序論：寫作是一種深度的自我表達(dá)。它要求我們深入探索自己的思想和情感，挖掘那些隱藏在內(nèi)心深處的真相，好投稿為您帶來了七篇圖像分析論文范文，愿它們成為您寫作過程中的靈感催化劑，助力您的創(chuàng)作。

篇(1)

英文名稱：Chinese Journal of Stereology and Image Analysis

主管單位：中國科學(xué)技術(shù)協(xié)會(huì)

主辦單位：中國體視學(xué)學(xué)會(huì)

出版周期：季刊

出版地址：北京市

語

種：中文

開

本：大16開

國際刊號(hào)：1007-1482

國內(nèi)刊號(hào)：11-3739/R

郵發(fā)代號(hào)：

發(fā)行范圍：國內(nèi)外統(tǒng)一發(fā)行

創(chuàng)刊時(shí)間：1996

期刊收錄：

核心期刊：

期刊榮譽(yù)：

Caj-cd規(guī)范獲獎(jiǎng)期刊

聯(lián)系方式

篇(2)

關(guān)鍵詞：憎水性；模糊邏輯；閾值分割

中圖分類號(hào)：TP311文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2012)10-2343-02

當(dāng)今社會(huì)，輸電線路中有一種不可缺少的重要設(shè)備，這就是以硅橡膠復(fù)合絕緣子為主要選擇的絕緣子。這種絕緣子在輸電、發(fā)電、變電、配電等各個(gè)環(huán)節(jié)中的應(yīng)用非常廣泛，它不僅量大面廣，而且種類繁多。硅橡膠表面不僅憎水性良好而且憎水遷移非常獨(dú)特。如果絕緣子表面一旦受潮，吸附的水分就會(huì)以不連續(xù)的并且孤立的小水珠形式性而存在，它并不會(huì)形成連續(xù)的水膜，這就大大地限制了表面泄漏的電流，從而提高了閃絡(luò)的電壓。相比于其它有機(jī)材料來說，硅橡膠是具有獨(dú)特的憎水遷移性的，也就是說硅橡膠表面被臟污后，硅橡膠能夠把自身的憎水性輕易地遷移到污穢物的表面，能讓污穢物表面也具有憎水性。為了能讓憎水性鑒定的結(jié)果體現(xiàn)出客觀性，國內(nèi)外的一些學(xué)者已做過很多研究，為了能客觀地判斷絕緣子的憎水性，他們?cè)囍褂脠D像分析法，實(shí)際上，他們確實(shí)取得了一些研究成果，但是這些方法不能很好地判決現(xiàn)場所獲污穢復(fù)合絕緣子的噴水圖像的等級(jí)效果。

因?yàn)閳D像本身存在的不確定性，使得進(jìn)行圖像分析和處理較為困難，圖像分割旨在把圖像劃分成各個(gè)特色的區(qū)域，它是一種基本的計(jì)算機(jī)視覺技術(shù)，利用圖像信息中的部分特征提取圖像中的目標(biāo)進(jìn)行技術(shù)分析，亦是進(jìn)行圖像分析與描述研究的關(guān)鍵技術(shù)之一。本質(zhì)上說，對(duì)圖像進(jìn)行分割是在其屬性的基礎(chǔ)上對(duì)圖像像素進(jìn)行分析的過程，由于圖像分割方法是面向具體問題的，故沒有通用的方法能夠?qū)D像分割進(jìn)行描述，而諸多方法中的閾值分割法是最重要的圖像分割方法之一，為此該文提出了基于二維最大模糊熵的閾值分割法對(duì)圖像分割進(jìn)行研究。

1模糊邏輯理論與圖像分割關(guān)系

1965年美國加州大學(xué)伯克利分校的自動(dòng)控制專家和數(shù)學(xué)家L.A.Zadeh教授發(fā)表的論文中正式提出集合理論，首次把模糊引入技術(shù)文獻(xiàn)中，開創(chuàng)了一數(shù)學(xué)分支。所謂模糊邏輯理論的提出就是通過模擬人的各種模糊信息處理能力來處理實(shí)際問題的理論學(xué)科，模糊技術(shù)應(yīng)用于圖像處理，因?yàn)槟：壿嫹椒ǖ囊耄淖兞巳藗儗?duì)事物特征單純的版面的描述，使其參客體信息的表達(dá)更加合理，目標(biāo)信息的利用更加充分，也將模糊問題轉(zhuǎn)化為確定性或者更加適合于計(jì)算機(jī)處理的問題，因此得到了廣泛的應(yīng)用。

基于模糊邏輯理論的圖像分割技術(shù)，通常也簡稱之為圖像的模糊分割技術(shù)，就是用模糊概念來描述圖像的性質(zhì)、特征和關(guān)系，用模糊集合與系統(tǒng)理論來理解、表示和處理分割過程的圖像處理方法。一幅圖像中往往包含灰度、空間結(jié)構(gòu)等相關(guān)信息，這些信息是與具體的視覺和觀察者相關(guān)的，而這些信息是取決于先驗(yàn)知識(shí)和經(jīng)驗(yàn)，在多數(shù)情況下是復(fù)雜的，不能夠用經(jīng)典的精確的數(shù)學(xué)語言來描述的，所以這些信息一般是具有較強(qiáng)的模糊信息特性的。在圖像分割的理論中，如何選取圖像信息以及如何利用圖像信息是實(shí)現(xiàn)分割的關(guān)鍵所在，在圖像處理的過程中，由于模糊處理的信宿是人，所以在認(rèn)識(shí)和處理圖像的過程中，應(yīng)當(dāng)對(duì)人的視覺特性以及圖像本身所具有的特點(diǎn)進(jìn)行充分考慮。圖像本身具有模糊性，即存在許多不精確性和不確定性，這是由于圖像在成像過程中是多對(duì)一的映射過程所決定的。這種不精確性和不確定性主要是體現(xiàn)在幾何形狀的不確定性、圖像灰度的不確定性以及不確定性知識(shí)等形式，L.A.Zadeh教授提出用模糊理論來對(duì)這種不精確性和不確定性進(jìn)行研究，從而提供了有效的處理技術(shù)來對(duì)智能信息進(jìn)行處理。很多專家學(xué)者近幾年來都致力于把模糊理論應(yīng)用到圖像處理中，并且取得了一些良好的效果。

2圖像分割的數(shù)學(xué)描述

從數(shù)學(xué)角度，圖像分割是按選定的一致性屬性準(zhǔn)則P，將圖像I正確地劃分為互不交迭的區(qū)域非空子集S1,S2,....Sr，的過程。正確的區(qū)域劃分必須滿足下列四個(gè)條件:

(1)I=∪

3基于二維最大模糊熵的閾值分割法

識(shí)別絕緣表面噴水圖像中的水珠（水跡）極為困難，主要因?yàn)榻^緣子的目標(biāo)與背景之間的灰度差非常小，灰度差極小是由水珠的透明性和絕緣子所處環(huán)境的復(fù)雜性所導(dǎo)致的，還有一個(gè)重要的原因是水對(duì)光的反射以致于對(duì)光一側(cè)的邊界極為模糊，為了達(dá)到好的識(shí)別效果，必須選用好的圖像增強(qiáng)和圖像濾波方法。基于模糊邏輯的濾波的思想是對(duì)憎水性圖像進(jìn)行圖像濾波時(shí)應(yīng)用模糊知識(shí)，在此基礎(chǔ)上建立適當(dāng)?shù)仉`屬函數(shù)，從而達(dá)到增強(qiáng)邊緣與去除噪聲的雙重效果。該文提出的算法是以圖像的模糊熵為依據(jù)，選取閾值的依據(jù)是最大熵原則，由于對(duì)模糊集的判斷的標(biāo)準(zhǔn)各式各樣，為了減少這種主觀性的誤差，引入錄入模糊熵的概念。

熵是用在信息論中進(jìn)行描述概率分布的不確定性程度的一個(gè)重要的概念。將熵理論和模糊集理論進(jìn)行結(jié)合，就可以得到模糊熵。顧名思義，用以描述一個(gè)模糊集的模糊程度叫做模糊熵。根據(jù)信息論，熵的定義為：H(x)=-∫-∞

p(x)lgp(x)dx

所謂灰度的一維熵最大，就是選擇一個(gè)閾值，使圖像用這個(gè)閾值分割出的兩部分的一階灰度統(tǒng)計(jì)的信息量最大。設(shè)nk為數(shù)字圖像中灰度級(jí)k的象素點(diǎn)數(shù)，pk為灰度級(jí)k出現(xiàn)的概率，則pk=nk/(N×N), k=1,2…L

圖像灰度直方圖如下圖1所示：圖1圖像灰度直方圖

O區(qū)概率分布為：pi/pt i =1,2…t

B區(qū)概率分布為：pi/(1-pt) i =t+ 1,t+2…L

其中：pt=∑i=1tpi

選取灰度圖像中4鄰域的4個(gè)像素點(diǎn)為研究區(qū)域，計(jì)算區(qū)域灰度均值，如此則對(duì)應(yīng)于各像素點(diǎn)，設(shè)nij分別為N個(gè)灰度級(jí)的圖像的灰度為i的點(diǎn)以及所選區(qū)域中灰度均值為j的像素點(diǎn)的數(shù)量，而pij為點(diǎn)灰度區(qū)域灰度均值對(duì)應(yīng)的（i,j）所發(fā)生的概率，則有

pij=nij/(N×N)，

{pi,j}就定位是該圖像中關(guān)于點(diǎn)灰度-區(qū)域的灰度均值所得的二維直方圖。

假設(shè)一大小為M×N的憎水性灰度圖像R，像素（x,y)的灰度值用R(x,y)來表示，區(qū)間為[0,N-1]，令：

pk=

其中，nk代表的是灰度值為k的像素的數(shù)量，設(shè)定合適的閾值門限，閾值的選取時(shí)閾值分割技術(shù)是關(guān)鍵，如果過高則過多的目標(biāo)點(diǎn)會(huì)被誤歸為背景；如果閾值過低則會(huì)出現(xiàn)相反的情況，誤成為目標(biāo)。要成功地將圖像分為背景和目標(biāo)兩大類，就必須找到適當(dāng)?shù)拈撝担迷撻撝稻涂梢院芎玫貙?duì)圖像進(jìn)行分割，大于閾值的像素值為目標(biāo)，少于閾值的像素值為背景。

4實(shí)驗(yàn)結(jié)果與分析

用該文的算法進(jìn)行圖像分割，該文采用了水珠的憎水性圖像進(jìn)行了實(shí)驗(yàn)測試，對(duì)HC1的低昂性的憎水性圖像進(jìn)行圖像分割的處理，結(jié)果表明，對(duì)憎水性圖像進(jìn)行基于二維最大模糊熵的圖像分割不僅可以很好地改善圖像的灰度分布，還能有明顯地圖像增強(qiáng)效果。基于二維最大模糊熵的圖像分割相對(duì)經(jīng)典的圖像分割算法來說，可以更準(zhǔn)確地提取出水珠的形狀信息，利用模糊濾波可以去除一些噪聲，將更方便于的圖像的邊緣檢測。采用該文算法能夠?qū)⒃魉缘燃?jí)判決的準(zhǔn)確率提高，且采用預(yù)處理方法對(duì)憎水性圖像進(jìn)行預(yù)處理，不僅可以對(duì)圖像進(jìn)行簡單地去噪，而且能夠?qū)⒃魉缘燃?jí)判決的準(zhǔn)確率提高，實(shí)驗(yàn)仿真結(jié)果如圖所示。

5結(jié)束語

根據(jù)憎水性圖像的特點(diǎn)，該文采用了基于二維最大模糊熵閾值分割法對(duì)現(xiàn)有的憎水性圖像進(jìn)行試驗(yàn)性分割，實(shí)驗(yàn)仿真結(jié)果表明該方法對(duì)圖像進(jìn)行分割后可以使圖像更加清晰，同時(shí)也可以提高評(píng)定憎水性圖像等級(jí)的準(zhǔn)確率。

參考文獻(xiàn):

[1] Wei Zhang,qun li.An improved adaptive threshold image denoising algorithm based on wavelet[J].IEEE Transaction on image processing,

2002,35(19):1623-1629.

[2].周彬,孫毅,祁兵.硅橡膠復(fù)合絕緣子憎水性圖像分割算法[J].安徽電氣工程職業(yè)技術(shù)學(xué)院學(xué)報(bào),2008（1）。

[3].婁聯(lián)堂,甘霞,林均.基于圖像分析絕緣子憎水性分級(jí)系統(tǒng)[J].鄂州大學(xué)學(xué)報(bào),2007,(05).

[4].Sendur L, Selesnick I W. Bivariate shrinkage with local variance estimation.IEEE Signal Process. Lett, 2002, 9(12): 438-441.

[5].祁兵,唐良瑞,趙春輝.絕緣子憎水性圖像水珠/水跡形狀提取算法[J].電工技術(shù)學(xué)報(bào),2008（6）。

篇(3)

醫(yī)學(xué)工程由于其學(xué)科的高度綜合交叉性，對(duì)學(xué)生創(chuàng)新能力的培養(yǎng)相對(duì)其它學(xué)科更為重要，也更具有探索性。關(guān)于醫(yī)學(xué)工程學(xué)生創(chuàng)新能力培養(yǎng)的論文已有很多[3-6]，他們都從不同的角度闡述了醫(yī)學(xué)工程學(xué)生創(chuàng)新能力培養(yǎng)的途徑、方法與模式。具體從某一學(xué)術(shù)領(lǐng)域研究對(duì)醫(yī)學(xué)工程創(chuàng)新能力培養(yǎng)的文章還鮮見于文獻(xiàn)，本文嘗試從圖像分割領(lǐng)域入手，首先概述圖像分割的概念和基本算法，接著闡述圖像分割在醫(yī)學(xué)工程領(lǐng)域中的重要作用，最后結(jié)合實(shí)際應(yīng)用重點(diǎn)研討醫(yī)學(xué)工程學(xué)生的創(chuàng)新能力培養(yǎng)。

1圖像分割及其基本算法

圖像分割是一種重要的圖像分析技術(shù)。在對(duì)圖像的研究和應(yīng)用中，人們往往僅對(duì)圖像中的某些部分感興趣，這些部分常稱為目標(biāo)或前景，而其他部分稱為背景，前景一般對(duì)應(yīng)圖像定的、具有獨(dú)特性質(zhì)的區(qū)域。為了辨識(shí)和分析圖像中的目標(biāo)，需要將它們從圖像中分離提取出來，在此基礎(chǔ)上才有可能進(jìn)一步對(duì)目標(biāo)進(jìn)行測量和對(duì)圖像進(jìn)行處理。簡而言之，圖像分割就是指根據(jù)某種均勻性或一致性的原則將圖像分成若干個(gè)有意義的部分，使得每一部分都符合某種一致性的要求，而任意兩個(gè)相鄰部分的合并都會(huì)破壞這種一致性。圖像的分割在很多情況下可以歸結(jié)為圖像像素點(diǎn)的分類問題[7]。目前應(yīng)用較多的圖像分割方法主要有兩種：基于區(qū)域的圖像分割方法和基于邊緣檢測的圖像分割方法。前者通過檢測同一區(qū)域內(nèi)的均勻性是否一致來將圖像中的不同區(qū)域識(shí)別出來，主要包括閾值分割法、區(qū)域生長法、聚類分割法以及基于隨機(jī)場的方法等。基于邊緣檢測的分割法是通過邊緣檢測技術(shù)把不同區(qū)域分割開來，常用的方法包括微分算子法、形態(tài)學(xué)梯度法、曲面擬合法、邊界曲線擬合法，以及串行邊界查找等[8]。這些分割方法都有自己的優(yōu)點(diǎn)和缺點(diǎn)，以及不同的應(yīng)用范圍。經(jīng)過對(duì)這些算法的改進(jìn)以及重新組合，也有人提出了新的算法，盡管這些新的算法對(duì)一些圖像的分割能夠取得好的效果。但對(duì)于背景復(fù)雜的弱邊界醫(yī)學(xué)圖像分割效果不佳。近十年以來，針對(duì)傳統(tǒng)圖像分割方法的局限性，研究重點(diǎn)逐漸放在基于偏微分方程、借助曲線演化模型等數(shù)學(xué)建模方法的圖像分割，其中最具有代表性的就是水平集方法和活動(dòng)輪廓模型[9]。盡管這類方法的分割效果與參數(shù)的選擇有關(guān)，但具有一定的規(guī)律，且只要參數(shù)選擇合理，對(duì)于邊界模糊、對(duì)比度低的醫(yī)學(xué)圖像分割，亦可達(dá)到理想的分割效果[10]。

2圖像分割在醫(yī)學(xué)工程中的重要作用

隨著醫(yī)學(xué)成像在臨床診斷和治療上的作用越來越顯著，醫(yī)學(xué)圖像分割就成為醫(yī)學(xué)圖像分析領(lǐng)域的一個(gè)重要的研究課題。由于手工分割很耗時(shí)，且主觀性強(qiáng)，因此，尋求在計(jì)算機(jī)的幫助下，從CT、MRI、PET以及其它模式醫(yī)學(xué)圖像中提取有關(guān)解剖結(jié)構(gòu)的有用診斷信息成了我們的任務(wù)。盡管現(xiàn)代成像設(shè)備提供了對(duì)內(nèi)部解剖結(jié)構(gòu)的優(yōu)越的觀察條件，使用計(jì)算機(jī)技術(shù)對(duì)內(nèi)部解剖結(jié)構(gòu)進(jìn)行精確而有效的量化和分析仍然是有限的。醫(yī)學(xué)圖像分割可以提取出準(zhǔn)確的、可重復(fù)的、量化的病理生理數(shù)據(jù)，滿足不同的生物醫(yī)學(xué)研究和臨床應(yīng)用的需要。醫(yī)學(xué)圖像分割的目的是通過提取描述對(duì)象的特征，把感興趣對(duì)象從周圍環(huán)境中分離出來，分析和計(jì)算分割對(duì)象的解剖、病理、生理、物理等方面的信息。圖像分割過程是對(duì)醫(yī)學(xué)圖像進(jìn)行對(duì)象提取、三維重建、體積顯示、圖像配準(zhǔn)、臨床診斷、病理分析、手術(shù)計(jì)劃、治療方案、療效評(píng)估、影像信息處理、計(jì)算機(jī)輔助診斷等處理的一個(gè)必不可少的步驟。醫(yī)學(xué)臨床實(shí)踐和研究經(jīng)常需要對(duì)人體某種組織和器官的形狀、邊界、截面面積以及體積進(jìn)行測量，從而得出該組織病理或功能方面的重要信息。精確的測量對(duì)疾病的診斷和治療有重要的臨床意義。在一段時(shí)間內(nèi)多次測量同一種與某種疾病相關(guān)的組織的體積，可以得到病情發(fā)展的信息或用作治療效果的監(jiān)測手段[9]。如腫瘤學(xué)的臨床研究經(jīng)常用腫瘤收縮的程度和時(shí)間來評(píng)估治療效果，將腫瘤大小的精確量化數(shù)值作為療效的測度；肝臟移植供體與受體的肝臟體積測量與脈管分析是肝臟移植術(shù)前最重要的預(yù)評(píng)估工作；視網(wǎng)膜血管的形狀、寬度、扭曲以及分叉等結(jié)構(gòu)特征的變化可以直接反映各種眼科疾病對(duì)血管網(wǎng)絡(luò)形態(tài)結(jié)構(gòu)的影響，這些特征的變化對(duì)某些眼底疾病的早期診斷有重要的意義[11]等等，這些都與圖像分割及其準(zhǔn)確程度密切相關(guān)。此外，不同模式醫(yī)學(xué)圖像間的配準(zhǔn)、血液細(xì)胞的識(shí)別和分類、血管造影圖像中冠狀動(dòng)脈邊緣的監(jiān)測、乳腺片中微鈣化點(diǎn)的檢測、放化治療、神經(jīng)外科手術(shù)的計(jì)劃與圖像引導(dǎo)的手術(shù)等也都要求對(duì)組織成分的位置和大小精確定位和計(jì)算。對(duì)人體各種組織的正確分類不僅可以為臨床組織病變提供計(jì)算機(jī)輔助診斷依據(jù)，而且也是圖像三維重建和醫(yī)學(xué)圖像可視化的基礎(chǔ)。由于人體解剖的個(gè)體差異較大，臨床應(yīng)用對(duì)醫(yī)學(xué)圖像分割的準(zhǔn)確度和分類算法的速度要求又較高，目前雖然已有多種分割算法，但是遠(yuǎn)未達(dá)到完善。因此，醫(yī)學(xué)圖像分割領(lǐng)域的研究仍然是當(dāng)前醫(yī)學(xué)圖像處理和分析的熱點(diǎn)。

3圖像分割與醫(yī)學(xué)工程學(xué)生創(chuàng)新能力培養(yǎng)

圖像分割實(shí)踐是培養(yǎng)醫(yī)學(xué)工程學(xué)生創(chuàng)新能力非常有效的途徑。首先，由于醫(yī)學(xué)圖像實(shí)際獲取設(shè)備與條件的不同，引起測量上的不精確性和不確定性，造成醫(yī)學(xué)圖像數(shù)據(jù)非常復(fù)雜，這給醫(yī)學(xué)圖像分割帶來了極大的挑戰(zhàn)。其次，圖像分割方法靈活多樣，能否熟練地、有針對(duì)性地應(yīng)用這些方法解決醫(yī)學(xué)圖像分割領(lǐng)域的具體問題，是檢查學(xué)生創(chuàng)新能力的非常有效的辦法。第三，圖像分割要求學(xué)生具有扎實(shí)的數(shù)學(xué)基礎(chǔ)，熟練的編程能力以及知識(shí)的綜合應(yīng)用能力。現(xiàn)在的醫(yī)學(xué)成像設(shè)備，如CT、MRT成像設(shè)備，它們自帶的分割軟件一般使用閾值分割的方法，盡管這些設(shè)備尤其是國外設(shè)備使用閾值分割的精度很高，但因閾值分割只是簡單地根據(jù)圖像的灰度值進(jìn)行分類，因此，這一方法對(duì)于具有復(fù)雜背景、形狀不規(guī)則的醫(yī)學(xué)圖像分割來說，具有自身的缺點(diǎn)。如對(duì)于肝臟CT圖像的分割與三維重建，由于肝臟與周圍器官的弱邊界問題，單獨(dú)應(yīng)用閾值分割是很難解決問題的，因此，我們就要激發(fā)學(xué)生的創(chuàng)新思維，從模糊聚類、區(qū)域增長、數(shù)學(xué)形態(tài)學(xué)、水平集方法等角度加以思考。盡管如此，自動(dòng)地分割某一個(gè)人的肝臟CT序列圖像，也會(huì)遇到困難，這是因?yàn)?1)肝臟相鄰器官或組織如腔靜脈、肌肉等的灰度值與肝臟很相近；(2)由于造影劑影響、CT設(shè)備不同模態(tài)的設(shè)定對(duì)不同供體的肝臟和其它組織呈現(xiàn)出不同的灰度值，甚至同一供體不同切片都會(huì)如此；(3)CT圖像不同切片的解剖結(jié)構(gòu)不同，不同供體的肝臟形狀差異顯著，甚至?xí)霈F(xiàn)兩三個(gè)分散的肝臟區(qū)域出現(xiàn)在同一個(gè)切片中；(4)肝臟形狀是不規(guī)則的，它們延伸至腹部左側(cè)與脾臟相連，由于這兩個(gè)器官的灰度值范圍幾乎相同，即便人眼觀察，也無法確定二者邊界，因此，由于檢測不到脾臟和肝臟的邊界，一般算法無法完成分割。因此，我們可以啟發(fā)學(xué)生應(yīng)用神經(jīng)網(wǎng)絡(luò)的智能分割方法，根據(jù)上一切片的分割結(jié)果自動(dòng)分割同一序列的下一切片圖像，這樣又會(huì)涉及到如何將肝臟的灰度信息、分塊信息，以及相鄰切片間的空間信息融合到一起，也就是說，如何構(gòu)造神經(jīng)網(wǎng)絡(luò)的特征向量[12]。在肝臟分割的過程中，還會(huì)涉及到肋脊椎骨與腎臟的分割，這些器官如果單純根據(jù)圖像分割的方法是很難解決問題的，必須借助于醫(yī)學(xué)解剖學(xué)知識(shí)，如對(duì)稱性、連續(xù)性等[13、14]。再如，對(duì)于醫(yī)生非常感興趣的肝靜脈與肝門靜脈的分割與三維重建，由于注射造影劑后它們的灰度與周圍的的肝臟區(qū)別明顯，因此，采用閾值分割的方法就很容易得到所需的結(jié)果，但由于這兩種血管灰度一致，因此，使用醫(yī)院CT設(shè)備自帶的軟件三維重建后，它們是交織在一起的，這就不便于醫(yī)生觀察，甚至?xí)l(fā)生混淆，這個(gè)時(shí)候就要啟迪學(xué)生的醫(yī)學(xué)知識(shí)應(yīng)用能力，結(jié)合解剖學(xué)知識(shí)并應(yīng)用圖像分割方法解決這個(gè)問題。另外，通過對(duì)肝臟圖像的分割，學(xué)生還可以進(jìn)一步將這些知識(shí)和理論應(yīng)用到非醫(yī)學(xué)圖像領(lǐng)域的分割。如結(jié)合單閾值分割，可以引導(dǎo)學(xué)生進(jìn)行多閾值分割，并提出改進(jìn)的方法[15]；結(jié)合CV模型與LBF模型，可以引導(dǎo)學(xué)生通過高斯核函數(shù)改進(jìn)CV模型圖像擬合函數(shù)，得到加權(quán)形式的能檢測局部區(qū)域灰度不均勻的函數(shù)；并針對(duì)當(dāng)CV模型在低對(duì)比度圖像中檢測不同灰度目標(biāo)時(shí)出現(xiàn)的誤分割情況，提出一項(xiàng)全局約束函數(shù)，用于調(diào)控曲線在運(yùn)動(dòng)中兼顧檢測梯度幅值不為零的點(diǎn)，并將改善的方法用于復(fù)雜的紋理圖像分割[16]。

綜上所述，對(duì)于學(xué)生的創(chuàng)新能力培養(yǎng)，我們?nèi)绻芙Y(jié)合實(shí)際應(yīng)用就能挖掘?qū)W生的潛能，開闊學(xué)生的視野，激發(fā)學(xué)生的學(xué)習(xí)熱情，還可以提高學(xué)生理論與實(shí)踐相結(jié)合的能力。在以上肝臟CT圖像的分割例子中，可以看出，學(xué)生不僅需要一定的醫(yī)學(xué)知識(shí)與醫(yī)學(xué)影像基礎(chǔ)，還需要一定的圖像處理理論與智能模式識(shí)別理論，如模糊聚類、水平集方法、區(qū)域增長、數(shù)學(xué)形態(tài)學(xué)[17]、神經(jīng)網(wǎng)絡(luò)等，而且，更重要的是，通過肝臟分割這一簡單的課題可以引申出一系列相關(guān)的課題，這些課題不僅具有內(nèi)在的聯(lián)系，也是相對(duì)獨(dú)立的，而且層層深入，要求學(xué)生不僅要知識(shí)全面，尤其要能靈活運(yùn)用，融會(huì)貫通。這對(duì)于學(xué)生的創(chuàng)新能力培養(yǎng)具有極大的價(jià)值，我們課題組的學(xué)生也通過這條途徑，結(jié)合國家級(jí)、省級(jí)與校級(jí)的創(chuàng)新課題，學(xué)到了很多書本上學(xué)不到的知識(shí)，包括他們的團(tuán)隊(duì)協(xié)作能力和科研能力的提高，還發(fā)表了相應(yīng)的學(xué)術(shù)論文[10,12-17]。

再比如，對(duì)于視網(wǎng)膜血管圖像的分割，現(xiàn)在的文獻(xiàn)中已有很多方法，包括傳統(tǒng)的Gabor小波方法，匹配濾波(MatchedFilter,MF)方法以及它的改進(jìn)算法，基于知識(shí)引導(dǎo)的自適應(yīng)閾值分割方法等等，盡管這些方法都比較新穎，也能取得較好的分割結(jié)果，但都對(duì)視網(wǎng)膜中微小血管的分割無能為力。如果能夠引導(dǎo)學(xué)生先對(duì)圖像進(jìn)行直方圖增強(qiáng)，再經(jīng)過二維Gabor小波的平滑處理，學(xué)生就會(huì)發(fā)現(xiàn)被“隱藏”的微小血管得到了呈現(xiàn)。由于水平集方法對(duì)較粗血管分割的優(yōu)勢，以及區(qū)域增長方法對(duì)微小血管分割的優(yōu)勢，學(xué)生自然就會(huì)找到最終的分割方法。盡管方法比較傳統(tǒng)，但效果比其他方法都好，這樣不僅加深了學(xué)生對(duì)以上各種圖像分割算法的進(jìn)一步認(rèn)識(shí)，更大大激發(fā)了學(xué)生的科研熱情，提高了學(xué)生的創(chuàng)新能力。還有，圖像分割往往離不開對(duì)分割結(jié)果的比較與評(píng)價(jià)，高水平學(xué)術(shù)論文中，分割結(jié)果的比較與評(píng)價(jià)往往是一件很重要的事情，也是一件比較困難的事情，并且一般占了大量的篇幅，因此，在圖像分割的學(xué)習(xí)與實(shí)踐中，有意識(shí)地培養(yǎng)學(xué)生這方面的能力，也是值得重視的。這不僅要求學(xué)生有一定的圖像分割知識(shí)積累，敏銳的思維，扎實(shí)的數(shù)學(xué)基礎(chǔ)，嫻熟的編程能力，更要有圖像分割結(jié)果評(píng)估這方面的意識(shí)，而且這往往是我們中國學(xué)生最容易忽視的，他們往往認(rèn)為只要分割結(jié)果出來就完成任務(wù)而不去關(guān)注。

譬如，上面所提及的視網(wǎng)膜血管分割，因?yàn)橐延械姆椒ê臀覀兏倪M(jìn)的方法相比，往往相差無幾，甚至肉眼難以觀察，如果不加以定量比較，往往很難體現(xiàn)算法的優(yōu)勢，或者沒有足夠的說服力，因此，這也是學(xué)生創(chuàng)新能力培養(yǎng)的一個(gè)重要領(lǐng)域，我們應(yīng)該加以高度重視。值得一提的是，現(xiàn)在很多學(xué)生看了國際期刊上發(fā)表的醫(yī)學(xué)圖像分割領(lǐng)域的高水平論文之后，一般只關(guān)注它的算法和結(jié)果，甚至感慨論文水平并不怎么樣，為什么別人能發(fā)表，而自己卻不能發(fā)表。熟不知，別人論文的組織水平，知識(shí)體系的全面性，展開討論與結(jié)果評(píng)價(jià)的深入性往往比我們高出一籌。因此，對(duì)學(xué)生創(chuàng)新能力的培養(yǎng)應(yīng)該是全方位的、多領(lǐng)域的，不僅要有意識(shí)地引導(dǎo)學(xué)生深入思考，也要注重對(duì)國內(nèi)外優(yōu)秀成果與經(jīng)驗(yàn)的吸收借鑒。

篇(4)

關(guān)鍵詞：結(jié)構(gòu)化局部邊緣模式；文檔圖像；模式分類

目前，文檔圖像具有很多種模式形態(tài)，其分類方法也多種多樣。在過去，人們比較常用的分類方法是光學(xué)字符識(shí)別系統(tǒng)，該系統(tǒng)主要根據(jù)文本特征、結(jié)構(gòu)特征、混合特征三種方法對(duì)文檔進(jìn)行識(shí)別分類，但是該分類方法的分類速度比較慢，對(duì)所處理圖像解析度的要求比較高。因此，該方法逐漸被結(jié)構(gòu)化局部邊緣模式分類方法所替代。

1 結(jié)構(gòu)化局部邊緣模式下處理圖像分類的預(yù)備知識(shí)

文本管理工作主要包括：壓縮、管理、歸檔、文本分析等，在進(jìn)行文檔工作處理的時(shí)候，相對(duì)準(zhǔn)確的文檔類型信息能夠有效的提高文本檢索的速度以及工作人員的工作效率。文檔具有多種模式形態(tài)，每種形態(tài)都有自己的獨(dú)特性以及形態(tài)之間的相似性。結(jié)構(gòu)化局部邊緣模式的使用，不僅可以實(shí)現(xiàn)對(duì)圖像分割模式的自由調(diào)節(jié)，還能夠有效的提高文檔圖像特征提取的準(zhǔn)確性，在使用結(jié)構(gòu)化局部邊緣模式進(jìn)行文檔圖像特征提取的時(shí)候，采用的是圖像區(qū)塊之間重疊的方法，通過這種方式有效的確保圖像分割區(qū)域特征本身的連貫型性。

2 采用結(jié)構(gòu)化局部邊緣模式下，文檔圖像分類特征的提取

本文在對(duì)結(jié)構(gòu)化局部邊緣模式下文檔圖像分類處理的研究中，進(jìn)行分類對(duì)比采用的是HOG。結(jié)構(gòu)化局部邊緣系統(tǒng)通過LEP特征，根據(jù)圖像像素鄰域的邊緣方向進(jìn)行了相關(guān)的編碼。文檔圖像本身特征就比較明顯，例如影像圖片的像素?cái)?shù)值變化比較大；一般學(xué)術(shù)論文的格式比較規(guī)整且字?jǐn)?shù)比較多；灰度圖像之相似性比較大，沒有明顯的規(guī)律可循；表格文件的特征性比較明顯，橫線和豎線比較多；PPT幻燈片的圖像、文字等變化性比較明顯，但是在排版方面具有一定的規(guī)律可以遵循，為了方便結(jié)構(gòu)化局部邊緣模式在處理文檔圖像方面的研究工作，上述幾種圖像類型的邊緣信息都比較明顯。

3 結(jié)構(gòu)化局部邊緣模式和HOG的主要特征

3.1 模式分類框架

文中在進(jìn)行結(jié)構(gòu)化局部邊緣模式下，文檔圖像的分類處理研究中，還沒有形成一一個(gè)完整通用的基準(zhǔn)數(shù)據(jù)庫進(jìn)行相關(guān)的實(shí)驗(yàn)研究，并且受其它因素的限制也比較明顯。所以，本文在進(jìn)行處理研究的時(shí)候，通過綜合對(duì)比研究選取了含有5000張圖像并具有四種文檔圖像類別，每種類型都包含1250張圖像，類型包括：影像圖片、學(xué)術(shù)論文、PPT幻燈影片以及含有表格的文件。另外，在進(jìn)行文檔圖像處理研究時(shí)，圖片都是隨機(jī)獲取的。

3.2 結(jié)構(gòu)化局部邊緣模式的特征描述

結(jié)構(gòu)化局部邊緣模式主要是利用計(jì)算機(jī)模擬技術(shù)對(duì)對(duì)視覺、圖像等進(jìn)行處理，在使用的過程中，根據(jù)圖片中重復(fù)出現(xiàn)的不同pixel，并將其按照不同的方向延伸成九宮格的形狀作為參考的重點(diǎn)。在模式計(jì)算的過程中，首先要獲取到原始的邊緣圖像，并建立一個(gè)3*3的鄰域窗口，在這一過程中，文本會(huì)被分為比較小的空間區(qū)塊，其計(jì)算方式為：結(jié)構(gòu)化局部邊緣模式（SLEP）=Ni/N，i=0，1，2，…31，其中結(jié)構(gòu)化邊緣模式的變化范圍是在0到31之間，Ni中的i代表的是pixel的數(shù)目，n代表的是piexl的總數(shù)目。

3.3 HOG的特征描述

HOG特征是目前人們比較常用的圖像特征提取方法，該方法在計(jì)算的時(shí)候選取的是320*256的圖像區(qū)域，在此基礎(chǔ)上，把區(qū)塊的大小劃分為32*32，其中九宮格的大小為16*16，將九宮格的每一格作為最基本地計(jì)算單元，然后進(jìn)行相關(guān)的串聯(lián)計(jì)算。方法步驟如下。第一，可以對(duì)圖像進(jìn)行卷積處理，目的是了解圖像中像素的梯度以及方向變化，一般將范圍值控制在[-1，0，1]或者是[1，0，-1]。第二，對(duì)每個(gè)格子進(jìn)行量化處理，角度量化的范圍值是[0，180]，然后根據(jù)每個(gè)像素的模建立九維方向角直方圖。第三，把區(qū)塊內(nèi)部各格子之間的直方圖進(jìn)行串聯(lián)處理，然后組成36維直方圖的特征向量。第四，把所有的特征向量串聯(lián)在一起，就會(huì)形成最后的直方圖特征向量。

4 結(jié)構(gòu)化局部邊緣模式的處理分析

在對(duì)上述四種類型的圖像特征進(jìn)行信息提取研究以后，了解到在進(jìn)行圖像分析的過程中，圖像的解析度分別為：80*64，160*128，這組數(shù)據(jù)說明和HOG相比，結(jié)構(gòu)化局部邊緣模式在運(yùn)用過程中性能效果比較好，分辨率也比較高。這說明結(jié)構(gòu)化局部邊緣系統(tǒng)在不適用OCR系統(tǒng)的條件下，也具有高質(zhì)量的文檔圖像分辨率。當(dāng)圖像大小為80*64，文檔圖像的類別為影像照片以及規(guī)范化的學(xué)術(shù)論文的時(shí)候，SLEP測試效果要比HOG高0.1到1.6個(gè)百分點(diǎn)，但是當(dāng)進(jìn)行表格文件處理的時(shí)候，百分點(diǎn)就會(huì)比HOG的百分點(diǎn)低，當(dāng)進(jìn)行PPT幻燈片測試的時(shí)候，百分點(diǎn)又會(huì)比HOG高，這表明，結(jié)構(gòu)化局部邊緣模式在文檔圖像處理的時(shí)候，使用整體效能比較高。當(dāng)圖像大小逐漸變大的時(shí)候，除表格文件的測試百分點(diǎn)比較低之外，其余也呈現(xiàn)逐漸增高的現(xiàn)象。上述研究表明，當(dāng)圖像文檔比較混亂的時(shí)候，梯度方向呈現(xiàn)混亂的狀態(tài)，進(jìn)行文檔圖像、影片特征分類會(huì)比較方便，但是在進(jìn)行表格文檔處理的時(shí)候，使用HOG取得的效果會(huì)更加的明顯。

[參考文獻(xiàn)]

篇(5)

論文摘要：目的：探討早期腦缺血病變?cè)诜窃鰪?qiáng)CT掃描的成像表現(xiàn)。方法：采用回顧性分析的方法，對(duì)21例發(fā)病時(shí)間小于24h，臨床懷疑有早期腦缺血，經(jīng)過CT灌注掃描、CT和MRI隨訪檢查確診為腦缺血的患者，利用AlbertaStrokeProgramEarlyCTScore(ASPECTS)評(píng)分標(biāo)準(zhǔn)分析其非增強(qiáng)CT(NoncontrastCT,NCCT)的影像學(xué)表現(xiàn)特征，和CT灌注掃描以及CT和MRI隨訪結(jié)果對(duì)比，研究CT平掃在早期腦缺血診斷中的作用。結(jié)果：21例經(jīng)過CTP和（或）MRI隨訪檢查確診為早期腦缺血患者中，缺血核區(qū)CBF和CBV均較正常腦組織明顯下降（P<0.05)。經(jīng)NCCT掃描發(fā)現(xiàn)腦缺血病變的患者11例，其中8例主要表現(xiàn)為患側(cè)密度降低，3例主要表現(xiàn)為患側(cè)腦組織水腫、腦溝變淺，ASPECTS評(píng)分分析的26個(gè)異常區(qū)域中，有19個(gè)區(qū)域表現(xiàn)為密度降低，7個(gè)表現(xiàn)為腦組織腫脹。結(jié)論：早期腦缺血患者中，NCCT所見的低密度區(qū)大致和缺血核區(qū)域相符，腦組織腫脹區(qū)域大致和半暗帶區(qū)相符。雖然平掃CT不能準(zhǔn)確判斷半暗帶和缺血核區(qū)，但是對(duì)早期腦缺血性疾病能提供很多有用的信息。

急性缺血性腦血管病占腦卒中患者的50%～80%，致殘和致死率高，成功的治療取決于能否在早期及時(shí)診斷和治療，建立再灌注，搶救半暗帶腦組織。目前公認(rèn)的治療方法是早期溶栓治療，由于受到3h治療時(shí)間窗的限制，早期診斷對(duì)治療有決定性的意義。隨著CT和MRI灌注技術(shù)以及PET技術(shù)的發(fā)展，對(duì)早期腦缺血的診斷提供了非常有用的影像學(xué)診斷手段，由于CT灌注掃描(CTPerfusion,CTP)可以分析腦血流情況，顯示腦血流發(fā)生改變的區(qū)域，CTP掃描越來越多的應(yīng)用于臨床腦缺血疾病的早期診斷。目前早期腦缺血患者的首選影像學(xué)檢查仍然為非增強(qiáng)CT(NoncontrastCT,NCCT)掃描［1］，并且由于各種條件的限制，有一些患者不適合行CTP和MRI檢查，NCCT可能是唯一的影像學(xué)檢查方法，因此研究NCCT表現(xiàn)特點(diǎn)對(duì)臨床腦缺血性疾病的診斷有重要的價(jià)值。本研究通過CTP和MRI掃描，回顧性分析NCCT的表現(xiàn)特點(diǎn)，提高早期NCCT診斷的水平。

1資料與方法

1.1病例選擇

選擇21例根據(jù)臨床表現(xiàn)懷疑腦缺血的患者，主要臨床表現(xiàn)為：一側(cè)或者患側(cè)肢體運(yùn)動(dòng)障礙，一側(cè)肢體無力或者肌肉張力下降，部分患者言語不清、構(gòu)音不良、鼻唇溝變淺，主要體征為一側(cè)Babinski,Gordon,Hoffman征陽性等。所有患者都行NCCT和CTP掃描，1～2周內(nèi)復(fù)查CT或（和）MRI，確診為缺血性腦梗死。

1.2CT掃描方案

1.2.1NCCT檢查患者仰臥位行常規(guī)CT掃描(His2peedZX/i,GeneralElectricMedicalSystems)，自顱底區(qū)向上掃描至顱頂，層厚為10mm，層距為10mm，重建距陣為512×512，標(biāo)準(zhǔn)算法，顯示野為24cm，管電壓為120kV，管電流為自動(dòng)毫安控制。

1.2.2CTP檢查根據(jù)栓塞的部位和平掃后CT表現(xiàn)確定病變區(qū)和掃描層面。經(jīng)前臂靜脈使用高壓注射器注入非離子型造影劑50ml(Iohexol,300mgI/ml)，注射流率為3ml/s，注射開始后7s進(jìn)行cine方式掃描，連續(xù)掃描45s，1層/s，掃描層厚10mm，管電壓80kV，管電流120mA，重建距陣為512×512，使用標(biāo)準(zhǔn)算法。

1.2.3CTP圖像處理將cine方式掃描后得到的軸位圖像傳送到獨(dú)立工作站(GEAdvantageWorkstation4.02)進(jìn)行處理。應(yīng)用CTP軟件(GeneralElectricMedicalSystems)使用精確方法分別計(jì)算出下列參數(shù)圖像:腦血容量(cerebralbloodvolume，CBV)，腦血流量(cerebralbloodflow，CBF)，血流平均通過時(shí)間(meantransittime，MTT)和最大峰值時(shí)間(timetopeak,TTP)。

1.3后期分析

1.3.1NCCT圖像分析5名放射科中高年資醫(yī)生，在不知道臨床表現(xiàn)的情況下，按照AlbertaStrokeProgramEarlyCTScore(ASPECTS)標(biāo)準(zhǔn)，進(jìn)行大腦中動(dòng)脈供血區(qū)分析。ASPECTS分區(qū)的每個(gè)區(qū)域分別按照影像學(xué)表現(xiàn)分為正常區(qū)、腦質(zhì)密度降低區(qū)和水腫區(qū)。

1.3.2CTP圖像分析早期CBV、CBF同時(shí)下降區(qū)域定義為缺血核區(qū)，其余CBF下降而CBV不下降的區(qū)域定義為半暗帶區(qū)。

2結(jié)果

2.1所有21例最后確診為腦缺血的患者中，NCCT發(fā)現(xiàn)異常改變11例，陽性率為52%。

2.2NCCT掃描后，利用ASPECTS評(píng)分分析方法發(fā)現(xiàn)的26個(gè)異常區(qū)域中，有19個(gè)表現(xiàn)為密度降低，7個(gè)表現(xiàn)為腫脹。19個(gè)NCCT表現(xiàn)為密度降低的區(qū)域，經(jīng)過CTP掃描發(fā)現(xiàn)所有區(qū)域CBF和CBV均顯著降低(P<0.01)，并且隨訪確診為腦梗死區(qū)；7個(gè)NCCT表現(xiàn)為腫脹的區(qū)域中，5個(gè)CBV正常或者稍增高，隨訪沒有發(fā)現(xiàn)該區(qū)明確梗死灶形成，另外2個(gè)區(qū)域隨訪發(fā)現(xiàn)梗死灶形成。

2.3CTP掃描：腦缺血核區(qū)和半暗帶區(qū)平均CBF(ml/100g/min)為缺血核區(qū)25.1±9.5，缺血邊緣區(qū)39.3±12.1，血流正常區(qū)59.5±18.3，P<0.05。腦缺血區(qū)CBV和正常區(qū)域平均CBV:缺血區(qū)（2.4±0.8ml/100g），正常腦組織（3.9±0.9ml/100g），P<0.05。

3討論

腦缺血后治療的關(guān)鍵是搶救半暗帶，半暗帶是指腦缺血性疾病發(fā)生后，缺血核心區(qū)域以外腦血流量降低的區(qū)域。這些區(qū)域如果能及時(shí)干預(yù)治療，半暗帶腦組織將不至于發(fā)生壞死，因此半暗帶又可以稱為可挽救的腦缺血區(qū)［2］。很多學(xué)者的研究表明，CT灌注可以預(yù)測半暗帶的范圍。一般認(rèn)為，CT灌注成像顯示的腦血流量(CerebralBloodFlow,CBF)和腦血流容積(CerebralBloodVolume，CBV)都明顯降低的區(qū)域提示為缺血核區(qū)域，CBF輕度下降而CBV不下降或者輕度升高的區(qū)域提示為半暗帶區(qū)［3］。本組病例的CT灌注結(jié)果和以往的經(jīng)驗(yàn)相符，兩組數(shù)據(jù)均可見顯著差異(P<0.01)。

本研究21例最后確診為腦缺血的患者中，NCCT發(fā)現(xiàn)異常改變的有11例，陽性率為52%。該數(shù)據(jù)表明，有腦缺血臨床表現(xiàn)的患者，早期NCCT檢查有約一半的患者可出現(xiàn)陽性表現(xiàn)。AlbertaStrokeProgramEarlyCTScore(ASPECTS)標(biāo)準(zhǔn)［4］是主要針對(duì)大腦中動(dòng)脈供血區(qū)腦缺血的評(píng)分標(biāo)準(zhǔn)，在腦部CT掃描的兩個(gè)標(biāo)準(zhǔn)層面，把大腦中動(dòng)脈供血區(qū)分成10個(gè)區(qū)域。本實(shí)驗(yàn)采用相同的分區(qū)法，評(píng)價(jià)大腦中動(dòng)脈缺血后的影像學(xué)表現(xiàn)。NCCT掃描后，利用ASPECTS評(píng)分分析方法發(fā)現(xiàn)的26個(gè)異常區(qū)域中，有19個(gè)表現(xiàn)為密度降低，7個(gè)表現(xiàn)為腫脹。19個(gè)NCCT表現(xiàn)為密度降低的區(qū)域，經(jīng)過CTP掃描發(fā)現(xiàn)CBF和CBV均顯著降低(P<0.01)并且隨訪確診為腦梗死區(qū)；7個(gè)NCCT表現(xiàn)為腫脹的區(qū)域中，5個(gè)區(qū)域?yàn)镃BV正常或者稍增高，隨訪沒有發(fā)現(xiàn)該區(qū)明確梗死灶形成，另外2個(gè)區(qū)域隨訪發(fā)現(xiàn)梗死灶形成。本研究表明，在NCCT掃描圖像上所見的低密度區(qū)符合腦梗死區(qū)域，而腦水腫區(qū)則和半暗帶區(qū)大致相符。其機(jī)理可能是腦缺血后早期，缺血核區(qū)域由于腦組織缺血流量降低并且發(fā)生細(xì)胞壞死為主，密度降低；而半暗帶區(qū)域腦組織血流量降低程度較輕，細(xì)胞以腫脹為主［5］，因此主要表現(xiàn)為腦組織腫脹。

雖然隨著CTP、MRI和SPECT等技術(shù)的發(fā)展，提高了早期腦缺血性疾病的診斷率，CTP掃描檢查對(duì)半暗帶的判斷非常有價(jià)值。大部分患者就診后首先進(jìn)行的影像學(xué)檢查是NCCT掃描，雖然其影像學(xué)表現(xiàn)特點(diǎn)不能作為準(zhǔn)確判斷半暗帶和缺血核的標(biāo)準(zhǔn)，但是對(duì)早期腦缺血性疾病能提供很多有用的信息。提高對(duì)NCCT掃描圖像的認(rèn)識(shí)，對(duì)患者的早期診斷非常有幫助。

參考文獻(xiàn)：

［1］KHRMANNM,JUTTLERE,HUTTNERHB,etal.Acutestrokeimagingforthrombolytictherapy-anupdate［J］.CerebrovascDis，2007，24(2-3):161-169.

［2］高培毅,林燕.腦梗死前期腦局部低灌注的CT灌注成像表現(xiàn)及分析［J］.中華放射學(xué)雜志，2003，37(10):882-886.

［3］陳涓,劉銀紅,趙斌，等.超急性期腦梗死的多層螺旋CT灌注成像與腦卒中評(píng)分及預(yù)后相關(guān)性的研究［J］.中華放射學(xué)雜志，2005，39(4):413-417.

篇(6)

關(guān)鍵詞：圖像拼接 SURF ROI 漸入漸出法

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）12-0133-01

圖像拼接技術(shù)是當(dāng)前圖像處理的研究熱點(diǎn)，被廣泛應(yīng)用于計(jì)算機(jī)視覺、遙感圖像繪制、醫(yī)學(xué)圖像分析、智能視頻監(jiān)控和虛擬現(xiàn)實(shí)等領(lǐng)域。圖像配準(zhǔn)是圖像拼接的基礎(chǔ)，目前配準(zhǔn)效果最好的是SURF算法。SURF（Speeded Up Robust Features）是一種具有魯棒性的局部特征檢測算法，SURF算法來源于SIFT[1]（Scale Inviariant Feature Transform）。文獻(xiàn)[2]與文獻(xiàn)[3]中對(duì)SIFT和SURF算法進(jìn)行了綜合對(duì)比，在執(zhí)行速度上，SURF算法是SIFT算法的三倍多，當(dāng)圖像存在旋轉(zhuǎn)、模糊、光照、尺度和視角變換下，SURF與SIFT都表現(xiàn)出了較好的穩(wěn)定性。因此本文采用SURF算法實(shí)現(xiàn)圖像的配準(zhǔn)。文獻(xiàn)[4]提出了在感興趣區(qū)域?qū)?yōu)搜索的策略，將特征配準(zhǔn)算法縮減到重疊區(qū)域，提高了圖像配準(zhǔn)的效率，同時(shí)減少了特征的誤匹配，提高了圖像配準(zhǔn)精度。圖像融合是圖像拼接另一個(gè)關(guān)鍵部分，漸入漸出法在速度上具有較好的體現(xiàn)，但是當(dāng)圖像質(zhì)量不高和曝光不一致的情況下會(huì)出現(xiàn)明顯的斷裂和拼接痕跡。為解決普通監(jiān)控?cái)z像頭圖像質(zhì)量不高以及視差引起的拼接質(zhì)量問題，本文提出基于ROI與SURF算法的圖像拼接方法，并采用RANSAC[5]算法求取最佳單應(yīng)變換矩陣，最后通過改進(jìn)的漸入漸出法[6][7]融合圖像，有效解決了圖像融合過程中的拼接痕跡，使融合區(qū)域過渡更自然。

1 系統(tǒng)流程

基于SURF和改進(jìn)漸入漸出法的圖像拼接思路如下：

（1）首先輸入兩張具有重疊區(qū)域的圖像；

（2）大致估算重疊區(qū)域的大小；

（3）對(duì)ROI區(qū)域?qū)ふ姨卣鼽c(diǎn)，進(jìn)行特征匹配，并通過比值提純、對(duì)稱性提純以及RANSAC提純選出優(yōu)質(zhì)匹配，然后利用RANSAC計(jì)算最佳單應(yīng)性矩陣；

（4）采用改進(jìn)的漸入漸出法進(jìn)行圖像融合；

（5）輸出圖像。

2 圖像配準(zhǔn)

圖像拼接要求重疊區(qū)域占圖像的20%至30%，特征點(diǎn)的尋找與匹配只針對(duì)重疊區(qū)域，重疊區(qū)域外的特征點(diǎn)檢測和匹配，增加了算法的耗時(shí)，同時(shí)會(huì)帶來不必要的誤匹配，降低了圖像配準(zhǔn)的精度。本文通過估算重疊區(qū)域的大致范圍，然后在ROI區(qū)域內(nèi)檢測特征點(diǎn)并進(jìn)行匹配。

3 圖像融合

4 實(shí)驗(yàn)結(jié)果及分析

測試的實(shí)驗(yàn)平臺(tái)為Intel 酷睿2 T6600@2.20 GHz CPU，內(nèi)存為2GB，軟件開發(fā)環(huán)境為VS2010及opencv2.4.9，圖像為普通USB攝像頭所拍攝，分辨率為640X480。

本文在該平臺(tái)上實(shí)現(xiàn)了使用ROI區(qū)域的SURF算法進(jìn)行圖像配準(zhǔn)，與直接使用SURF算法對(duì)比，對(duì)特征點(diǎn)數(shù)與程序耗時(shí)的統(tǒng)計(jì)如表1所示。對(duì)特定區(qū)域提取后的SURF算法比原SURF算法快了大約2倍。使用漸入漸出法融合后的圖像過渡區(qū)域會(huì)出現(xiàn)斷裂以及不自然的現(xiàn)象。使用改進(jìn)算法融合后的圖像拼接效果更接近原圖像，沒有明顯的拼接痕跡。

5 結(jié)語

本文基于提取ROI與SURF算法快速找到特征點(diǎn)對(duì)并進(jìn)行圖像配準(zhǔn)，然后利用改進(jìn)的漸入漸出算法實(shí)現(xiàn)了圖像的拼接，消除了拼接痕跡，改善了拼接質(zhì)量。

參考文獻(xiàn)

[1]David G Lowe.Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision.2004，60（60）：91-110.

[2]索春寶，楊東清.多種角度比較SIFT、SURF、BRISK、ORB、FREAK算法[J].北京測繪，2014，4，23-26.

[3]張銳娟，張建奇，楊翠.基于SURF的圖像配準(zhǔn)方法研究[J].紅外與激光工程，2009，38（1）：160-165.

[4]王勇，何曉川，劉清華等.一種感興趣區(qū)域?qū)?yōu)搜索的全自動(dòng)圖像拼接算法[J].電子與信息學(xué)報(bào).2009， 31（2）：261-264.

[5]楊云濤，馮瑩，曹毓.基于SURF的序列D像快速拼接方法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2011，21（3）：6.

篇(7)

關(guān)鍵詞：數(shù)字圖像取證；圖像區(qū)域復(fù)制粘貼篡改

中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1007-9599 (2011) 16-0000-01

Comparative Study of Ddigital Image Copy Paste Tamper Forensics Technology

Han Min,Sun Jinguo

(Chinese People's Public Security University,Beijing102623,China)

Abstract:This article describes several algorithms aiming at a common copy-paste forgery in the research field of digital image forensics,compared?the performance of?various methods.Different of kinds of tamper detection methods have been analyzed and discussed.It also prospects the future of copy-paste forgery in the research field of digital image forensics.

Keywords:Digital image forensics;Image area copy paste tamper

一、引言

近年來隨著電子技術(shù)的發(fā)展傳統(tǒng)的“膠卷相機(jī)”已經(jīng)幾乎被數(shù)碼相機(jī)所代替，這為人們省去了很多傳統(tǒng)相機(jī)使用上的不變，但伴隨著數(shù)字圖像處理軟件的發(fā)展，數(shù)字圖像的非法篡改給人們的生活以及社會(huì)帶來很多負(fù)面的影響，數(shù)字媒體的信息安全無法得到保障。復(fù)制粘貼篡改是一種常見的篡改手法，它利用同幅圖片內(nèi)各種統(tǒng)計(jì)參數(shù)比較相近，從一個(gè)區(qū)域復(fù)制一個(gè)圖塊粘貼到另一區(qū)域上，以達(dá)到掩蓋圖像真實(shí)內(nèi)容的目的。

二、數(shù)字圖像被動(dòng)取證技術(shù)

數(shù)字圖像被動(dòng)取證技術(shù)，要求只給出待檢測圖像就可以鑒別真?zhèn)危丛诓灰蕾嚾魏晤A(yù)簽名提取或預(yù)嵌入信息的前提下，對(duì)圖像內(nèi)容的真?zhèn)魏蛠碓催M(jìn)行鑒別和取證的技術(shù)，因此這類取證技術(shù)也叫數(shù)字圖像盲取證技術(shù)。

數(shù)字圖像被動(dòng)取證技術(shù)實(shí)現(xiàn)的可行性基于這樣一個(gè)事實(shí)：任何來源的數(shù)字圖像都有自身的統(tǒng)計(jì)特征，而任何對(duì)數(shù)字圖像的篡改都會(huì)不可避免地引起圖像統(tǒng)計(jì)特征上的變化。因此，可以通過檢測圖像統(tǒng)計(jì)特征的變化，來判斷圖像的原始性、真實(shí)性和完整性。

三、取證算法

目前的取證算法大體上可以分為兩類，即基于單個(gè)像素的窮舉搜索和基于圖像塊的檢測方法。塊匹配算法共同的特點(diǎn)就是對(duì)輸入的圖像數(shù)據(jù)進(jìn)行分塊處理。得到這些塊之后，從這些塊中提取相應(yīng)的特征值構(gòu)成特征向量，不同的基于塊匹配的算法的實(shí)質(zhì)區(qū)別就在于選取的特征值各不相同。下面就各種方法進(jìn)行比較：

（一）窮舉搜索。基于單個(gè)像素點(diǎn)的窮舉法原理很簡單，但計(jì)算復(fù)雜度很高，將之應(yīng)用于大幅圖像的篡改檢測顯然是不可行的，與此同時(shí)，此算法也不能夠抵抗外來的一些干擾操作，如加噪、模糊等。算法本身受條件的約束性較強(qiáng)。一般我們只用于對(duì)較小尺寸的篡改圖像的檢測。

（二）簡單塊匹配。最基本的塊匹配檢測算法是將得到的b2大小的塊展開，每個(gè)方形塊按行優(yōu)先順序被展為一行，存入一個(gè)矩陣中，這樣所有的行向量組成了一個(gè)二維矩陣X，其中列數(shù)為b2，行數(shù)為（Mb+1）（Nb+1）。為了減少算法的計(jì)算量，按照字典排序的方法對(duì)X陣中的行進(jìn)行排列。最后根據(jù)判斷是否存在等同的行向量來確定篡改結(jié)果。這種算法在圖像遭到了復(fù)制粘貼篡改后沒用進(jìn)行其他篡改的情況下顯示出了良好的性能，但是當(dāng)篡改圖像經(jīng)過如壓縮等后續(xù)操作時(shí)，檢測的正確率明顯降低，這是由于塊與塊之間不再是精確的相似，檢測效果大打折扣。

Fridrich等人對(duì)此進(jìn)行了改進(jìn)，先對(duì)圖像進(jìn)行塊離散余弦變換（BDCT）變換，采取經(jīng)過量化后各塊的BDCT系數(shù)進(jìn)行對(duì)比分析。由于是在DCT域上做分析，算法具有一定的魯棒性。但是當(dāng)處理的圖像比較大時(shí)，由于計(jì)算量太大，往往需要很長的時(shí)間來實(shí)現(xiàn)篡改定位，這個(gè)時(shí)間很可能無法令人接受。

駱偉祺等人提出了一種魯棒的檢測算法，這種算法也是基于圖像塊匹配的。假定問題圖像為彩色圖像（大小為MxN），首先對(duì)其進(jìn)行分塊處理，分塊的方式同前面一樣，在得到了（M-b+1）x（N-b+1）個(gè)圖像塊之后，對(duì)每個(gè)圖像塊提取可以代表其內(nèi)容的七個(gè)特征值，并以向量的形式來表示，前三個(gè)分量a1、a2、a3分別是b2大小的彩色圖像塊RGB通道的均值。若為灰度圖，只需記錄像素點(diǎn)的灰度值即可，a4、a5、a6、a7則是由圖像塊內(nèi)各像素點(diǎn)的亮度分量Y組成的陣列經(jīng)過四種分解方式整合處理后得到的特征。此算法具有一定的魯棒性能，能夠抵抗一定程度的后處理操作，如模糊、壓縮等。但如果被復(fù)制的區(qū)域發(fā)生了形變，則容易造成誤判，甚至失效。

（三）基于不變矩的檢測算法。不變矩方法是一種經(jīng)典的特征提取方法，目前已經(jīng)廣泛應(yīng)用于圖像分析與模式識(shí)別領(lǐng)域中。Hu提出的7個(gè)矩不變量，不但具有平移不變性，而且還具有旋轉(zhuǎn)不變性，適合用于表示圖像的特征。但Hu矩的方法對(duì)模糊和加噪操作沒有明顯效果。

Zernike矩是一組正交矩，也具有旋轉(zhuǎn)不變性，即旋轉(zhuǎn)目標(biāo)并不改變其模值。由于Zernike矩能構(gòu)造出任意高階矩，而高階矩包含更多的圖像信息，所以Zernike矩的識(shí)別效果優(yōu)于其他方法。何坤等人提出了一種方法，將尺寸較大的篡改圖像運(yùn)用小波變換得到低頻子圖像，再把低頻子圖像分割為圖像子塊，對(duì)其子塊序列圖像分別進(jìn)行Zernike矩分析判斷是否存在復(fù)制篡改，該方法克服了噪聲和幾何變換對(duì)取證的影響。

（四）基于SVD的檢測算法。奇異值分解（SVD），是一種圖像特征分析方法。它的目的在于消除圖像數(shù)據(jù)各分量間相關(guān)性，是基于信號(hào)二階統(tǒng)計(jì)特性的一種方法。國防科技大學(xué)吳瓊等人提出了一種基于SVD的圖像復(fù)制區(qū)域檢測算法。利用奇異值分解變換來處理圖像塊數(shù)據(jù)，并對(duì)圖像塊進(jìn)行相似性匹配檢驗(yàn)。這種方法對(duì)圖像羽化或邊緣模糊等處理具有魯棒性。

四、結(jié)語

目前主流算法對(duì)于相對(duì)簡單的復(fù)制粘貼篡改檢測效果較好，但偽造者為了使篡改圖像更加可信，除了采用簡單的平移、旋轉(zhuǎn)外，還可能會(huì)根據(jù)實(shí)際情況對(duì)篡改內(nèi)容進(jìn)行縮放、模糊等操作，這樣傳統(tǒng)的塊匹配算法將會(huì)失效。因此，在保證算法健壯性與檢測準(zhǔn)確率的前提下，我們要設(shè)計(jì)出能夠同時(shí)抵抗平移、旋轉(zhuǎn)、縮放、模糊等各種操作的取證算法，這是我們今后努力的方向。

參考文獻(xiàn)：

[1]周琳娜.王東明數(shù)字圖像取證技術(shù)[M].北京:北京郵電大學(xué)出版社,2008:69-70

[2]駱偉祺,黃繼武,丘國平.魯棒的區(qū)域復(fù)制圖像篡改檢測技術(shù)[J].計(jì)算機(jī)學(xué)報(bào),2007,11