迁移学习在OCT视网膜图像自动分类上的应用

利用光学相干断层技术(OCT)产生的视网膜疾病图像是分类眼科疾病的重要措施。目的是利用四种不同分类模型的迁移学习方法对糖尿病黄斑水肿、老年性黄斑变性、玻璃疣三种病变的OCT视网膜图像进行自动分类,实现迁移学习在OCT图像分类上的应用。将VGG-16、Inception V3、MobileNet V2、ShuffleNet-V2这四种神经网络模型在大规模图像分类数据集预训练好后,进行模型微调和训练参数更新,进而找到实现上述三种眼科疾病自动分类的最优模型,达到高效的OCT视网膜病变自动分类效果。实验结果表明,四种模型中轻量型MobileNet V2经模型微调后的评价指标优于其他模型。     

基于模块化降噪自编码器的视网膜OCT图像降噪方法

针对光学相干层析成像（OCT）过程中，光线散射、目标微动和硬件抖动等原因引起的噪声干扰，尤其是视网膜OCT图像中存在的严重噪声干扰问题，提出了一种基于模块化降噪自编码器的渐进式OCT图像降噪方法。使用多层卷积和反卷积构建自编码器，以模块化深度神经网络的架构为基础搭建了具有多个自编码器模块的神经网络，每个自编码器模块可依次输出降噪程度逐渐升高的过程结果，以满足不同的使用需求。以均方误差、峰值信噪比和结构相似度作为降噪结果的评价指标，对编码器模块数量T的研究结果表明，所设计的编码器在T=4时具有最佳性能。利用所提方法和各种主流方法对正常眼和病眼的视网膜OCT图像进行降噪处理，结果表明所提方法在各项指标上均取得最优结果，可以有效地对视网膜OCT图像进行降噪处理和大幅提升图像的质量。     

扫频光学相干层析视网膜图像配准去噪算法

多帧叠加平均处理是去除扫频光学相干层析系统散斑噪声、获得较为清晰结构信息的有效方法,但眼睛的震颤、漂移、微眼跳等生理特性和系统光路特性会使图像之间存在错位,导致叠加效果不佳、结构稳定性差,为此本文提出一种基于灰度分布信息和目标几何信息相结合的配准算法。该方法根据图像平均灰度分布提取包含目标信息的感兴趣区域,通过相位相关算法和基于分段拟合的灰度投影算法的双重作用校正图像的平移变换;通过拟合视网膜上边界作为特征点迭代确定最佳旋转参数,并再次重新估计平移参数,实现图像的刚性配准;最后通过轴向扫描一对一映射法以能量函数为约束条件实现图像的非刚性配准。对活体兔眼进行实验,结果表明,本文算法配准后的叠加图像边界清晰,结构信息增强,信噪比和对比度平均有效提高一倍多。本算法适用于强噪声视网膜B-Scans图像的配准,能满足多种类型OCT系统的叠加成像需要,具有较高的鲁棒性和图像配准精度。     

光学相干层析图像的小波去噪方法研究

光学相下层析成像过程中产生的噪声恶化了其成像质量.提高图像的信噪比一直是光学相干层析系统研制中一个焦点问题.根据光学相干层析系统采集的原始图像的信号和噪声分布的特点,对双变量收缩的小波去噪方法进行了改进,增加噪声系数比较多的子带的死亡地带半径来去除图像的噪声.利用对比度噪声比率、信噪比和边缘保持参数等评价指标来评价图像的改善效果.结果表明该方法能有效地去除噪声并可保留光学相干层析原始图像的边缘特征.     

多尺度条件卷积的OCT视网膜图像降噪研究

散斑噪声存在于光学相干层析成像(OCT)中,影响OCT图像质量.在使用OCT设备诊断各种常见眼科疾病时,高质量的OCT图像是极为重要的.利用深度神经网络对OCT图像进行降噪处理,使图像在保留空间结构细节的基础上能展示更多的信息.提出了一种基于残差学习网络的新型OCT图像降噪网络-CMCNN,其具有多尺度、多权重和多层次...     

基于无监督学习的偏振图像去噪方法

提出一种基于无监督学习的偏振图像去噪方法，该方法打破了监督学习下深度学习需要严格配对图像的限制，使用非配对偏振图像训练一个偏振特化的循环生成对抗网络。该网络通过所提出的基于偏振信息的损失函数统计学习噪声图像和清晰图像的映射。实验结果表明，该网络可以有效地抑制室内外不同环境下偏振图像的噪声，同时能较好地恢复线性偏振度和偏振角。所提方法对复杂噪声环境下的偏振成像应用具有重要意义。     

光学相干层析成像眼底视网膜三维图像去抖动方法

眼底视网膜病变是大部分眼科疾病的来源。光学相干层析成像(OCT)具有无创性、成像安全快速等特点,在临床上被广泛用于眼科疾病的诊断。针对OCT视网膜三维图像因抖动产生的扭曲变形问题,提出一种基于曲线拟合的OCT视网膜三维重建图像去抖动方法,即通过预处理提取OCT视网膜图像的边界,再利用最小二乘法曲线拟合来计算各帧切片图像的偏移量。结果表明:所提方法对OCT视网膜三维重建图像扭曲变形具有明显的校正作用。     

视网膜OCT图像中液体分割方法的研究

光学相干层析成像(OCT)广泛应用于眼科,用于观察视网膜的形态,对病变区域的检测和诊断评估具有重要意义。由于液体的积聚引发的一系列视网膜疾病,针对视网膜OCT图像中的液体检测和分割问题,设计了一种具有全局上下文特征信息的神经网络,利用多尺度的特征提取与融合的方法,提出了一种多尺度的并行提取与高度融合的U型网络模型PH-UNet,这是一种新的用于视网膜OCT图像液体区域分割的深度卷积神经网络。PH-UNet网络通过捕获多尺度的上下文信息,更好地利用信息提取和融合的方法对视网膜OCT图像中液体区域进行端到端的分割。将提出的模型对MICCAI RETOUCH数据集中三种视网膜液体视网膜内液体(IRF)、视网膜下液体(SRF)和色素上皮脱离(PED)进行分割并与其他经典的分割网络模型进行了比较,在precision精确率、dice相似系数、mIoU平均交并比三种指标上取得了最佳效果证明了其优越性。     

基于深度学习的联合变换相关器光学图像加密系统去噪方法

提出了一种基于深度学习的联合变换相关器(JTC)光学图像加密系统新型去噪方法.针对JTC光学图像加密系统中解密图像噪声的问题,设计了一种基于生成对抗网络的去噪框架,并使用密集模块加强特征信息复用,提高了网络的性能.该方法通过引入通道注意力机制使网络区分不同通道的权重,学习各通道之间的关联,使网络能选择性的加强有用特征信息并抑制无用特征信息;在损失函数方面,加入非对抗损失部分,结合对抗损失和生成器模型提高了解密噪声图像中高频信息的恢复质量;最后重建出高质量的解密图像.将该方法用于传统的JTC光学图像加密系统,数值计算和模拟实验结果表明,该方法可极大地消除JTC光学图像加密系统中噪声影响,有效地提高JTC光学图像加密系统用于高质量图像加密的有效性和可行性.     

视网膜光学相干层析图像的预处理方法

光相干层析技术(OCT)是近来发展起来的成像技术,利用光相干层析技术可以得到清晰的视网膜以及黄斑区的层析图。主要论述了在开发视网膜光相干层析图像识别和临床诊断系统中采用的图像预处理方法。利用图像分割、图像增强等处理技术,实现了图像的自动边缘检测与轮廓提取。通过对视网膜光相干层析图像进行预处理,为进一步的图像识别与分析打下了良好的基础。对黄斑囊样水肿、黄斑裂孔以及正常的视网膜光相干层析图像进行了实验,均取得了较好的效果。     

OCT系统对人体牙齿组织的非失真成像深度的研究

利用基于蒙特卡罗方法的牙组织光学相干层析(OCT)成像模型,研究了不同牙组织的OCT非失真成像深度。通过模拟入射高斯光束以及光在牙组织中的传输,分别获得了单层牙釉质、单层牙本质以及两层牙组织结构的二维仿真OCT图像,与实验结果具有定性的一致性。通过分析二维仿真OCT图像所对应的一维OCT信号,分别得到了三种牙组织结构的平均非失真成像光学深度。研究结果表明,OCT系统对牙齿组织的非失真成像光学深度在150~2400μm之间,其中牙釉质的非失真成像深度要远大于牙本质的成像深度。所得的结果对于在实验中利用OCT图像对组织结构有效信息进行判断具有一定的参考价值。     

基于分数阶积分算法的OCT图像去噪研究

散斑存在于光学相干层析成像(OCT)信号中,不可避免地影响OCT图像质量。通过对OCT系统中的噪声源进行分析,提出了一种傅里叶域OCT图像散斑噪声降噪的分数阶积分算法。为了克服单纯主观视觉判别图像质量的局限性,均方误差、峰值信号噪声比和边缘保护系数被选为图像去噪评估标准。通过实验与中值滤波和维纳滤波方法进行比较,结果表明,该算法可以有效地保留OCT图像中的重要边缘细节信息,同时有效消除噪声,使图像细节清晰,提高图像质量。     

基于改进U-net的条纹图去噪分析

基于变形条纹图分析的非接触三维光学测量中,从采集的变形条纹图中提取相位分布,进而获得被测形状的面信息,但是测量中获取的条纹图含有噪声,影响了提取相位信息的精度。为了更好更快的去除条纹图中的噪声,提出了一种改进U-net神经网络的深度学习滤波算法,在图像去噪领域,U-net获取的浅层特征较少,所提算法在U-net的卷积层中含有1×1的平行卷积分支,获取多尺度特征信息,分别添加1、2、3个1×1平行卷积分支进行实验。实验采用含有高密度区域的条纹图,并与目前最新的深度学习条纹图去噪算法对比,去噪效果提升0.9%,去噪效率提升41.7%,训练时间减少30.8%。     

基于深度学习的故障检测方法

针对传统故障诊断方法中特征提取技术难度大、故障样本获取困难等问题,在深度学习计算框架下提出了一种半监督训练的故障检测方法,利用深度信念网络中的受限波茨曼机堆栈结构实现了数据高层特征的自动提取,结合支持向量数据描述方法实现了异常数据检测,只需利用正常工况的数据样本进行网络训练和模型拟合,无需故障样本数据,也无需人工干预进行信号特征提取,即能实现对故障数据进行的实时检测和判别。经采用标准轴承实验数据的三组故障数据进行验证,故障识别率达到100%,具有很强的工程应用价值。     

基于深度学习的混沌加密灰度图像重建方法

混沌加密由于其初始值敏感性、伪随机性和运动轨迹的不可预测性而被广泛应用于图像加密领域。提出了一种通过深度学习来攻击Lorenz混沌加密系统的灰度图像重建方法,通过残差网络实现了对一系列明文-密文对数据集进行训练,从而拟合出密文到明文的过程,然后将训练好的网络应用在独立于训练集的密文上,恢复出与明文非常接近的图像。数值仿真结果验证了这种灰度图像重建方法的有效性。     

图像深度估计的光学微分方法

讨论了光学微分方法在图像深度估计问题中的应用。基于线性成像理论对Farid提出的光学微分模型进行了推广,即用于图像深度估计的两幅图像在成像过程中可以满足任意阶的线性微分关系。此模型拓宽了光学微分的概念,使两次成像之间关系有了更多的光学微分形式。围绕如何选择合适的光学微分关系以使系统的整体性能达到最优,分析了光学成像系统的参量对于图像深度估计的精度以及纵向分辨力的影响,并且对光学微分方法中的关键光学元件—光学掩模板的构建方法及优化问题也作了初步的探讨。     

电力设备红外图像的小波阈值去噪方法研究

对于电力设备的红外图像自动检测系统,图像去噪是非常关键的。针对传统的小波硬、软阈值函数在去噪时存在的不足,在传统小波硬、软阈值函数的基础上对其进行了改进。改进的阈值函数克服了硬阈值函数不连续的缺陷,改善了软阈值函数具有恒定偏差的不足,并引入了两个变量,具有一定的灵活性。同时还使用了一种新的分层阈值选择函数代替统一阈值方法,以改善实际应用的效果。实验结果表明:改进的小波阈值去噪方法在视觉效果、峰值信噪比和均方误差方面都优于传统的硬、软阈值去噪方法;改进的小波阈值去噪方法可以运用到红外图像自动检测系统中,使系统具有更好的去噪效果。     

基于中值预滤波的航空图像小波去噪算法研究

结合航空图像的噪声来源与图像特性,提出一种基于中值预滤波的图像小波去噪算法.图像首先经中值滤波器进行预滤波,滤除随机的脉冲式噪声,然后对处理后的图像进行小波变换,与给定阈值相比,对可明显判为信号或噪声的系数进行相应处理;对不确定为信号或噪声的系数进行多尺度上的相关性追溯,判别其归属后进行处理.实验结果表明:该方法客观上提高了图像的信噪比,主观上使去噪后的图像纹理分明,能更好地适合人眼的视觉特性,有利于航空图像的分析、判读.     

基于深度学习反演区域气溶胶光学厚度

为了解决现有陆地气溶胶光学厚度(AOD)反演算法精度和空间分辨率较低的问题,基于深度学习的思想,使用深度置信神经网络(DBN),实现了具有30 m空间分辨率的陆地气溶胶光学厚度反演.算法的训练样本包括全球长时间序列的AERONET站点数据以及在时空上与之对应的Landsat8 OLI的观测几何数据和表观反射率数据.为了...