰减校正方法 | |
KR101467380B1 (ko) | 의료 영상 화질 개선 방법 및 그 장치 | |
CN111402244B (zh) | 一种胎儿心脏标准切面自动分类法 | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
Kalinin et al. | A classification approach for anatomical regions segmentation | |
Susomboon et al. | Automatic single-organ segmentation in computed tomography images | |
CN114463459A (zh) | 一种pet图像的部分容积校正方法、装置、设备及介质 | |
Singh et al. | A review: Image enhancement On MRI images | |
El-Feghi et al. | X-ray image segmentation using auto adaptive fuzzy index measure | |
Meera et al. | A new meta heuristic based segmentation for MRI image | |
CN110473606B (zh) | 一种ct/mr图像的预览帧筛选方法 | |
CN117115186B (zh) | 基于区域生长的心血管分割方法 | |
Li et al. | Image segmentation based on the fuzzy C-means clustering and rough sets | |
Yang et al. | A novel statistical method for segmentation of brain MRI | |
Sreeja et al. | Pseudo-CT generation from MRI images for bone lesion detection using deep learning approach | |
CN110827298A (zh) | 一种从眼部图片中自动识别视网膜区域的方法 | |
Chithra et al. | An efficient segmentation System for Alzhiemer’s Disease Detection from Magnetic Resonance Imaging using TDWT–Fuzzyset Theory |
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 |