摘要:模糊C均值(FCM)聚类算法凭借其学习成本低、算法开销少的特点, 已经成为常用的图像分割技术之一. 然而, 传统FCM算法存在对图像中噪声敏感的问题. 近年来, 各种对传统FCM算法的改进虽然提高了算法的噪声鲁棒性, 但是往往以损失图像上的细节为代价. 提出一种基于李群理论的改进FCM算法并将其应用于图像分割中. 所提算法针对图像的所有像素构建矩阵李群特征, 用以归纳每个像素的底层图像特征以及与其邻域窗口内其他像素的关系, 从而将传统FCM算法聚类分析中求取像素点之间的欧氏距离转变为在李群流形上求取像素点李群特征之间的测地线距离. 针对在李群流形上更新聚类中心和模糊隶属度矩阵的问题, 所提算法使用一种自适应模糊加权的目标函数, 提高算法的泛化性和稳定性. 通过在3组医学图像上与传统FCM算法以及几种经典改进算法的实验对比验证了所提方法的有效性.

摘要:高质量的特征表示可以提高目标检测和其他计算机视觉任务的性能.现代目标检测器诉诸于通用的特征金字塔结构以丰富表示能力，但是他们忽略了对于不同方向的路径应当使用不同的融合操作，以满足其对信息流的不同需求.提出了分离式空间语义融合（separated spatial semantic fusion，SSSF），它在自上而下的路径中使用通道注意模块（channel attention block，CAB）来传递语义信息，在自下而上的路径中使用具有瓶颈结构的空间注意模块（spatial attention block，SAB）来通过较少的参数和较少的计算量（相比于直接利用不降维的空间注意模块）将精确的位置信号传递到顶层.SSSF十分有效，并且具有很强大的泛化能力：对于目标检测，它可以将AP提高1.3%以上，对于自上而下的路径进行语义分割的融合操作，它可以将普通加和版本的AP提高约0.8%，对于实例分割，所提方法能够在所有指标上提高实例分割的包围框AP和掩膜AP.

摘要:深度学习在医学影像分割领域得到广泛应用，其中，2015年提出的U-Net因其分割小目标效果较好、结构具有可扩展性，自提出以来受到广泛关注.近年来，随着医学图像割性能要求的提升，众多学者针对U-Net结构也在不断地改进和扩展，比如编解码器的改进、外接特征金字塔等.通过对基于U-Net结构改进的医学影像分割技术，从面向性能优化和面向结构改进两个方面进行总结，对相关方法进行了综述、分类和总结，并介绍图像分割中常用的损失函数、评价参数和模块，进而总结了针对不同目标改进U-Net结构的思路和方法，为相关研究提供了参考.

摘要:元启发式算法自20世纪60年代提出以后，由于其具有可以有效地减少计算量、提高优化效率等优点而得到了广泛应用.该类算法以模仿自然界中各类运行机制为特点，具有自我调节的特征，解决了诸如梯度法、牛顿法和共轭下降法等这些传统优化算法计算效率低、收敛性差等缺点，在组合优化、生产调度、图像处理等方面均有很好的效果.提出了一种改进的元启发式优化算法——NBAS算法.该算法通过将传统天牛须算法（BAS）离散化得到二进制离散天牛须算法（BBAS），并与原始天牛须算法进行混合得出.算法平衡了局部与全局搜索，有效地弥补了算法容易陷入局部最优的不足.为了验证NBAS算法的有效性，将NBAS算法与二维K熵算法结合，提出了一种快速、准确的NBAS-K熵图像分割算法.该方法解决了优化图像阈值分割函数的优化算法易陷入局部最优、算法寻优个体数多、设计复杂度高所导致的计算量大、耗时长等问题.NBAS-K熵算法与BAS-K熵算法、BBAS-K熵算法、遗传K熵算法（GA-K熵）、粒子群K熵算法（PSO-K熵）和蚱蜢K熵算法（GOA-K熵）在Berkeley数据集、人工加噪图像以及遥感图像上的实验结果表明，该分割方法不仅具有较好的抗噪性能，而且具有较高的精度和鲁棒性，能够较为有效地实现复杂图像分割.

摘要:几何主动轮廓模型的缺点是对初始轮廓位置特别敏感，基于距离规则水平集（DRLSE）模型的初始轮廓曲线必须设置在目标边界的内部或者外部.基于边缘的自适应水平集（ALSE）模型，提出了一种提高初始轮廓鲁棒性的方法.但两种模型均容易出现陷入虚假边界、从弱边缘处泄露以及抗噪声能力差等问题.设计了一个结合自适应符号函数和自适应边缘指示函数的模型，使得主动轮廓演化能根据自适应符号函数的方向从初始轮廓开始自动进行膨胀及收缩，很好地改善了水平集对初始轮廓敏感的缺点，提高了鲁棒性，同时解决了水平集对收敛速度慢以及易从弱边缘处泄露的问题.此外，为了使得模型演化更加稳定，提出了一个新的距离规则项.实验结果表明：自适应符号函数的主动轮廓模型不仅可以提高分割质量，缩短图像分割时间，同时提高了对初始轮廓的鲁棒性.

摘要:计算机计算性能的提升使得深度学习成为了可能.作为计算机视觉领域的重要发展方向之一的目标检测也开始结合深度学习方法并广泛应用于各行各业.受限于网络的复杂度和检测算法的设计，目标检测的速度和精度成为一个trade-off.目前电商领域的飞速发展产生了大量包含商品参数的图片，使用传统方法难以有效地提取出图片中的商品参数信息.针对这一问题，提出了一种将深度学习检测算法和传统OCR技术相结合的方法，在保证识别速度的同时大大提升了识别的精度.所研究的问题包括检测模型、针对特定数据训练、图片预处理以及文字识别等.首先比较了现有的目标检测算法，权衡其优缺点，然后使用YOLO模型完成检测任务，并针对YOLO模型中存在的不足进行了一定的改进和优化，得到了一个专用于检测图片中商品参数的目标检测模型，最后使用tesseract完成文字提取任务.在将整个流程结合到一起后，该系统不仅有着较好的识别精度，而且是高效和健壮的.最后讨论了优势和不足之处，并指出了未来工作的方向.

摘要:空气中的尘埃、污染物及气溶胶粒子的存在严重影响了大气预测的有效性，毫米波雷达云图的有效分割成为解决这一问题的关键.提出了一种基于超像素分析的全卷积神经网路FCN和深度卷积神经网络CNN（FCN-CNN）的云图分割方法.首先通过超像素分析对云图每个像素点的近邻域实现相应的聚类，同时将云图输入到不同步长的全卷积神经网络FCN 32s和FCN 8s中实现云图的预分割；FCN 32s预测结果中的非云区域一定是云图中的部分非云区域，FCN 8s预测结果中的云区域一定是云图中的部分云区域；余下的不确定的区域通过深度卷积神经网络CNN进行进一步分析.为提高效率，FCN-CNN选取了不确定区域中超像素的几个关键像素来代表超像素区域的特征，通过CNN网络来判断关键像素是云或者是非云.实验结果表明，FCN-CNN的精度与MR-CNN、SP-CNN相当，但是速度相比于MR-CNN提高了880倍，相比于SP-CNN提高了1.657倍.

摘要:图像分割是指将图像分成若干具有相似性质的区域的过程，是许多图像处理任务的预处理步骤.近年来，国内外学者主要研究基于图像内容的分割算法.在广泛调研大量文献和最新成果的基础上，将图像分割算法分为基于图论的方法、基于像素聚类的方法和语义分割方法这3种类型并分别加以介绍.对每类方法所包含的典型算法，尤其是最近几年利用深度网络技术的语义图像分割方法的基本思想、优缺点进行了分析、对比和总结.介绍了图像分割常用的基准数据集和算法评价标准，并用实验对各种图像分割算法进行对比.最后进行总结，并对未来可能的发展趋势加以展望.

摘要:现有的软子空间聚类算法在分割MR图像时易受随机噪声的影响，而且算法因依赖于初始聚类中心的选择而容易陷入局部最优，导致分割效果不理想.针对这一问题，提出一种基于烟花算法的软子空间MR图像聚类算法.算法首先设计一个结合界约束与噪声聚类的目标函数，弥补现有算法对噪声数据敏感的缺陷，并提出一种隶属度计算方法，快速、准确地寻找簇类所在子空间；然后，在聚类过程中引入自适应烟花算法，有效地平衡局部与全局搜索，弥补现有算法容易陷入局部最优的不足.EWKM，FWKM，FSC，LAC算法在UCI数据集、人工合成图像、Berkeley图像数据集以及临床乳腺MR图像、脑部MR图像上的聚类结果表明，所提出的算法不仅在UCI数据集上能够取得较好的结果，而且对图像聚类也具有较好的抗噪性能，尤其是对MR图像的聚类具有较高的精度和鲁棒性，能够较为有效地实现MR图像的分割.

摘要:结合变分水平集方法和模糊聚类，提出了一个基于变分水平集的图像聚类分割模型.该模型引入了一个基于图像局部信息的外部模糊聚类能量和一个新的关于零水平集的正则化能量，使得该模型对噪声图像的聚类分割更具鲁棒性.通过在能量泛函中加入一个内部约束能量约束水平集函数为符号距离函数，可以使水平集演化过程无需重新初始化.进一步提出了一种变分形式的聚类中心更新方法，实现了半监督的图像聚类分割.实验中采用不同类型的图像与FCM聚类模型、CV模型、Samson模型进行了对比实验，实验结果显示，该模型能够克服图像中噪声的影响，取得较满意的聚类分割效果.