2019-07-02 22:08:48 qq_37486501 阅读数 243
  • 深度学习图像处理之垃圾分类

    图像分类是图像处理领域的基本任务,同时也是深度学习领域的“Hello Word”,掌握好相关的基础知识,才能更好地开展识别、分割、去噪等更加复杂的任务。本课程将以当下最火热的垃圾分类作为主题,手把手地带领大家实现图像分类任务的完整过程。课程可以分为三个板块: (1)深度学习在图像处理领域的发展过程; (2)解析经典的卷积神经网络; (3)垃圾分类实战。本课程将使用Pytorch深度学习框架进行实战,并在ubuntu系统上进行演示,包括:不同标注文件下的数据集读取、编写卷积神经网络、训练垃圾分类数据集、测试训练网络模型、网络可视化、性能评估等。

    798 人正在学习 去看看 郭冰洋

数字图像处理中的图像分割

  1. 图像分割: 将图像分割成若干个互不相交的区域
  2. 基于灰度的不连续性
    (1): 边缘检测
    [
    基于一阶微分的各种梯度算子:
    基于二阶微分的拉普拉斯算子
    高斯-拉普拉斯算子(LOG算子): 用高斯平滑去噪, 用拉普拉斯进行边缘检测
    ]
    (2):轮廓提取与跟踪
    轮廓提取: 掏空内部点, 背景白前景黑, 从左上角扫描为“黑”=0, 且8邻域也都为黑, 则说明该像素点是目标物体内部点, 置”白“=1
    轮廓跟踪: 顺序地找出目标区域边界上的像素点, 以跟踪目标边界, 并且同时记录边界信息(边界链码)
    (3):Hough变换
  3. 基于灰度的相似性
    (1):灰度阈值分割:
    用一个或者几个灰度阈值T 将图像的灰度级范围分成几个部分, 将每个像素的灰度值和阈值相比较, 根据比较结果将像素归类——前景目标与背景区分开
    (2): 基于区域的分割
    [
    区域生长: 灰度相似则扩展
    区域的分裂与合并 : 按某种一致性准则, 不断分裂, 合并区域
    ]
2017-01-05 10:07:28 sinat_36164665 阅读数 5421
  • 深度学习图像处理之垃圾分类

    图像分类是图像处理领域的基本任务,同时也是深度学习领域的“Hello Word”,掌握好相关的基础知识,才能更好地开展识别、分割、去噪等更加复杂的任务。本课程将以当下最火热的垃圾分类作为主题,手把手地带领大家实现图像分类任务的完整过程。课程可以分为三个板块: (1)深度学习在图像处理领域的发展过程; (2)解析经典的卷积神经网络; (3)垃圾分类实战。本课程将使用Pytorch深度学习框架进行实战,并在ubuntu系统上进行演示,包括:不同标注文件下的数据集读取、编写卷积神经网络、训练垃圾分类数据集、测试训练网络模型、网络可视化、性能评估等。

    798 人正在学习 去看看 郭冰洋

图像分割

图像分割,广义来说,是根据图像的某些特征或特征集合例如灰度、颜色、纹理等的相似性准则对图像像素进行分组聚类,把图像平面划分成若干个具有某些一致性的不重叠区域。这使得同一区域中的像素特征是类似的,即具有一致性而不同区域间像素的特征存在突变,即具有非一致性。

条件(1)指出在对一幅图像的分割结果中全部子区域的总和并集应能包括图像中所有像素就是原图像,或者说分割应将图像中的每个像素都分进某个子区域中。

条件(2)指出在分割结果中各个子区域是互不重叠的,或者说在分割结果中一个像素不能同时属于两个区域。

条件(3)指出在分割结果中每个子区域都有独特的特性,或者说属于同一个区域中的像素应该具有某些相同特性。

条件(4)指出在分割结果中,不同的一子区域具有不同的特性,没有公共元素,或者说属于不同区域的像素应该具有一些不同的特性。

条件(5)要求分割结果中同一个子区域内的像素应该是连通的,即同一个子区域内的任意两个像素在该子区域内互相连通,或者说分割得到的区域是一个连通组元。最后需要指出的是,实际应用中图像分割不仅要把一幅图像分成满足上面五个条件的各具特性的区域而且需要把其中感兴趣的目标区域提取出来,只有这样才算真正完成了图像分割的任务。

图像分割方法主要分为:基于边缘检测的图像分割方法,基于区域的图像分割方法和基于特定理论的图像分割方法。

一、基于边缘检测的图像分割方法

边缘是指其周围像素灰度有阶跃变化的像素的集合,边缘检测技术可以按照处理的顺序分为并行边缘检测和串行边缘检测。

1.1图像分割算法评价

偏差法和优度法

偏差法一般需要提供一个理想分割图像作为比较标准,依此来计算实际分割结果与理想分割图像的差别,这种差别可以是基于错误分割像素点的位置,也可以是基于错误分割的像素数等。 

优度法一般是建立在人的视觉基础上,以某些图像特征为依据来评价分割效果。优度法在没有正确分割的先验知识的情况下,仅仅根据分割图像计算某种优度量值来评价分割算法的好坏。

目前常用的有区域一致性、区域对比度、区域形状参数等

(1)区域一致性

  

 

(4)综合评价函数

由于图像信息是复杂的,有时用一种测量参数无法准确衡量分割图像的质量,将几种测量参数综合考虑,根据图像分割的目的对不同测量参数赋予不同的权值,以得到准确的评价结果。在这里采用下面的综合评价函数                
2019-05-22 11:05:52 moqisaonianqiong 阅读数 205
  • 深度学习图像处理之垃圾分类

    图像分类是图像处理领域的基本任务,同时也是深度学习领域的“Hello Word”,掌握好相关的基础知识,才能更好地开展识别、分割、去噪等更加复杂的任务。本课程将以当下最火热的垃圾分类作为主题,手把手地带领大家实现图像分类任务的完整过程。课程可以分为三个板块: (1)深度学习在图像处理领域的发展过程; (2)解析经典的卷积神经网络; (3)垃圾分类实战。本课程将使用Pytorch深度学习框架进行实战,并在ubuntu系统上进行演示,包括:不同标注文件下的数据集读取、编写卷积神经网络、训练垃圾分类数据集、测试训练网络模型、网络可视化、性能评估等。

    798 人正在学习 去看看 郭冰洋

中值滤波

利用中值滤波的方法对图像进行平滑处理,函数如下

fig_med = medfilt2(fig,[m,n]) % 对矩阵[m,n]进行中值滤波

类间方差阈值算法

利用类间方差阈值算法对滤波处理后图像进行分割处理,获取分割图像;
子函数如下所示:

function[threshold]=Ostu(fig)
s=256^2;
N=zeros(256,1);  %-----------各个灰度值出现次数
T=zeros(256,1);

for k=0:255      %-----------各个灰度值出现次数计数
    num=size(find(fig==k),1);
    N(k+1,1)=num;
end

for t=1:256
    w0=0; w1=0; u0=0; u1=0;
    
    for m=1:t
        w0=w0+N(m,1)/s;
        u0=u0+(m-1)*N(m,1)/s;
    end
    for m =t:256
        w1=w1+N(m,1)/s;
        u1=u1+(m-1)*N(m,1)/s;
    end
    u0=u0/w0;
    u1=u1/w1;
    T(t,1)=w0*w1*(u1-u0)^2;
end

threshold=find(T==max(max(T)))-1;
end

图像分割

m=3;
n=3;
fig = imread('dock.png');
fig = rgb2gray(fig);
subplot(1,3,1);
imshow(fig);
title('原图');

fig_med = medfilt2(fig,[m,n]);   %-------------中值滤波器

threshold=Ostu(fig_med);

fig_segment=fig_med;
fig_segment(fig_segment<threshold)=0;
fig_segment(fig_segment>=threshold)=255;

subplot(1,3,2);
imshow(fig_med);
title('中值滤波');

subplot(1,3,3);
imshow(fig_segment);
title('图像分割');

展示效果

笔者做了一个GUI界面,可以输入任意m,n值来改变中值滤波的效果。

原图:
Alt

效果如下:
在这里插入图片描述

2018-11-26 17:01:05 qq_40980917 阅读数 2343
  • 深度学习图像处理之垃圾分类

    图像分类是图像处理领域的基本任务,同时也是深度学习领域的“Hello Word”,掌握好相关的基础知识,才能更好地开展识别、分割、去噪等更加复杂的任务。本课程将以当下最火热的垃圾分类作为主题,手把手地带领大家实现图像分类任务的完整过程。课程可以分为三个板块: (1)深度学习在图像处理领域的发展过程; (2)解析经典的卷积神经网络; (3)垃圾分类实战。本课程将使用Pytorch深度学习框架进行实战,并在ubuntu系统上进行演示,包括:不同标注文件下的数据集读取、编写卷积神经网络、训练垃圾分类数据集、测试训练网络模型、网络可视化、性能评估等。

    798 人正在学习 去看看 郭冰洋

电子科技大学 格拉斯哥学院 2017级谭茗珊
1.背景:
医学图像分割技术的发展是一个从人工分割到半自动分割和自动分割的逐步发展过程。早期的图像分割完全是靠人工完成的。完全的人工分割方法是在原始图像上直接画出期望的边界。这种方法费时费力,分割结果完全依赖于分割者的解剖知识和经验,而且分割结果难以再现;半自动的分割方法大大减少了人为因素的影响,而且分割速度快,分割精度高,但操作者的知识和经验仍然是图像分割过程的一个重要组成部分。近年来,由于大量的新兴技术如模糊技术和人工智能技术在图像分割中的应用,图像分割领域中也涌现出一些自动的分割技术。自动分割方法能完全脱离人为干预,由计算机实现医学图像分割的全过程。由于自动分割方法的运算量较大,目前大部分的自动分割方法都是在工作站上实现的。
2.摘要:
医学图像处理中图像分割是最具挑战性和最富有挑战性的课题,结构分析,运动分析,三维可视化等一系列操作均是以准确的图像分割为基础。由于医学影像设备成像技术的特点,使得图像存在噪声,导致图像中目标物体部分边缘不清晰,给图像分割造成一定难度。通过运用ITK-SNAP软件对图像进行预处理,使用python并搭建tensorflow环境,对图像加以训练和测试,不断改进算法改进现有MRI脑肿瘤图像分割算法,利用模糊C均值算法、区域增长算法、以及结合模糊相似度理论和区域结构识别技术的分割算法实现脑肿瘤MRI图像的分割,使其能够对图像进行准确识别,定性,定量分析,结果的准确性依据分割评价体系得以判断。

3.图像分割处理
3.1非线性平滑处理
由于磁共振图像在采集过程中,有脉冲干扰,因此图像具有较强的噪声,为了消除噪声,选用非线性平滑中值滤波预处理图片;
中值滤波是一种去除噪声的非线性处理方法。其基本思想是把数字图像中一点的值在该点的一个领域中各值的中值替代。
3.2全局阈值分割
一般图像分割是基于图像二值化的基础上进行的,其目的是可减少图像的灰度分布范围,简化运算,从而大大提高分割速度。
但如遇到特殊情况,例如脑部的头骨,高密度,灰度值高,处于亮区域,而我们感兴趣的区域(肿瘤)的灰度是软组织,灰度值低,处于暗区域。而肿瘤周围的软组织也是灰度值低的暗区域,与肿瘤的区别很小。此时,原始方法已不再能分辨。所以在程序中,必须舍弃。现有的二值化自动分割函数,改为手动的全局阈值分割。通过观察,设置特定的阈值点,从而进行有效手动分割,将处于亮区域的头骨和其他组织分割开,又保留了其他组织的原有特性。将其作为预处理图像

3.3肿瘤分割
经过手动的全局阈值分割后的图片,虽然消除了头骨的部分,但由于我们感兴趣的部分(肿瘤)并没有从周围组织里面分割出来,因此还需要进一步的处理。由于肿瘤和周围的组织灰度值比较接近,我们分别选用最大方差阈值法和形态学两种方法来处理。
3.3.1最大方差阈值法分割
最大方差阈值也叫大津阈值,他是在差别域最小二乘法原理的基础上推导出来的,不管是图像的直方图有无明显的双峰,此方法都能取得很好的效果。其原理是把直方图在某一阈值处分割成为两组,当被分成的两组间的方差为最大时,决定阈值。
3.3.2形态学分割
区域生长的基本思想是将具有相似性质的像素结合起来构成区域,具体是先对每个需要分割的区域找一个种子像素作为生长起点,然后将种子像素周围区域中与种子像素有相同或相似性质的像素种子合并到种子像素所在区域中,将这些新像素当作种子像素继续进行上面的过程,直到再也没有满足条件的像素可以被包括进来,这样,一个区域就生成了。经实验显示,采用形态学进行分割之后,脑部的肿瘤可以清晰地显示出来,但与此同时一些血管同时也显示出来了。
具体的算法步骤为:
求出图像的梯度;
采用圆形结构元素执行形态学开操作运算;
进行腐蚀运算;
采用圆形结构元素执行形态学闭运算操作;
进行膨胀运算;
经过开闭运算后,图像进行重建;
将重建的图像叠加在原有图像上。

4.结论:
由于医学图像的复杂多样性和分割问题的困难性,通常针对某项任务选用合适的算法,目前没有一个分割方法能适用于不同的任务,医学图像的分割方法有很多,最常用的方法是阈值分割法和形态学分割法。但通常,直接采用普通的阈值分割和形态学分割法,很难提取到满意的目标图像。本文分别对这两种方法稍作改进,采用图像阈值法时,先进行手动的阈值分割,然后再使用最大方差阈值法,效果更好;采用形态学分割时,圆形结构元素作为种子,也得到了目标图像。因此尽管医学图像分割比较复杂,只要灵活采用图像分割方法,可以得到比较满意的分割图像。

5.参考文献
[1]李彦东.卷积神经网络研究综述
[2]田捷.医学图像与医学分析[M].
[3]陈灵娜.一种新的肝肿瘤CT图像分割方法[J]
[4]马子睿.基于数字形态学的医学图像分割研究方法[J]
[5]俞海平.MRI脑肿瘤图像分割与矩特征研究[J]

2019-03-22 20:07:54 weixin_41284599 阅读数 2062
  • 深度学习图像处理之垃圾分类

    图像分类是图像处理领域的基本任务,同时也是深度学习领域的“Hello Word”,掌握好相关的基础知识,才能更好地开展识别、分割、去噪等更加复杂的任务。本课程将以当下最火热的垃圾分类作为主题,手把手地带领大家实现图像分类任务的完整过程。课程可以分为三个板块: (1)深度学习在图像处理领域的发展过程; (2)解析经典的卷积神经网络; (3)垃圾分类实战。本课程将使用Pytorch深度学习框架进行实战,并在ubuntu系统上进行演示,包括:不同标注文件下的数据集读取、编写卷积神经网络、训练垃圾分类数据集、测试训练网络模型、网络可视化、性能评估等。

    798 人正在学习 去看看 郭冰洋

图像分割是指将图像分成若干互不重叠的子区域,使得同一个子区域内的特征具有一定相似性,不同子区域的特征呈现较为明显的差异。
在这里插入图片描述
常用方法
1.基于阈值的分割方法
2.基于边缘检测的分割方法
3.基于区域的分割方法
4.基于深度学习的分割方法

1.基于阈值的分割方法
基本思想:首先,确定一个合适的阈值T(阈值选定的好坏是此方法成败的关键);其次,将大于等于阈值的像素作为物体或背景,生成一个二值图像。
(基于图的灰度直方图)
在这里插入图片描述
在这里插入图片描述
2.基于边缘检测的分割方法
基本思想:计算局部微分算子

一阶导数:用梯度算子来计算
用途:用于检测图像中边的存在
二阶导数:通过拉普拉斯算子来计算
用途:
1)二阶导数的符号,用于确定边上的像素是在亮的一边,还是暗的一边。
2)二阶导数的零交叉点用于确定边缘的中心。
在这里插入图片描述
3、区域生长
算法实现:
1)根据图像的不同应用选择一个或一组种子,它或者是最亮或者是最暗,或者是位于点簇中间的点。
2)选择一个条件
3)从该种子开始往外扩张,首先把种子像素加入结果集合,然后不断将与集合中各像素连通,且满足条件的像素加入集合。
4)上一过程进行到不再有满足条件的新节点加入集合为止。

3.1 、区域分裂与聚合
算法实现:
1)对图像中灰度级不同的区域,均分成四个子区域
2)如果相邻的子区域所有像素的灰度级相同,则将其合并
3)反复进行上两步操作,直至不再有新的分裂与合并为止

图像分割的目的
普通分割
将不同分属不同物体的像素区域分开。 如前景与后景分割开,狗的区域与猫的区域与背景分割开。
语义分割
在普通分割的基础上,分类出每一块区域的语义(即这块区域是什么物体)。 如把画面中的所有物体都指出它们各自的类别。
实例分割
在语义分割的基础上,给每个物体编号。 如这个是该画面中的狗A,那个是画面中的狗B。

图像分割技术

阅读数 340

matlab数字图像处理——图像分割

博文 来自: weixin_43262648
没有更多推荐了,返回首页