太赫茲光波由于其穿透性強(qiáng),生物無(wú)損性高等優(yōu)點(diǎn),被大量應(yīng)用于生活的各個(gè)方面。太赫茲數(shù)字全息成像是太赫茲光成像的重要組成部分,但是由于存在探測(cè)器靈敏度不夠等問題,導(dǎo)致太赫茲圖像易被噪聲污染。并且由于太赫茲成像物體較小,成像質(zhì)量也會(huì)受到嚴(yán)重影響。因此,尋找到一種針對(duì)太赫茲圖像的抗噪聲分割算法至關(guān)重要。本論文針對(duì)2.52太赫茲同軸數(shù)字全息再現(xiàn)像,采用了3種分割算法,分別是區(qū)域生長(zhǎng),均值聚類和神經(jīng)網(wǎng)絡(luò)算法。為了能夠增強(qiáng)現(xiàn)有算法的抗噪聲能力,對(duì)以上算法分別進(jìn)行優(yōu)化,以達(dá)到較優(yōu)的太赫茲圖像分割效果。在區(qū)域生長(zhǎng)分割算法的部分采用進(jìn)化算法優(yōu)化太赫茲圖像分割。首先利用雙邊濾波算法對(duì)原始圖像進(jìn)行預(yù)處理,然后為改善區(qū)域生長(zhǎng)算法需要人為選擇種子區(qū)域及生長(zhǎng)準(zhǔn)則的缺點(diǎn),采用形態(tài)學(xué)腐蝕自動(dòng)獲取種子區(qū)域,分別采用遺傳算法和差分算法兩種進(jìn)化算法對(duì)生長(zhǎng)準(zhǔn)則中的閾值進(jìn)行優(yōu)化,提高算法的自適應(yīng)能力。最后將兩種進(jìn)化算法在收斂速度和分割效果上進(jìn)行比較,得到較適合優(yōu)化區(qū)域生長(zhǎng)的進(jìn)化算法。對(duì)于均值聚類分割算法研究部分,分別利用K-均值聚類算法和模糊C均值聚類算法對(duì)太赫茲圖像提取的一維數(shù)據(jù)和二維數(shù)據(jù)進(jìn)行分割,比較兩個(gè)算法在分割效果上的差... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：91 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

種子區(qū)域算法應(yīng)用于醫(yī)學(xué)圖像

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-2-a)b)圖1-1種子區(qū)域算法應(yīng)用于醫(yī)學(xué)圖像的分割結(jié)果[1]：a)原始肺部CT圖像；b)分割結(jié)果及種子點(diǎn)區(qū)域生長(zhǎng)算法雖然可以較好的分割出感興趣區(qū)域，但是其具有以下缺點(diǎn)：（1）需要人工選擇種子和定義相似標(biāo)準(zhǔn)，為算法自適應(yīng)帶來(lái)了限制；（2）對(duì)噪聲較為敏感，不適用于被高強(qiáng)度噪聲污染的圖像。因此近些年有很多學(xué)者對(duì)該算法進(jìn)行改進(jìn)和優(yōu)化，在圖像分割領(lǐng)域得到了較好的效果。Angelina.S等人在2012年提出了一種基于遺傳算法的區(qū)域生長(zhǎng)與區(qū)域融合的圖像分割算法[2]，結(jié)合了3種方法的優(yōu)勢(shì)，分割了黑色素瘤圖像，得到了較好的結(jié)果。2015年，J.Sánchez等人針對(duì)不同光譜和空間分辨率的圖像分割提出了一種用于區(qū)域生長(zhǎng)的分割參數(shù)的選擇和聯(lián)合評(píng)估的客觀方法[3]。文中著重提出并評(píng)估了4種初始種子選擇策略，分別是基于原始圖像的隨機(jī)種子選取法，基于邊緣提取的種子選取法，基于距離圖的種子選取法和基于邊界和距離混合的種子選取法，再將歐氏距離作為衡量區(qū)域之間的相似性準(zhǔn)則。經(jīng)過(guò)試驗(yàn)驗(yàn)證后其中邊緣圖像策略得到的分割結(jié)果最好，結(jié)果如圖1-2所示。a）b）圖1-2邊緣圖策略獲取種子的區(qū)域生長(zhǎng)分割算法結(jié)果[3]：a）原始圖像；b）分割結(jié)果LeonardoRundo等人在2016年提出了一種基于直接區(qū)域檢測(cè)模型的核磁共振圖像的分割算法[4]。其將分割和合并算法作為自適應(yīng)區(qū)域生長(zhǎng)過(guò)程中的多種子選擇方法，并采用大津法來(lái)獲得生長(zhǎng)準(zhǔn)則中的閾值，最后利用形態(tài)學(xué)重建進(jìn)行分割結(jié)果的后續(xù)處理，該算法在腫瘤圖像的分割中得到了較好的結(jié)果。C.Priya等人在2019年提出了一種針對(duì)心臟脂肪的分割算法[5]，首先通過(guò)

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-3-灰度共生矩陣對(duì)圖像進(jìn)行統(tǒng)計(jì)特征提取，并將特征輸入神經(jīng)網(wǎng)絡(luò)對(duì)心臟圖像有無(wú)脂肪進(jìn)行分類，并對(duì)有脂肪的心臟圖像進(jìn)行區(qū)域生長(zhǎng)分割處理。該算法中區(qū)域生長(zhǎng)的種子區(qū)域是通過(guò)人工交互式選取，再利用像素之間的歐氏距離和灰度相似度作為生長(zhǎng)準(zhǔn)則，最后得到的分割結(jié)果如圖1-3所示。a）b）圖1-3心臟脂肪分割結(jié)果[5]：a）原始圖像；b）分割后結(jié)果1.2.2基于均值聚類算法的圖像分割算法均值聚類算法主要包括以K-均值聚類為代表的硬聚類和以模糊C均值聚類為代表的軟聚類。其中，K-均值聚類最早在1967年被提出[6]，主要用于對(duì)數(shù)據(jù)的相似性分組，擬合一般分布以及變量間的獨(dú)立性檢驗(yàn)等，該算法因?yàn)槠渌俣瓤旌蛥?shù)少的優(yōu)點(diǎn)在接下來(lái)的不斷改進(jìn)發(fā)展中被廣泛應(yīng)用于圖像分割。Isa等人基于傳統(tǒng)的K-均值聚類提出了自適應(yīng)的模糊移動(dòng)K-均值聚類算法[7]，該算法對(duì)噪聲的敏感性較低，并且避免了陷入局部極小的問題。Moftah等人針對(duì)核磁共振的乳腺圖像[8]，改善了聚類算法的迭代過(guò)程，并且提出了新的聚類中心計(jì)算方法，在對(duì)不同的乳腺圖像分割中，其提出的算法的總體精度優(yōu)于標(biāo)準(zhǔn)的K-均值聚類。Ribes將馬爾科夫隨機(jī)場(chǎng)模型加入到K-均值聚類中[9]，使聚類的數(shù)據(jù)包含了空間相關(guān)性，結(jié)合去噪算法，實(shí)現(xiàn)了對(duì)噪聲具有抵抗性的聚類分割算法，對(duì)乳腺圖像的分割結(jié)果如圖1-4所示，其將乳腺組織較為清晰的分割開來(lái)。a）b）圖1-4乳腺圖像實(shí)驗(yàn)結(jié)果[9]：a）去噪后圖像；b）復(fù)合算法分割結(jié)果在硬聚類的基礎(chǔ)上，軟聚類將模糊理論引入到目標(biāo)函數(shù)中，形成了模糊C

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)的自適應(yīng)差分演化算法的二維Otsu多閾值圖像分割[J]. 羅鈞,楊永松,侍寶玉.  電子與信息學(xué)報(bào). 2019(08)
[2]基于灰度共生矩陣和區(qū)域生長(zhǎng)算法的紅外光伏面板圖像分割[J]. 洪向共,周世芬.  科學(xué)技術(shù)與工程. 2018(34)
[3]基于otsu和區(qū)域生長(zhǎng)的肺部CT圖像分割方法[J]. 陳亞楠,陳麗芳,蘆國(guó)軍.  無(wú)線互聯(lián)科技. 2018(17)
[4]分割太赫茲全息再現(xiàn)像的復(fù)合方法的比較[J]. 鞏文盼,李琦,董儒汲.  激光與光電子學(xué)進(jìn)展. 2018(09)
[5]基于自動(dòng)多種子區(qū)域生長(zhǎng)的遙感影像面向?qū)ο蠓指罘椒╗J]. 閆東陽(yáng),明冬萍.  工程科學(xué)學(xué)報(bào). 2017(11)
[6]基于自適應(yīng)差分進(jìn)化算法的礬花圖像分割[J]. 劉華,張營(yíng),張英杰.  控制工程. 2016(08)
[7]一種基于局部信息模糊聚類的太赫茲圖像分割算法[J]. 雷萌,黃志堅(jiān),馬芳粼.  制造業(yè)自動(dòng)化. 2015(12)
[8]基于改進(jìn)人工蜂群算法的K均值聚類算法[J]. 喻金平,鄭杰,梅宏標(biāo).  計(jì)算機(jī)應(yīng)用. 2014(04)
[9]被動(dòng)式太赫茲圖像分割算法[J]. 張馨,趙源萌,張存林.  強(qiáng)激光與粒子束. 2013(06)
[10]基于被動(dòng)太赫茲波圖像的圖像分割技術(shù)[J]. 朱維文,趙躍進(jìn),張鏡水,李冰,董立泉,張存林.  北京理工大學(xué)學(xué)報(bào). 2013(04)

碩士論文
[1]太赫茲同軸全息再現(xiàn)圖像的U-NET及其復(fù)合分割算法研究[D]. 鞏文盼.哈爾濱工業(yè)大學(xué) 2019
[2]連續(xù)太赫茲同軸數(shù)字全息再現(xiàn)像圖像分割研究[D]. 董儒汲.哈爾濱工業(yè)大學(xué) 2018



本文編號(hào)：2971162