卷积神经网络在癌症病理图像分割中具有突出表现，但在临床应用上依然面临着切片染色多样、分辨率差异大等挑战。针对上述问题，提出了一种病灶分割网络HU-Net，提高了癌症病理图像的分割精度。HU-Net使用U-Net网络作为基本结构，利用经过预训练的EfficientNet-B4作为网络特征编码器，解码器部分在U-Net网络上进行改进，将不同深度特征重新进行组合进行特征融合，提升了深层特征在预测中的作用。在此基础上，利用各深度层融合特征预测输出，构建多损失函数共同训练，使深层语义信息更具鉴别力。最后，采用改进的通道注意力模块对融合特征进行选择，使网络对不同分辨率图像的适应性增强，提升了模型筛选重要特征的能力。在BOT数据集和SEED数据集上分别进行癌症病灶分割实验，所提方法的DICE系数得分在两个数据集上分别达到77.99%和82.94%，准确度得分分别达到88.52%和87.42%。该方法相较于U-Net和DeepLabv3+等网络有效提升了癌症病理图像病灶分割精度，实现了更准确的癌症病灶定位和分割。

在分析交通背景提取的特点和单高斯模型法的不足的基础上,提出了一种改进的单高斯模型法.该算法利用均值法初始化背景模型,引入判断值进行背景更新,运用邻域判别法实现干扰点抑制.不同天气条件,不同交通场景下的实验表明：与单高斯模型法相比,改进算法在提取背景时可以随车辆的走停及时更新,并且抑制了非静止背景物体的干扰.

提出一种基于阈值分割技术和形态学相结合的图像目标边缘提取方法,用Top-hat变换后的图像与原始图像相加再减去Bottom-hat变换后的图像以得到最大对比度的图像,继而进行自动图像阈值分割,再用圆形模板执行形态学闭合操作提取边缘,完全去除内部不感兴趣的细节,并保持边缘的连贯性.仿真结果表明,该方法能很好地提取目标边缘,而实际计算量只有传统方法的44.6%～70.2%,且具有较好的抗噪声能力.

系统采用分光照明方式,设计均匀散射光源,通过图像增强预处理,灰度分析,图像二值化,特征提取与图像识别, 自动分选出表面有缺陷的工件.硬软件包括:光学系统;接收系统;控制电路和Visual C++、汇编语言程序等.系统有效解决了强反射光、复杂表面和随机缺陷带来的检测困难,检测精度可达97.3%.

介绍了激光－荧光法早期肺癌诊断和定位技术，并提出一种与计算机图像处理技术结合的新方法。其结果将改善诊断和定位的准确率，有效地克服当前激光诱导荧光早期肺癌诊断可能出现的假阳性问题。

本文介绍了利用投影莫尔技术进行表面质量检验时的莫尔图计算机处理,给出了计算机数字处理的实验结果.