基于角膜测量仪器Corvis ST采集的图像视频，提出提取新特征参数以便准确区分正常角膜和圆锥角膜。首先对图像进行滤波、分割等预处理，检测角膜上下边界，并计算前角膜曲率值; 用小波变换分析角膜曲率变化，获取与角膜运动趋势相关的特征，包括角膜运动的整体趋势和角膜振动的范数和标准差。然后，基于均方误差最小化法，提取特征参数，构建最优参数。最后，用支持向量机(SVM)对正常角膜和圆锥角膜进行分类。从频率的角度实施的实验显示角膜在基本运动趋势上存在着振动过程。此外，提出的参数优于形变幅度(DA)、峰值距离(PD)等传统参数，使准确度、灵敏度和特异性分别提高了10.2%，5.7%和6.9%。受试者工作特征曲线 (ROC)下面积为0.948，接近于1。结果显示本文方法自动提取的特征参数可提高正常角膜和圆锥角膜区分的准确性，对临床诊断有辅助作用。

提出一种自适应选取各向异性扩散滤波器扩散参数的方法，以提高滤波器的有效性和稳定性。首先，使用最大类间方差二值化算法确定超声图像的最优二值化阈值，并将该阈值作为区域均匀性标准对超声图像进行四叉树分解。然后，按从大到小的顺序从分解结果中取出所有当前最大分块，根据最优同质区域分块判决依据进行优选。最后，使用最优同质区域选取结果计算扩散参数，对超声图像进行各向异性扩散滤波。结果表明，本方法优于斑点降噪各向异性扩散(SRAD)和细节保留各向异性扩散(DPAD)两种典型的自动选取扩散参数方法，能在显著减少运算时间的同时使平均图像佳数较前两种方法分别提高0.029和0.129。本方法避免了对人工同质区域选取的依赖，可准确计算扩散参数，在噪声消除和边缘保护上达到有效的平衡，是一种有效的超声图像降噪方法。

基于前列腺磁共振图像性质, 提出利用自适应纹理分布的活动形状图像分割方法来自动分割前列腺磁共振图像。该方法首先通过图像的分类与拟合确定感兴趣的腺体区域, 同时估计若干形状参数用于分割过程中调整形状; 然后融入多重纹理信息, 建立纹理一致测度, 将传统的活动形状按照自适应的纹理判别步骤细分为纹理分布形状与补充形状, 提高活动形状的搜索匹配能力。在搜索匹配部分, 利用已估计参数优化活动形状搜索的初始估计, 并根据纹理分布形状和补充形状调整迭代过程。实验结果表明, 该方法分割出来的前列腺轮廓与金标准的Hausdorff距离为6.00 pixel, 分割精度为93%。该方法对活动形状的改进是有效的, 利用自适应纹理分布的活动形状能够自动、准确地将前列腺从磁共振图像中分割出来。

针对光声成像在实际应用中涉及的采样数据不足, 提出了一种基于全变分法的光声图像重建方法。通过计算重建图像的模拟信号与实际信号的残差来更新图像, 进行迭代以获取重建图像。在迭代重建的过程中引入压缩传感理论中的全变分法, 通过梯度下降法得到全变分最小的图像。通过数值仿真, 模拟了在不足采样情况下的图像重建。结果表明, 全变分重建法的重建效果比滤波反投影法、反卷积重建算法及代数重建算法等3种方法更好。在30个采样点的情况下, 重建图像的峰值信噪比值比上述3种算法的重建结果分别高出30.98, 22.09和8.35 dB。另外, 仿体实验结果也表明该方法能更有效地避免噪声的干扰。

为克服手工判别动脉粥样硬化易损斑块耗时耗力、主观性强、重复性差等缺点，研究了基于血管内超声自动识别易损斑块的方法。首先将Contourlet变换与Snake模型相结合进行斑块的图像分割，提取内腔轮廓与外弹力膜。接着实现经典形态特征的计算机自动提取，并提取纹理、弹性两类新特征以量化斑块属性，其中纹理特征包括一阶统计量和灰度共生矩阵特征，弹性特征的提取则基于非刚性图像配准。最后设计Fisher线性判别、支撑向量机、广义相关学习矢量量化3种分类器进行分类判决。对124例斑块(36例易损，88例非易损)的实验结果表明: 20个形态特征、24个纹理特征和6个弹性特征在两类斑块间存在显著性差异(P<0.05); 采用三类特征由支撑向量机进行分类时效果最好，在测试集上敏感性、特异性、准确率和约登指数分别达到91.7%、97.7%、96.7%和89.4%，表明利用血管内超声图像中斑块的三类特征能自动、准确地识别易损斑块。

为了解决超声图像斑点噪声、伪影、低图像对比度和图像亮度不均匀等问题，提出了一种改进的简化脉冲耦合神经网络(SPCNN)结合模糊互信息量的方法来自动检测乳腺肿瘤超声图像的感兴趣区域(ROI)。首先，对超声图像进行模糊增强预处理；然后，通过改进SPCNN对超声图像进行点火，以最大模糊互信息量作为最优判决准则，获得相应的分类结果；最后，对分类后的二值图像进行形态学等处理，从而得到乳腺超声图像的ROI。对包含118幅乳腺肿瘤超声图像的数据库进行处理，结果表明，该方法自动识别ROI准确率达到87.3%，处理每一幅图像的平均时间为4.68 s。本算法能有效快速地检测乳腺肿瘤超声图像的ROI，有望用于基于超声图像的乳腺肿瘤CAD中。

绿色荧光蛋白荧光图像与相衬图像的融合对蛋白质功能的研究和亚细胞结构的定位有重要价值。针对用于遥感图像融合的ARSIS概念下多尺度融合算法融合荧光图像与相衬图像时可能产生伪像的缺点，提出变透明度的概念。根据直观视觉效果设计了一组函数。为融合图像的每一像素分配了尺度透明度，并基于静态小波变换的分解结果对源图像进行融合。先通过30组图像的融合实验，估计出所设计函数的相应参数，用于对另外117组图像的融合测试，然后分别计算融合结果的荧光区和非荧光区与荧光图像、相衬图像的质量指数Q和高频相关系数HPCC这两个表征融合效果的特征参数。实验结果表明，相比常用的融合算法--透明度法、棋盘格法和静态小波替换法，本方法在保持交互可变透明度的同时，提高了融合结果细节的清晰程度，降低了荧光图像背景对融合结果的影响。

现有的椭圆检测算法如随机霍夫变换,在有遮挡、多目标的情况下存在稳定性差、精度低的缺点。本文提出一种基于凸性连通分支搜索结合曲线拟合的多椭圆检测算法。先按照凸性对边界曲线进行分割,使分割后的曲线符合某一特定的椭圆曲线函数;然后在分割曲线段的基础上进行椭圆拟合;最后合并同一椭圆上的曲线段。对合成图像及自然图像的测试表明,本文提出的方法能够充分利用椭圆曲线边缘点的整体特性,在多椭圆检测中有良好的表现,并具有一定的抗噪性能。

本文提出了一种基于Moore-Penrose 逆矩阵的新型选择性集成学习算法。先独立训练出一批个体学习器并为每个学习器指定一个初始权值,然后应用基于Moore-Penrose 逆矩阵的算法对这些权值进行优化,最后选择权值较大的个体学习器进行最终集成。本文提出的选择性集成学习算法方法简单、易于实现,执行效率高。对8 个真实数据集的实验表明,该集成学习算法相对于一般的集成学习算法,可以采用更少的学习器而获得更高的泛化能力。

针对医学超声图像上的斑点噪声,本文提出一种基于自适应形态滤波的降噪方法。首先构造一组检测图像中不同像素值突变的结构因子;再对每个结构因子构造相应的形态滤波结构元;最后对每个像素点邻域进行结构检测,找到该点处最可能存在的突变结构,以相应的结构元完成该点的形态滤波。对不同信噪比的仿真图像和实际图像分别采用本文方法和各向异性扩散滤波、不同尺度传统形态滤波进行了比较实验,结果表明:采用本方法可将超声图像的信噪比、对比度噪声比和图像优度分别平均提高15%、37%和69%,优于其它方法。