圖像動(dòng)態(tài)分析中的若干智能化方法研究.pdf

1、該文的主要研究背景是與香港中文大學(xué)計(jì)算機(jī)系合作的香港特區(qū)政府研究資助局資助項(xiàng)目:"心臟MRI圖像分析與可視化"和南京理工大學(xué)計(jì)算機(jī)系計(jì)算機(jī)視覺實(shí)驗(yàn)室項(xiàng)目"腹水脫落癌細(xì)胞顯微圖像分類識(shí)別".該文在前人工作的基礎(chǔ)上作了如下四個(gè)方面的創(chuàng)新研究:1.針對(duì)傳統(tǒng)Snake模型存在的分割結(jié)果對(duì)初始點(diǎn)的位置依賴較大、容易收斂到局部極值、迭代算法收斂時(shí)間較長(zhǎng)等不足,提出了一種改進(jìn)的Snake模型.該模型采用新的彈性能量、剛性能量函數(shù)和面積能量函數(shù),提出在

2、不同階段能量項(xiàng)可調(diào)整選擇的二階段搜索算法和其它一些輔助算法,包括Snake頂點(diǎn)數(shù)自適應(yīng)增減算法、面積能量系數(shù)正負(fù)號(hào)自動(dòng)選擇算法等.對(duì)真實(shí)人類心臟MRI圖像分割結(jié)果表明,改進(jìn)Snake模型在一定程度上克服傳統(tǒng)Snake搜索區(qū)域小、對(duì)初始輪廓要求高和收斂速度慢等不足,具有實(shí)際應(yīng)用價(jià)值.2.針對(duì)傳統(tǒng)Snake模型不能處理拓?fù)浣Y(jié)構(gòu)變化和數(shù)值計(jì)算不穩(wěn)定的不足,提出了一種基于水平集曲線演化理論的心臟MRI圖像分割算法和其它一些輔助算法,包括:提出了

3、基于先驗(yàn)知識(shí)的K均值集群算法并將其應(yīng)用于圖像目標(biāo)的粗分割;給出了一種新的水平集符號(hào)距離函數(shù)(Signed Distance Function,SDF)生成算法;提出了基于K均值集群分類結(jié)果的水平集速度函數(shù)和結(jié)合圖像梯度的速度函數(shù)分別用于圖像邊界粗分割和細(xì)化.對(duì)真實(shí)人類心臟MRI圖像分割結(jié)果表明:K均值集群算法能夠有效地去除LV區(qū)域中的局部梯度極大值區(qū)域、區(qū)分弱邊界,使區(qū)域同質(zhì)化;與快速推進(jìn)法(Fast Marching Method,F

4、MM)方法相比,基于新的SDF生成算法和基于K均值集群分類結(jié)果構(gòu)造的水平集速度函數(shù)能更快速地檢測(cè)粗邊界并對(duì)分割結(jié)果進(jìn)行細(xì)化,降低整個(gè)圖像的分割時(shí)間,能夠有效地分割低對(duì)比度、噪聲心臟MRI圖像和其它成像模式的醫(yī)學(xué)圖像.3.針對(duì)目前常用于模式分類的BP神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)速度慢和泛化能力低的不足,設(shè)計(jì)了一種用帶參數(shù)的柔性Sigmoid函數(shù)作為網(wǎng)絡(luò)單元函數(shù)的柔性前饋神經(jīng)網(wǎng)絡(luò)(Flexible BP Network,FBPN),并提出可以分別和同時(shí)調(diào)

5、整柔性Sigmoid函數(shù)的參數(shù)和連接權(quán)的學(xué)習(xí)算法.該網(wǎng)絡(luò)能為每一個(gè)隱含層和輸出層單元產(chǎn)生合適的柔性Sigmoid函數(shù)形態(tài),使指定的輸入、期望的輸出和實(shí)際的系統(tǒng)一致,從而提高了傳統(tǒng)BP網(wǎng)絡(luò)的性能.4.針對(duì)腹水脫落細(xì)胞顯微圖像的多樣性、短灰度級(jí)范圍、雜亂和非隨機(jī)噪聲等復(fù)雜特征,提出了采用自適應(yīng)最小距離算法分割腹水脫落癌細(xì)胞顯微圖像、采用鏈碼技術(shù)抽取細(xì)胞圖像形態(tài)特征、用FBPN作為識(shí)別器的癌細(xì)胞識(shí)別算法.對(duì)真實(shí)的臨床腹水脫落細(xì)胞病例的顯微圖像