论文部分内容阅读
基于多图谱的标签融合技术作为一项新兴的研究方法,在模式识别和医学图像分割领域受到越来越多的关注,它利用了更多的已有专家先验知识,通过图谱图像的指导将图谱标签传播到待分割图像上。如何利用好这些先验知识,处理好各个图谱之间的关系,从而获得最佳的分割结果,本文将展开深入地研究。首先,本文详细研究和分析了当前已知的多图谱分割方法的内在特点,在此基础上提出了一个基于图框架的标签融合模型,并将所有的方法都集成到该框架中,指出多图谱方法可以看出是一个组合分类的问题,另一方面也更加利于对比和分析。其次,提出了将稀疏表示的方法加入到该模型中,首先讨论了稀疏表示的概念,接下来提出了基于稀疏表示的权重改进计算方法,通过对过完备的非局部信息的稀疏选择,考察不同的选择方法对融合精度的影响,实验中对稀疏后的权重进行了具体地分析,实验证实了稀疏方法的优越性。最后,在稀疏表示的基础上,进一步提出使用半监督学习的方法来改进稀疏方法带来的不鲁棒性。稀疏表示的方法能够确保更好的判别性,然而其稀疏的本质使得在分割图像时可能会不光滑,因此,本文引入了基于半监督学习的稀疏表示方法,通过在输入图像和图谱图像之间构建连接结构图,来学习输入图像的标签。实验结果表明,半监督学习方法有效地改进了图像的光滑性,同时又保持了图像的结构信息。