基于混合偏斜高斯模型的脑MR图像分割任务书

 2021-08-20 01:08

1. 毕业设计(论文)主要目标:

本文的主要目标是对脑MR图像进行分割,将其分割为灰质,白质,脑脊液,背景四个部分。首先需要寻找恰当的模型来描述脑MR图像灰度值的分布,而脑MR图像在成像过程中会受到各种因素的干扰,比如偏移场,噪声等,从而就需要建立适当的分割模型来尽量克服这些因素对图像造成的影响,如为了去除噪声,需对模型引入空间信息,最终实现对脑MR图像做较准确的分割。

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

2. 毕业设计(论文)主要内容:

本文将利用偏斜分布来描述脑MR图像像素点的灰度值分布,根据先验概率和后验概率,来建立偏斜混合高斯模型。为了去除图像中的噪声,在模型中加入基于KL散度的空间约束项,KL散度是对相似性的一种度量,通过“先验概率”与“领域有关的先验概率”的相似度来构造KL散度项。而对于“领域相关的先验概率”构造,利用像素点领域的加权来描述,权重的表示中既考虑了灰度值信息,也考虑了空间结构信息。考虑到之前空间约束只是在先验概率上做文章,所以之后在模型中加入一向惩罚项,将空间约束与后验概率结合。对于模型中的参数估计,引入了隐含变量,最终利用EM算法来估计各类参数。

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

3. 主要参考文献

[1]王松桂,史建红.线性模型引论[m].北京:科学出版社,2004:43-51,56-60[2]Arellano-Valle R B, Ozan S, Bolfarine H, et al,Skew noraml measurement error models,Joural of Multivariate Analysis, 2005, 96(2):265-281.[3]Ji Z , Huang Y , Sun Q , et al. A Spatially Constrained Generative Asymmetric Gaussian mixture model for Image Segmentation[J]. Journal of Visual Communication and Image Representation, 2016:S1047320316301602.[4]Wang Z , Song Q , Soh Y C , et al. An adaptive spatial information-theoretic fuzzy clustering algorithm for image segmentation[J]. Computer Vision Image Understanding, 2013, 117(10):1412-1420.[5]Kayabol K , Kutluk S . Bayesian classification of hyperspectral images using spatially-varying Gaussian mixture model[J]. Digital Signal Processing, 2016, 59:106-114.[6]Azzam R , Kemouche M S , Aouf N , et al. Efficient visual object detection with spatially global Gaussian mixture models and uncertainties ☆[J]. Journal of Visual Communication Image Representation, 2016, 36(C):90-106.[7]Hu C , Fan W , Du J , et al. Model-Based segmentation of image data using spatially constrained mixture models[J]. Neurocomputing, 2017:S0925231217318957.[8]Ramos-Lpez Daro, Masegosa Andrs R, Salmern Antonio, et al. Scalable importance sampling estimation of Gaussian mixture posteriors in Bayesian networks[J]. International Journal of Approximate Reasoning, 2018, 100:115-134.[9]Karavasilis V , Nikou C , Likas A . Visual tracking using spatially weighted likelihood of Gaussian mixtures[J]. Computer Vision and Image Understanding, 2015, 140:S1077314215001563.

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

以上是毕业论文任务书,课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找,微信号:bysjorg 、QQ号:3236353895;