太赫兹同轴数字全息图像的抗噪声分割算法研究
发布时间：2021-01-11 17:08
太赫兹光波由于其穿透性强,生物无损性高等优点,被大量应用于生活的各个方面。太赫兹数字全息成像是太赫兹光成像的重要组成部分,但是由于存在探测器灵敏度不够等问题,导致太赫兹图像易被噪声污染。并且由于太赫兹成像物体较小,成像质量也会受到严重影响。因此,寻找到一种针对太赫兹图像的抗噪声分割算法至关重要。本论文针对2.52太赫兹同轴数字全息再现像,采用了3种分割算法,分别是区域生长,均值聚类和神经网络算法。为了能够增强现有算法的抗噪声能力,对以上算法分别进行优化,以达到较优的太赫兹图像分割效果。在区域生长分割算法的部分采用进化算法优化太赫兹图像分割。首先利用双边滤波算法对原始图像进行预处理,然后为改善区域生长算法需要人为选择种子区域及生长准则的缺点,采用形态学腐蚀自动获取种子区域,分别采用遗传算法和差分算法两种进化算法对生长准则中的阈值进行优化,提高算法的自适应能力。最后将两种进化算法在收敛速度和分割效果上进行比较,得到较适合优化区域生长的进化算法。对于均值聚类分割算法研究部分,分别利用K-均值聚类算法和模糊C均值聚类算法对太赫兹图像提取的一维数据和二维数据进行分割,比较两个算法在分割效果上的差...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
种子区域算法应用于医学图像
哈尔滨工业大学工学硕士学位论文-2-a)b)图1-1种子区域算法应用于医学图像的分割结果[1]：a)原始肺部CT图像；b)分割结果及种子点区域生长算法虽然可以较好的分割出感兴趣区域，但是其具有以下缺点：（1）需要人工选择种子和定义相似标准，为算法自适应带来了限制；（2）对噪声较为敏感，不适用于被高强度噪声污染的图像。因此近些年有很多学者对该算法进行改进和优化，在图像分割领域得到了较好的效果。Angelina.S等人在2012年提出了一种基于遗传算法的区域生长与区域融合的图像分割算法[2]，结合了3种方法的优势，分割了黑色素瘤图像，得到了较好的结果。2015年，J.Sánchez等人针对不同光谱和空间分辨率的图像分割提出了一种用于区域生长的分割参数的选择和联合评估的客观方法[3]。文中着重提出并评估了4种初始种子选择策略，分别是基于原始图像的随机种子选取法，基于边缘提取的种子选取法，基于距离图的种子选取法和基于边界和距离混合的种子选取法，再将欧氏距离作为衡量区域之间的相似性准则。经过试验验证后其中边缘图像策略得到的分割结果最好，结果如图1-2所示。a）b）图1-2边缘图策略获取种子的区域生长分割算法结果[3]：a）原始图像；b）分割结果LeonardoRundo等人在2016年提出了一种基于直接区域检测模型的核磁共振图像的分割算法[4]。其将分割和合并算法作为自适应区域生长过程中的多种子选择方法，并采用大津法来获得生长准则中的阈值，最后利用形态学重建进行分割结果的后续处理，该算法在肿瘤图像的分割中得到了较好的结果。C.Priya等人在2019年提出了一种针对心脏脂肪的分割算法[5]，首先通过
哈尔滨工业大学工学硕士学位论文-3-灰度共生矩阵对图像进行统计特征提取，并将特征输入神经网络对心脏图像有无脂肪进行分类，并对有脂肪的心脏图像进行区域生长分割处理。该算法中区域生长的种子区域是通过人工交互式选取，再利用像素之间的欧氏距离和灰度相似度作为生长准则，最后得到的分割结果如图1-3所示。a）b）图1-3心脏脂肪分割结果[5]：a）原始图像；b）分割后结果1.2.2基于均值聚类算法的图像分割算法均值聚类算法主要包括以K-均值聚类为代表的硬聚类和以模糊C均值聚类为代表的软聚类。其中，K-均值聚类最早在1967年被提出[6]，主要用于对数据的相似性分组，拟合一般分布以及变量间的独立性检验等，该算法因为其速度快和参数少的优点在接下来的不断改进发展中被广泛应用于图像分割。Isa等人基于传统的K-均值聚类提出了自适应的模糊移动K-均值聚类算法[7]，该算法对噪声的敏感性较低，并且避免了陷入局部极小的问题。Moftah等人针对核磁共振的乳腺图像[8]，改善了聚类算法的迭代过程，并且提出了新的聚类中心计算方法，在对不同的乳腺图像分割中，其提出的算法的总体精度优于标准的K-均值聚类。Ribes将马尔科夫随机场模型加入到K-均值聚类中[9]，使聚类的数据包含了空间相关性，结合去噪算法，实现了对噪声具有抵抗性的聚类分割算法，对乳腺图像的分割结果如图1-4所示，其将乳腺组织较为清晰的分割开来。a）b）图1-4乳腺图像实验结果[9]：a）去噪后图像；b）复合算法分割结果在硬聚类的基础上，软聚类将模糊理论引入到目标函数中，形成了模糊C
【参考文献】：
期刊论文
[1]基于改进的自适应差分演化算法的二维Otsu多阈值图像分割[J]. 罗钧,杨永松,侍宝玉. 电子与信息学报. 2019(08)
[2]基于灰度共生矩阵和区域生长算法的红外光伏面板图像分割[J]. 洪向共,周世芬. 科学技术与工程. 2018(34)
[3]基于otsu和区域生长的肺部CT图像分割方法[J]. 陈亚楠,陈丽芳,芦国军. 无线互联科技. 2018(17)
[4]分割太赫兹全息再现像的复合方法的比较[J]. 巩文盼,李琦,董儒汲. 激光与光电子学进展. 2018(09)
[5]基于自动多种子区域生长的遥感影像面向对象分割方法[J]. 闫东阳,明冬萍. 工程科学学报. 2017(11)
[6]基于自适应差分进化算法的矾花图像分割[J]. 刘华,张营,张英杰. 控制工程. 2016(08)
[7]一种基于局部信息模糊聚类的太赫兹图像分割算法[J]. 雷萌,黄志坚,马芳粼. 制造业自动化. 2015(12)
[8]基于改进人工蜂群算法的K均值聚类算法[J]. 喻金平,郑杰,梅宏标. 计算机应用. 2014(04)
[9]被动式太赫兹图像分割算法[J]. 张馨,赵源萌,张存林. 强激光与粒子束. 2013(06)
[10]基于被动太赫兹波图像的图像分割技术[J]. 朱维文,赵跃进,张镜水,李冰,董立泉,张存林. 北京理工大学学报. 2013(04)
硕士论文
[1]太赫兹同轴全息再现图像的U-NET及其复合分割算法研究[D]. 巩文盼.哈尔滨工业大学 2019
[2]连续太赫兹同轴数字全息再现像图像分割研究[D]. 董儒汲.哈尔滨工业大学 2018
本文编号：2971162
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：91 页
【学位级别】：硕士
【部分图文】：
种子区域算法应用于医学图像
哈尔滨工业大学工学硕士学位论文-2-a)b)图1-1种子区域算法应用于医学图像的分割结果[1]：a)原始肺部CT图像；b)分割结果及种子点区域生长算法虽然可以较好的分割出感兴趣区域，但是其具有以下缺点：（1）需要人工选择种子和定义相似标准，为算法自适应带来了限制；（2）对噪声较为敏感，不适用于被高强度噪声污染的图像。因此近些年有很多学者对该算法进行改进和优化，在图像分割领域得到了较好的效果。Angelina.S等人在2012年提出了一种基于遗传算法的区域生长与区域融合的图像分割算法[2]，结合了3种方法的优势，分割了黑色素瘤图像，得到了较好的结果。2015年，J.Sánchez等人针对不同光谱和空间分辨率的图像分割提出了一种用于区域生长的分割参数的选择和联合评估的客观方法[3]。文中着重提出并评估了4种初始种子选择策略，分别是基于原始图像的随机种子选取法，基于边缘提取的种子选取法，基于距离图的种子选取法和基于边界和距离混合的种子选取法，再将欧氏距离作为衡量区域之间的相似性准则。经过试验验证后其中边缘图像策略得到的分割结果最好，结果如图1-2所示。a）b）图1-2边缘图策略获取种子的区域生长分割算法结果[3]：a）原始图像；b）分割结果LeonardoRundo等人在2016年提出了一种基于直接区域检测模型的核磁共振图像的分割算法[4]。其将分割和合并算法作为自适应区域生长过程中的多种子选择方法，并采用大津法来获得生长准则中的阈值，最后利用形态学重建进行分割结果的后续处理，该算法在肿瘤图像的分割中得到了较好的结果。C.Priya等人在2019年提出了一种针对心脏脂肪的分割算法[5]，首先通过
哈尔滨工业大学工学硕士学位论文-3-灰度共生矩阵对图像进行统计特征提取，并将特征输入神经网络对心脏图像有无脂肪进行分类，并对有脂肪的心脏图像进行区域生长分割处理。该算法中区域生长的种子区域是通过人工交互式选取，再利用像素之间的欧氏距离和灰度相似度作为生长准则，最后得到的分割结果如图1-3所示。a）b）图1-3心脏脂肪分割结果[5]：a）原始图像；b）分割后结果1.2.2基于均值聚类算法的图像分割算法均值聚类算法主要包括以K-均值聚类为代表的硬聚类和以模糊C均值聚类为代表的软聚类。其中，K-均值聚类最早在1967年被提出[6]，主要用于对数据的相似性分组，拟合一般分布以及变量间的独立性检验等，该算法因为其速度快和参数少的优点在接下来的不断改进发展中被广泛应用于图像分割。Isa等人基于传统的K-均值聚类提出了自适应的模糊移动K-均值聚类算法[7]，该算法对噪声的敏感性较低，并且避免了陷入局部极小的问题。Moftah等人针对核磁共振的乳腺图像[8]，改善了聚类算法的迭代过程，并且提出了新的聚类中心计算方法，在对不同的乳腺图像分割中，其提出的算法的总体精度优于标准的K-均值聚类。Ribes将马尔科夫随机场模型加入到K-均值聚类中[9]，使聚类的数据包含了空间相关性，结合去噪算法，实现了对噪声具有抵抗性的聚类分割算法，对乳腺图像的分割结果如图1-4所示，其将乳腺组织较为清晰的分割开来。a）b）图1-4乳腺图像实验结果[9]：a）去噪后图像；b）复合算法分割结果在硬聚类的基础上，软聚类将模糊理论引入到目标函数中，形成了模糊C
【参考文献】：
期刊论文
[1]基于改进的自适应差分演化算法的二维Otsu多阈值图像分割[J]. 罗钧,杨永松,侍宝玉. 电子与信息学报. 2019(08)
[2]基于灰度共生矩阵和区域生长算法的红外光伏面板图像分割[J]. 洪向共,周世芬. 科学技术与工程. 2018(34)
[3]基于otsu和区域生长的肺部CT图像分割方法[J]. 陈亚楠,陈丽芳,芦国军. 无线互联科技. 2018(17)
[4]分割太赫兹全息再现像的复合方法的比较[J]. 巩文盼,李琦,董儒汲. 激光与光电子学进展. 2018(09)
[5]基于自动多种子区域生长的遥感影像面向对象分割方法[J]. 闫东阳,明冬萍. 工程科学学报. 2017(11)
[6]基于自适应差分进化算法的矾花图像分割[J]. 刘华,张营,张英杰. 控制工程. 2016(08)
[7]一种基于局部信息模糊聚类的太赫兹图像分割算法[J]. 雷萌,黄志坚,马芳粼. 制造业自动化. 2015(12)
[8]基于改进人工蜂群算法的K均值聚类算法[J]. 喻金平,郑杰,梅宏标. 计算机应用. 2014(04)
[9]被动式太赫兹图像分割算法[J]. 张馨,赵源萌,张存林. 强激光与粒子束. 2013(06)
[10]基于被动太赫兹波图像的图像分割技术[J]. 朱维文,赵跃进,张镜水,李冰,董立泉,张存林. 北京理工大学学报. 2013(04)
硕士论文
[1]太赫兹同轴全息再现图像的U-NET及其复合分割算法研究[D]. 巩文盼.哈尔滨工业大学 2019
[2]连续太赫兹同轴数字全息再现像图像分割研究[D]. 董儒汲.哈尔滨工业大学 2018
本文编号：2971162
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2971162.html
最近更新
教材专著
