圖像檢測與分割方法及其應用

前　言
第1章　基于Hessian矩陣的球形區(qū)域檢測方法及其應用1
1.1　基于二維Hessian矩陣的圓點濾波器1
1.2　基于三維Hessian矩陣的圓點濾波器1
1.3　圓點濾波器理論在圖像處理中的應用實例3
1.4　實驗結果及分析6
1.4.1　實驗數(shù)據6
1.4.2　實驗環(huán)境7
1.4.3　實驗方案7
1.4.4　實驗結果7
第2章　基于組合優(yōu)化和SVM的圖像球形區(qū)域檢測方法10
2.1　求解組合優(yōu)化問題的智能計算方法10
2.1.1　遺傳算法10
2.1.2　分散搜索算法11
2.2　基于組合優(yōu)化的特征選擇模型11
2.3　基于改進GA和SVM的求解模型13
2.4　基于SS和SVM求解模型14
2.5　基于改進GA和SVM模型及其應用15
2.5.1　肺分割16
2.5.2　自適應感興趣區(qū)域獲取17
2.5.3　特征提取18
2.6　實驗結果及分析20
2.6.1　實驗數(shù)據20
2.6.2　參數(shù)的選取20
2.6.3　實驗結果及討論21
第3章　基于多尺度和Mean-Shift的分割方法研究29
3.1　多尺度層次聚類方法29
3.2　均值漂移算法31
3.3　均值漂移算法帶寬參數(shù)選取現(xiàn)狀33
3.4　基于多尺度的帶寬參數(shù)選取方法35
3.5　基于多尺度和Mean-Shift分割在圖像處理中的應用36
3.5.1　初始區(qū)域的獲取36
3.5.2　初始帶寬參數(shù)的選取37
3.5.3　帶寬參數(shù)的選取38
3.5.4　Mean-Shift二維分割結節(jié)過程39
3.6　實驗結果及分析40
3.6.1　實驗方案40
3.6.2　人造實驗數(shù)據及結果40
3.6.3　肺CT影像實驗數(shù)據42
3.6.4　實驗結果與討論42
第4章　基于EM和Mean-Shift的分割方法研究45
4.1　期望算法45
4.1.1　算法原理45
4.1.2　算法步驟46
4.2　基于EM和Mean-Shift在圖像分割中的應用46
4.2.1　基于EM的帶寬選取方法流程46
4.2.2　預處理48
4.2.3　基于關系矩陣的流向特征提取49
4.2.4　基于EM估計粘連血管型結節(jié)模型參數(shù)51
4.2.5　帶寬參數(shù)選取51
4.3　Mean-Shift三維分割結節(jié)過程52
4.4　結果及分析53
4.4.1　實驗方案53
4.4.2　人造實驗數(shù)據及結果53
4.4.3　肺CT影像實驗數(shù)據55
4.4.4　實驗結果與討論56
第5章　基于改進主動形狀模型的分割方法研究58
5.1　主動形狀模型58
5.2　改進ASM在肺區(qū)分割上的應用59
5.2.1　肺區(qū)分割研究現(xiàn)狀59
5.2.2　提取標記點61
5.2.3　建立形狀模型61
5.2.4　異常標記點選擇62
5.2.5　搜索肺區(qū)邊緣63
5.3　數(shù)據集及分割結果64
5.3.1　數(shù)據集64
5.3.2　分割結果64
5.3.3　分割結果評價與討論65
參考文獻67