圖像檢測與分割方法及其應用簡(jiǎn)介，目錄書(shū)摘
2020-06-05 11:20
來(lái)源：京東
作者：京東
圖像檢測與分割方法及其應用
暫無(wú)報價(jià)
70+評論
100%好評
編輯推薦:在對圖像檢測與分割方法的基本概念、 研究進(jìn)展進(jìn)行總結分析的基礎上,以人體特別是肺部的醫學(xué)影像后處理為應用案例, 結合現有模式識別、 人工智能方面的前沿理論, 提出了圖像檢測與分割的新算法。
典型案例為醫學(xué)圖像,可偏重發(fā)達地區,以及醫學(xué)院和大中型醫院密集地區.
典型案例為醫學(xué)圖像,可偏重發(fā)達地區,以及醫學(xué)院和大中型醫院密集地區.
內容簡(jiǎn)介:本書(shū)主要介紹關(guān)于圖像檢測與分割方法及其應用的一些新研究。即在圖像檢測與分割方法的基本概念、研究進(jìn)展進(jìn)行總結分析的基礎上，以人體特別是肺部的醫學(xué)影像后處理為應用案例，結合現有模式識別、人工智能方面的前沿理論，提出了圖像檢測與分割的新算法。本書(shū)共分5章。第1章為基于Hessian矩陣的球形區域檢測方法及其應用；第2章為基于組合優(yōu)化和SVM的圖像球形區域檢測方法；第3章為基于多尺度和Mean—Shift分割方法研究；第4章為基于EM和Mean—Shift的分割方法研究；第5章為基于改進(jìn)主動(dòng)形狀模型的分割方法研究。本書(shū)內容既有理論算法，又有典型應用，理論聯(lián)系實(shí)際，具有廣泛的參考價(jià)值。
作者簡(jiǎn)介:任會(huì )之
博士，研究方向為系統工程、模式識別和圖像處理。
主持國家自然科學(xué)基金青年基金項目1項，曾受中國博士后基金委員會(huì )二等資助。攻讀博士學(xué)位期間，曾參與國家自然科學(xué)基金項目、“863”計劃項目等。先后在《Computer and Operations Research》、《International Journal of Production Research》、《Discrete Dynamics in Nature and Society》、《Journal of Medical Imaging and Health》、《自動(dòng)化學(xué)報》等期刊上發(fā)表論文多篇。
在生物醫學(xué)方面研究成果已應用于東軟肺癌計算機輔助診斷產(chǎn)品中。
博士，研究方向為系統工程、模式識別和圖像處理。
主持國家自然科學(xué)基金青年基金項目1項，曾受中國博士后基金委員會(huì )二等資助。攻讀博士學(xué)位期間，曾參與國家自然科學(xué)基金項目、“863”計劃項目等。先后在《Computer and Operations Research》、《International Journal of Production Research》、《Discrete Dynamics in Nature and Society》、《Journal of Medical Imaging and Health》、《自動(dòng)化學(xué)報》等期刊上發(fā)表論文多篇。
在生物醫學(xué)方面研究成果已應用于東軟肺癌計算機輔助診斷產(chǎn)品中。
目錄:前 言
第1章 基于Hessian矩陣的球形區域檢測方法及其應用1
1.1 基于二維Hessian矩陣的圓點(diǎn)濾波器1
1.2 基于三維Hessian矩陣的圓點(diǎn)濾波器1
1.3 圓點(diǎn)濾波器理論在圖像處理中的應用實(shí)例3
1.4 實(shí)驗結果及分析6
1.4.1 實(shí)驗數據6
1.4.2 實(shí)驗環(huán)境7
1.4.3 實(shí)驗方案7
1.4.4 實(shí)驗結果7
第2章 基于組合優(yōu)化和SVM的圖像球形區域檢測方法10
2.1 求解組合優(yōu)化問(wèn)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(jìn)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(jìn)GA和SVM模型及其應用15
2.5.1 肺分割16
2.5.2 自適應感興趣區域獲取17
2.5.3 特征提取18
2.6 實(shí)驗結果及分析20
2.6.1 實(shí)驗數據20
2.6.2 參數的選取20
2.6.3 實(shí)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(lèi)方法29
3.2 均值漂移算法31
3.3 均值漂移算法帶寬參數選取現狀33
3.4 基于多尺度的帶寬參數選取方法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 初始區域的獲取36
3.5.2 初始帶寬參數的選取37
3.5.3 最佳帶寬參數的選取38
3.5.4 Mean-Shift二維分割結節過(guò)程39
3.6 實(shí)驗結果及分析40
3.6.1 實(shí)驗方案40
3.6.2 人造實(shí)驗數據及結果40
3.6.3 肺CT影像實(shí)驗數據42
3.6.4 實(shí)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 期望最大算法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(guān)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模型參數51
4.2.5 最佳帶寬參數選取51
4.3 Mean-Shift三維分割結節過(guò)程52
4.4 結果及分析53
4.4.1 實(shí)驗方案53
4.4.2 人造實(shí)驗數據及結果53
4.4.3 肺CT影像實(shí)驗數據55
4.4.4 實(shí)驗結果與討論56
第5章 基于改進(jìn)主動(dòng)形狀模型的分割方法研究58
5.1 主動(dòng)形狀模型58
5.2 改進(jìn)ASM在肺區分割上的應用59
5.2.1 肺區分割研究現狀59
5.2.2 提取標記點(diǎn)61
5.2.3 建立形狀模型61
5.2.4 異常標記點(diǎn)選擇62
5.2.5 搜索肺區邊緣63
5.3 數據集及分割結果64
5.3.1 數據集64
5.3.2 分割結果64
5.3.3 分割結果評價(jià)與討論65
參考文獻67
第1章 基于Hessian矩陣的球形區域檢測方法及其應用1
1.1 基于二維Hessian矩陣的圓點(diǎn)濾波器1
1.2 基于三維Hessian矩陣的圓點(diǎn)濾波器1
1.3 圓點(diǎn)濾波器理論在圖像處理中的應用實(shí)例3
1.4 實(shí)驗結果及分析6
1.4.1 實(shí)驗數據6
1.4.2 實(shí)驗環(huán)境7
1.4.3 實(shí)驗方案7
1.4.4 實(shí)驗結果7
第2章 基于組合優(yōu)化和SVM的圖像球形區域檢測方法10
2.1 求解組合優(yōu)化問(wèn)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(jìn)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(jìn)GA和SVM模型及其應用15
2.5.1 肺分割16
2.5.2 自適應感興趣區域獲取17
2.5.3 特征提取18
2.6 實(shí)驗結果及分析20
2.6.1 實(shí)驗數據20
2.6.2 參數的選取20
2.6.3 實(shí)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(lèi)方法29
3.2 均值漂移算法31
3.3 均值漂移算法帶寬參數選取現狀33
3.4 基于多尺度的帶寬參數選取方法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 初始區域的獲取36
3.5.2 初始帶寬參數的選取37
3.5.3 最佳帶寬參數的選取38
3.5.4 Mean-Shift二維分割結節過(guò)程39
3.6 實(shí)驗結果及分析40
3.6.1 實(shí)驗方案40
3.6.2 人造實(shí)驗數據及結果40
3.6.3 肺CT影像實(shí)驗數據42
3.6.4 實(shí)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 期望最大算法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(guān)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模型參數51
4.2.5 最佳帶寬參數選取51
4.3 Mean-Shift三維分割結節過(guò)程52
4.4 結果及分析53
4.4.1 實(shí)驗方案53
4.4.2 人造實(shí)驗數據及結果53
4.4.3 肺CT影像實(shí)驗數據55
4.4.4 實(shí)驗結果與討論56
第5章 基于改進(jìn)主動(dòng)形狀模型的分割方法研究58
5.1 主動(dòng)形狀模型58
5.2 改進(jìn)ASM在肺區分割上的應用59
5.2.1 肺區分割研究現狀59
5.2.2 提取標記點(diǎn)61
5.2.3 建立形狀模型61
5.2.4 異常標記點(diǎn)選擇62
5.2.5 搜索肺區邊緣63
5.3 數據集及分割結果64
5.3.1 數據集64
5.3.2 分割結果64
5.3.3 分割結果評價(jià)與討論65
參考文獻67
京公網(wǎng)安備 11000002000088號
