本发明涉及基于边界增强双重优化的皮肤病变图像分割方法及装置,属于医学图像处理与计算机视觉技术领域。所述方法通过构建边界增强稀疏注意力网络实现对皮肤病变区域的精准分割,所述边界增强稀疏注意力网络包括:编码器模块、解码器模块、边界‑分割双向增强框架;编码器模块包括多个阶段且分别采用标准卷积块和边界感知动态稀疏注意力模块进行特征提取。实验结果证明,本发明通过构建边界特征和区域特征的双向促进机制以及边界感知动态稀疏注意力模块,在保持高分割精度的同时,实现了模型参数和计算复杂度的有效压缩,为医学图像分割领域提供了具有重大理论意义和应用价值的技术创新,且特别适合在资源受限环境中部署。
📄 2025105436570
📂 G06T7_11
👤 江南大学
📅 2025-04-28
本发明涉及图像分割技术领域,尤其是指一种分数阶的低对比度图像分割方法及系统,所述方法包括:获取待检测图像的图像表征信息;计算所述图像表征信息的保真度、L2正则化项和分数阶正则化项,根据所述保真度、所述L2正则化项和所述分数阶正则化项,构建能量泛函模型;以最小化所述能量泛函模型为目标,对所述能量泛函模型进行数值求解,得到平滑近似图像;对所述平滑近似图像进行聚类分割,得到所述待检测图像的目标边界。本发明在图像分割领域具有显著的优势,为低对比度图像的精确分割提供了新的解决方案。
📄 2025100298663
📂 G06T7_12
👤 江南大学
📅 2025-01-08
本发明涉及图像分割技术领域,尤其是指一种基于p范数的距离正则化的水平集的图像分割方法,所述方法包括:S1:获取目标图像,提供水平集函数;S2:利用Lp范数构建外部数据保真度的区域能量泛函,以及利用势函数构建基于所述水平集函数的正则化能量泛函;S3:基于所述区域能量泛函和所述正则化能量泛函,构建总能量泛函模型;S4:利用变分法和梯度下降流构建所述总能量泛函模型的欧拉‑拉格朗日方程;S5:利用交替方向乘子算法求解所述欧拉‑拉格朗日方程,得到最终水平集函数,以得到目标图像的边界。本发明适用于例如医学影像分割、自然场景分割等不同类型的图像分割任务,并且具有较高的分割精度。
📄 2025100158742
📂 G06T7_12
👤 江南大学
📅 2025-01-06
本发明公开了一种基于全局预拟合能量驱动的主动轮廓模型方法及系统包括,输入初始待分割图像并初始化图像中的各参数,使用高斯滤波对图像进行光滑处理;通过拉普拉斯算子,得到图像的二阶梯度信息;使用能量泛函函数增强图像的二阶梯度信息;利用主动轮廓模型对图像进行分割,将图像分割问题转换为求解全局预拟合函数最小值问题,并进行迭代;根据迭代后产生的全局预拟合函数最小值矩阵,绘制矩阵强度为0处的等高线得到分割线,叠加初始待分割图像;本发明通过构建的全局预拟合能量驱动函数对图像进行快速分割,利用能量泛函函数对拉普拉斯算子的边缘检测能力进行了优化,结合自适应的边界指示函数,提高了图像的分割成功率,减少了迭代时间。
📄 2023107189117
📂 G06T7_12
👤 江南大学
📅 2023-06-16
本发明公开了一种植物叶片分割方法,涉及图像处理领域。该方法包括:构建样本数据集,将样本数据集中的样本图像输入卷积神经网络中,该卷积神经网络包括Backbone网络、RPN网络和若干个级联的叶片分割模块,每个叶片分割模块包括ROIAlign网络和Head网络,每个Head网络包括分类分支、分割分支和检测分支,利用样本数据集基于卷积神经网络训练得到植物叶片分割模型,将待分割图像输入植物叶片分割模型,得到对待分割图像的叶片分割结果,其中待分割图像可采用多尺度分割策略。本发明提出的方法可以对存在遮挡的叶片、边缘不清晰的叶片以及小尺度叶片进行有效分割,促进深度学习在植物叶片分割领域的应用。
📄 2021109299362
📂 G06T7_136
👤 江南大学, 绿视芯科技(无锡)有限公司
📅 2021-08-13
本发明涉及一种基于多层次模态交互的显著目标分割方法及系统,属于计算机视觉技术领域。包括:获取待测图像的RGB图像和热红外图像,并提取多个层次特征图;将同层次的多模态特征图输入至三重注意力融合模块,在该模块中获取同层次不同模态特征图的差异特征图,并根据差异特征图,得到第一融合特征图;将同层次的多模态特征图输入至双路径分组融合模块,在该模块中得到RGB特征分组和热红外特征分组,并根据这两个分组,得到第二融合特征图;根据第一和第二融合特征图,得到待测图像的显著目标。本发明充分利用了不同层次和模态的特征,融合了RGB图像和热红外图像之间的互补特征,避免了冗余和非显著特征干扰,提高了显著目标检测的性能和泛化能力。
📄 202511129035X
📂 G06V10_80
👤 江南大学
📅 2025-08-13
本发明公开了一种基于卷积神经网络的视盘分割方法,其特征在于,包括如下步骤:1)定义TU‑Net网络;2)搭建U‑Net网络;3)依据输出的标注图像对视盘进行定位;4)对图像进行预处理;5)构建AU‑Net网络;6)设置训练策略;7)设置损失函数;8)训练网络和更新参数;9)将输出的图像进行图像后处理;10)设置评价标准。这种方法实现简单,普适性强,可以减少眼底图像噪声影响。
📄 2022110841811
📂 G06V10_26
👤 桂林电子科技大学
📅 2022-09-06
本发明提供一种深度图像的自适应聚类分割算法,涉及数字图像处理技术领域。该方法包括:获取深度图像,对采集的图像样本进行滤波等预处理,提取深度图像的直方图,采用改进的自适应K‑means算法对直方图数据进行聚类,得到类别中心和类别标记等信息,作为分割深度图像的阈值。本发明能自适应地确定深度图像的目标数目,增强K‑means算法的收敛性,降低K‑means算法的迭代次数,从而快速有效分割深度图像。
📄 2016110430217
📂 G06K9_62
👤 金陵科技学院
📅 2016-11-24
本发明旨在提供一种基于改进U‑Net的红外弱小目分割方法,包括以下步骤:A、构建改进的U‑Net网络,改进的U‑Net网络包括:编码网络、解码网络;编码网络包括依次连接的五组多尺度残差模块MSRB,相邻的两组多尺度残差模块MSRB之间设有下采样模块HWD;B、对改进的U‑Net网络模型进行训练,得到训练好的网络模型;C、基于训练好的深度神经网络,红外图像输入编码网络中,依次经过各组多尺度残差模块MSRB和下采样模块HWD处理;D、各个多尺度残差模块MSRB的处理结果分别输入解码网络中,由解码网络进行特征恢复,获得预测结果。本发明能增强特征表达能力,提升对弱小目标分割的能力。
📄 202410546876X
📂 G06V10_26
👤 广西科技大学
📅 2024-05-06
本发明公开了一种基于Water‑WSSS模型的端到端的弱监督遥感图像水体分割方法,采集遥感图像制作数据集并进行预处理,通过构建Water‑WSSS网络模型,使用改进的DPND作为模型的主干网络提取特征,设计一个完全端到端的网络。整个网络包括主干网络;分类分支、分割分支、伪标签细化模块和特征增强模块,两个分支共享相同的主干网络,训练时,两个分支同时更新整个网络。首先利用分类分支生成初始类激活图,类激活图经过伪标签细化模块处理后有效扩大激活区域,作为分割分支的伪真值标签,在分割分支中使用两次空洞卷积,然后将结果输入特征增强模块,进行遥感图像水体分割。本发明提出的模型结构显著提高了弱监督语义分割模型的分割准确率。
📄 202310793972X
📂 G06V20_13
👤 淮安大学
📅 2023-06-30
本发明公开了一种基于视差净化的二型残差双目显着物体图像分割方法。训练阶段:采集物体图像建立训练集;构建二型残差网络:将彩色图和视差图输入残差双流网络预训练,输出双流预测分割图;将彩色图输入残差单流网络预训练,输出单流预测分割图;计算两个损失值并反向传播训练两个残差双单流网络,调整网络模型参数;测试阶段:对待显着分割的物体图像,将视差图输入视差净化选择器输出互获得正负样本,合并双流显着性预测图与单流显着性预测图得到预测结果集合。本发明拥有残差网络高效且完整提取的特点,减少了下采样的操作,避免了信息的弥散,结果更接近真实的人类观察物体的情况,解决了3D信息存在噪声的问题,获得了更精确的分割结果。
📄 2020101912293
📂 G06T7_11
👤 浙江科技学院
📅 2020-03-18
本发明属于图像处理技术领域,具体涉及基于动态通道图卷积与多尺度注意力的闪电通道分割方法。本发明首次将语义分割模型引入闪电通道识别任务,并针对闪电通道图像的相关特性引进了基线网络,首先,引入了Transfomer层建模局部特征的全局依赖,提升了网络对不明显闪电通道的识别能力,其次,引入动态图卷积建模通道关系,改善了Transformer层在编码序列时信息丢失问题,最后,在跳跃连接结构中引入多尺度注意力,在补充局部细节信息的同时抑制了无关信息的干扰。改进网络从定量指标与定性评价较基线网络具有较大提升,验证本发明方法的有效性。本发明方法较基于传统图像分割算法的方法更具泛化性与鲁棒性,能够有效识别多种情景下的闪电通道。
📄 2023110598222
📂 G06T7_10
👤 南通大学; 中国科学院大气物理研究所
📅 2023-08-22