XiaoMi-AI文件搜索系统
World File Search SystemHistogram
对比度，直方图和混合方法
摘要。这项研究系统地研究了图像增强技术对基于卷积神经网络（CNN）基于脑肿瘤分离的影响，重点是直方图均衡（HE），对比度有限的适应性直方图均衡（CLAHE）及其杂化变量。在3064个大脑MRI图像的数据集中采用U-NET体系结构，研究深入研究了预处理步骤，包括调整和增强大小，以优化细分精度。提供了基于CNN的U-NET体系结构，培训和验证过程的详细分析。利用诸如准确性，损失，MSE，IOU和DSC等指标的比较分析表明，混合方法Clahe始终优于其他方法。结果强调了其优异的准确性（分别用于培训，测试和验证的0.9982、0.9939、0.9936）和鲁棒分割重叠，JACCARD值为0.9862、0.9847和0.9864，以及0.9864，以及0.993，0.993，0.9923，0.9923，和0.9923，和0.9923，和0.9923，和0.9923，和0.99999999999999999999999999999999999999999999999999999999999999999999999999999999993.9999999999999999999999993号。申请。该研究以分割方法进行完善，以进一步增强神经肿瘤学中的诊断精度和治疗计划。
自适应直方图均衡化，并行实施
本硕士论文由 UNF Digital Commons 的学生奖学金免费提供给您，供您免费访问。它已被 UNF Digital Commons 的授权管理员接受并纳入 UNF 研究生论文和学位论文。有关更多信息，请联系 Digital Projects。© 1990 保留所有权利
医学图像的直方图均衡化：CLAHE ...
摘要 近年来，计算机技术和高等数学的发展使图像处理技术得以广泛应用。图像处理是一种利用数字计算机算法处理图像的多功能方法，其细节甚至比人眼的还要多。由于计算机视觉的进步，各种疾病都可以得到及时发现和治疗。在医学领域，更快的诊断等于更快的治疗过程，因此开发图像增强算法具有非常重要的意义，因为医学图像是在各种条件下生成的。医学图像最常见的问题是对比度低。因此，直方图均衡化是医学领域用于图像增强的最常用技术。由于每张图像都不同，因此应对每张图像使用单独的技术。在本报告中，我们将研究在计算机断层扫描中使用 CLAHE 是否有益处。
基于直方图特征提取和Canny边缘
阿尔茨海默病 (AD) 越来越影响老年人，是 65 岁以上人群的主要杀手。不同的深度学习方法用于自动诊断，但它们也存在一些局限性。深度学习是用于检测和分类医学图像的现代方法之一，因为深度学习能够自动提取图像的特征。然而，使用深度学习准确分类医学图像仍然存在局限性，因为提取医学图像的精细边缘有时被认为是困难的，并且图像中存在一些失真。因此，本研究旨在开发一种计算机辅助脑部诊断 (CABD) 系统，该系统可以判断脑部扫描是否显示出阿尔茨海默病的迹象。该系统采用 MRI 和特征提取方法对图像进行分类。本文采用阿尔茨海默病神经影像学计划 (ADNI) 数据集，包括用于阿尔茨海默病患者识别的功能性 MRI 和正电子版本断层扫描，这些扫描是为阿尔茨海默病患者和典型个体制作的。所提出的技术利用 MRI 脑部扫描来发现和分类特征，利用直方图特征提取 (HFE) 技术与 Canny 边缘相结合来表示卷积神经网络 (CNN) 分类的输入图像。此策略跟踪图像中梯度方向的实例。实验结果为 ADNI 图像分类提供了 97.7% 的准确率。
双轴 MEMS 中的直方图形成和降噪 - ...
摘要。在许多应用中，对可靠、小型且低成本的三维成像系统的需求很大。对于汽车应用以及安全的人机协作等应用而言，有前途的系统是基于直接飞行时间原理的光检测和测距 (激光雷达) 系统。特别是对于覆盖大视野或长距离能力，以前使用的多边形扫描仪已被微机电系统 (MEMS) 扫描仪取代。最近的发展是用单光子雪崩二极管 (SPAD) 取代通常使用的雪崩光电二极管。与其他方法相比，将这两种技术结合到基于 MEMS 的 SPAD 激光雷达系统中有望显着提高性能并降低成本。为了区分信号和背景/噪声光子，基于 SPAD 的探测器必须通过累积多个时间分辨测量来形成直方图。本文提出了一种信号和数据处理方法，该方法考虑了直方图形成过程中 MEMS 扫描仪的时间相关扫描轨迹。基于立体视觉设置中使用的已知重建过程，推导出累积时间分辨测量的估计值，从而可以将其分类为信号或噪声。除了信号和数据处理的理论推导外，还在基于 MEMS 的概念验证 SPAD 激光雷达系统中通过实验验证了实现。© 作者。由 SPIE 根据知识共享署名 4.0 国际许可发布。全部或部分分发或复制本作品需要完全署名原始出版物，包括其 DOI。[DOI：10.1117/1.JOM.2.1.011005]
计算机视觉 - 直方图处理-CSE IITM
•t应满足以下条件 - t（r）是单一的值，并且在r处在[0,1] - t（r）范围内的情况下增加范围内也有所不同[0,1] 1. 1.第一个要求是可逆转的是可逆性，并且单调性可确保级别的级别确保级别的级别。从s向r的转换用r = t -1（s）
基于直方图的特征跟踪阿尔茨海默氏症的进展...
阿尔茨海默氏病是淀粉样蛋白斑块，神经原纤维缠结和神经元变性的一种普通痴呆形式。该疾病无法治愈，早期发现对于改善患者预后至关重要。磁共振成像（MRI）对于测量疾病期间的神经退行性很重要。计算机辅助图像处理工具已用于帮助医疗专业人员在早期阶段确定对阿尔茨海默氏症的诊断。作为非痴呆症阶段的特征，跟踪进展是具有挑战性的。我们的工作基于平滑直方图的形态开发了一种自适应多阈值算法，以定义识别神经变性的特征，并将其进展为非，非常温和，轻度和中等。灰色和白色物质体积，统计矩，多阈值，收缩，灰白物质比以及三个距离和角度值是数学得出的。决策树，判别分析，幼稚的贝叶斯，SVM，KNN，集合和神经网络分类器旨在以性能指标的准确性，召回度，特异性，精度，F1分数，Matthew的相关系数和KAPPA值来评估所提出的方法。实验结果表明，所提出的特征成功地标记了神经变性阶段。
脑肿瘤分割图像增强技术的比较分析：对比度、直方图和混合方法
摘要。本研究系统地研究了图像增强技术对基于卷积神经网络 (CNN) 的脑肿瘤分割的影响，重点关注直方图均衡化 (HE)、对比度限制自适应直方图均衡化 (CLAHE) 及其混合变体。该研究在 3064 张脑 MRI 图像的数据集上采用 U-Net 架构，深入研究了预处理步骤，包括调整大小和增强，以优化分割精度。对基于 CNN 的 U-Net 架构、训练和验证过程进行了详细分析。利用准确度、损失、MSE、IoU 和 DSC 等指标进行的比较分析表明，混合方法 CLAHE-HE 始终优于其他方法。结果突出了其卓越的准确度（训练、测试和验证分别为 0.9982、0.9939、0.9936）和强大的分割重叠，Jaccard 值为 0.9862、0.9847 和 0.9864，Dice 值为 0.993、0.9923 和 0.9932，强调了其在神经肿瘤学应用中的潜力。研究最后呼吁改进分割方法，以进一步提高神经肿瘤学的诊断精度和治疗计划。
使用卷积神经网络检测脑肿瘤并通过直方图选择阈值
医学图像中的脑肿瘤在形状和大小方面具有高度多样性。一些数据发现了肿瘤组织和正常组织之间的一种形式，而了解肿瘤的轮廓和特征成为搜索的关键部分。通过利用机器学习能力，机器被赋予几个变量并在一定程度上提供决策，它们已经广泛地给出了支持决策主体的决策。本研究将直方图选择的阈值选择方法应用于 CT 扫描数据，而适当的阈值选择方法则相应地选择肿瘤位置。此外，卷积神经网络 (CNN) 用于对所选图像是否为肿瘤进行分类。使用 CT 扫描数据和计算实验，该算法最终得到批准并给出准确率为 75.42% 的脑部分类。
确定最适合基于机器学习的多光谱脑 MRI 数据分割的直方图归一化技术
摘要 — 磁共振成像 (MRI) 的主要缺点是缺乏标准强度尺度。所有观察到的数值都是相对的，只能结合其上下文进行解释。在将 MRI 数据体输入监督学习分割程序之前，需要将它们的直方图相互配准，换句话说，它们需要所谓的规范化。用于辅助脑 MRI 分割的最流行的直方图规范化技术是 Ny'ul 等人在 2000 年提出的算法，该算法对齐一批 MRI 体积的直方图，而不注意可能扭曲直方图的局部病变。另外，一些最近的研究应用了基于简单线性变换的直方图规范化，并报告了使用它们实现的略高的准确性。本文提出研究在脑 MRI 图像分割之前分别在没有和存在局部病变的情况下执行直方图规范化的最合适的方法和参数设置。