圖像演算法研究是什麼

1. 骨髓細胞圖像分割演算法研究的意義

這個題目有幾個元素

一是骨髓細胞．骨髓細胞內有多種細胞，識別，計數這些細胞對醫學研究和臨床診斷有重要意義－－這個就不多說了吧？比如某種細胞形態異常／數量異常與某種疾病有聯系，等等．

二是圖像．以上的目的都是通過觀察細胞來實現的．人工來看，很直觀，但有幾個問題：一是費時費力，隨便一個樣品就有成千上萬個細胞，人工計數都是一個一個地數，重復性強，效率低；二是不同的人來看得到的結果相差可能很大，這跟經驗有關，跟人的疲勞程度也有關．所以為了高效，穩定地，統一標准地識別計數骨髓細胞，最好是讓電腦來做，這就是一個圖像處理的問題．

三是分割演算法．這是圖像處理的一個基本技術，並不算生物學的范疇．大致意思是說為了識別圖像中的有用信息，需要把圖像分割成小塊．哪裡是目標物（在這里就是細胞啦），哪塊是背景。更細的可能還需要分割細胞內部哪個區域是細胞核，以及其他的細胞器（為了識別細胞的種類）。

又想了想，其實同樣的目的，把樣品放到流式細胞儀來做，結果可能更可靠。但是樣品的處理和染色都需要時間，自然沒有直接做個塗片快，而且免疫熒光染色的抗體可是一大筆開銷啊。。。。

2. 視覺演算法和圖像演算法的區別

兩者其實差別都不算很大，從專業本身來說，模式識別研發就比如汽車的車牌，你怎麼去識別，圖像演算法主要研究目的就是比如車牌你怎麼讓他更清楚地被你採集後得到有用的信息，還原圖片的原來面目等。都是演算法類的研究，當然演算法也是離不開程序的，如果你對軟體不敢新區，那麼這兩個專業都不是適合你。

3. 圖像分割演算法總結

       圖像處理的很多任務都離不開圖像分割。因為圖像分割在cv中實在太重要(有用)了，就先把圖像分割的常用演算法做個總結。

        接觸機器學習和深度學習時間已經不短了。期間看過各種相關知識但從未總結過。本文過後我會盡可能詳細的從工程角度來總結，從傳統機器學習演算法，傳統計算機視覺庫演算法到深度學習目前常用演算法和論文，以及模型在各平台的轉化，量化，服務化部署等相關知識總結。

        圖像分割常用演算法大致分為下面幾類。由於圖像的能量范函，邊緣追蹤等方法的效果往往只能解決特定問題，效果並不理想，這里不再闡述。當然二值化本身也可以分割一些簡單圖像的。但是二值化演算法較多，我會專門做一個文章來總結。這里不再贅述。

        1.基於邊緣的圖像分割演算法：

            有利用圖像梯度的傳統演算法運算元的sobel，roberts，prewitt,拉普拉斯以及canny等。

            這些演算法的基本思想都是採用合適的卷積運算元，對圖像做卷積。從而求出圖像對應的梯度圖像。(至於為什麼通過如圖1這樣的運算元卷積，即可得到圖像的梯度圖像，請讀者復習下卷積和倒數的概念自行推導)由於圖像的邊緣處往往是圖像像素差異較大，梯度較大地方。因此我們通過合適的卷積核得到圖像的梯度圖像，即得到了圖像的邊緣圖像。至於二階運算元的推導，與一階類似。優點：傳統運算元梯度檢測，只需要用合適的卷積核做卷積，即可快速得出對應的邊緣圖像。缺點：圖像邊緣不一定準確，復雜圖像的梯度不僅僅出現在圖像邊緣，可以能出現在圖像內部的色彩和紋理上。

             也有基於深度學習方法hed，rcf等。由於這類網路都有同一個比較嚴重的缺陷，這里只舉例hed網路。hed是基於FCN和VGG改進，同時引出6個loss進行優化訓練，通過多個層輸出不同scale的粒度的邊緣，然後通過一個訓練權重融合各個層的邊緣結果。hed網路結構如下：

可以得到一個比較完整的梯度圖像，可參考github的hed實現。優點：圖像的梯度細節和邊緣完整性，相比傳統的邊緣運算元要好很多。但是hed對於邊緣的圖像內部的邊緣並不能很好的區分。當然我們可以自行更改loss來嘗試只擬合外部的圖像邊緣。但最致命的問題在於，基於vgg的hed的網路表達能力有限，對於圖像和背景接近，或者圖像和背景部分相融的圖片，hed似乎就有點無能為力了。

        2.基於區域分割的演算法：

            區域分割比較常用的如傳統的演算法結合遺傳演算法，區域生長演算法，區域分裂合並，分水嶺演算法等。這里傳統演算法的思路是比較簡單易懂的，如果有無法理解的地方，歡迎大家一起討論學習。這里不再做過多的分析。

            基於區域和語意的深度學習分割演算法，是目前圖像分割成果較多和研究的主要方向。例如FCN系列的全卷積網路，以及經典的醫學圖像分割常用的unet系列，以及rcnn系列發展下的maskrcnn，以及18年底的PAnet。基於語意的圖像分割技術，無疑會成為圖像分割技術的主流。

            其中，基於深度學習語意的其他相關演算法也可以間接或直接的應用到圖像分割。如經典的圖像matting問題。18年又出現了許多非常優秀的演算法和論文。如Deep-Image-Matting，以及效果非常優秀的MIT的 semantic soft segmentation(sss).

            基於語意的圖像分割效果明顯要好於其他的傳統演算法。我在解決圖像分割的問題時，首先嘗試用了hed網路。最後的效果並不理想。雖然也參考github，做了hed的一些fine-tune,但是還是上面提到的原因，在我多次嘗試後，最終放棄。轉而適用FCN系列的網路。但是fcn也無法解決圖像和背景相融的問題。圖片相融的分割，感覺即需要大的感受野，又需要未相融部分原圖像細節，所以單原FCN的網路，很難做出准確的分割。中間還測試過很多其他相關的網路，但都效果不佳。考慮到感受野和原圖像細節，嘗試了resnet和densenet作為圖像特徵提取的底層。最終我測試了unet系列的網路：

                unet的原始模型如圖所示。在自己拍照爬蟲等手段採集了將近1000張圖片。去掉了圖片質量太差的，圖片內容太過類似的。爬蟲最終收集160多張，自己拍照收集200張圖片後，又用ps手動p了邊緣圖像，採用圖像增強變換，大約有300*24張圖片。原生unet網路的表現比較一般。在將unet普通的卷積層改為resnet後，網路的表達能力明顯提升。在將resnet改為resnet101，此時，即使對於部分相融的圖像，也能較好的分割了。但是unet的模型體積已經不能接受。

                在最後階段，看到maskrcnn的實例分割。maskrcnn一路由rcnn,fasterrcnn發展過來。於是用maskrcnn來加入自己的訓練數據和label圖像進行訓練。maskrcnn的結果表現並不令人滿意，對於邊緣的定位，相比於其他演算法，略顯粗糙。在產品應用中，明顯還不合適。                

        3.基於圖的分割演算法

            基於深度學習的deepgrab,效果表現並不是十分理想。deepgrab的git作者backbone採用了deeplabv2的網路結構。並沒有完全安裝原論文來做。

論文原地址參考： https://arxiv.org/pdf/1707.00243.pdf

整體結構類似於encode和decoder。並沒有太仔細的研究，因為基於resent101的結構，在模型體積，速度以及deeplab的分割精度上，都不能滿足當前的需求。之前大致總結過計算機視覺的相關知識點，既然目前在討論移動端模型，那後面就分模塊總結下移動端模型的應用落地吧。

由於時間實在有限。這里並沒有針對每個演算法進行詳細的講解。後續我會從基礎的機器學習演算法開始總結。

4. 醫學圖像處理是對什麼成像方法及圖像處理方法的研究

MRI

MRI 核磁共振成像技術作為二十世紀醫學影像成像領域最重要的進展之一，在醫學臨床診斷中的應用日益廣泛,因此研究磁共振成像及其圖像處理方法具有很廣泛的現實意義。

論文對MRI醫學成像和圖像處理方法的幾個主要方面進行了相關研究。主要涉及三個子課題:基於化學位移的擴展兩點Dixon水和脂肪分離演算法研究，該演算法同時包含特定成像脈沖序列設計和圖像後處理;

基於非線性濾波的圖像增強、去噪以及高解析度圖像重建演算法研究;基於整數小波變換和改進零樹編碼的醫學圖像漸進無損壓縮演算法研究。

在文章中，作者首先系統回顧了MRI 磁共振成像的物理學基本原理，並在此基余鎮礎上對基於化學位移的擴展兩點Dixon水和脂肪分離演算法進行了研究,提出使用低通濾波代替多項式擬合迭代進行兩維相位去卷繞,改進演算法能夠降低分離處理的計算復雜度和改善了水和脂肪的分離結果。

為改善MRI醫學圖像質量，論文對線性增強演算法和非線性禪者濾波外推圖像增強演算法進行研究分析，指出整幅圖像增強時導致馬太效應的原因所在。

進而提出一種新的剪切策略包絡閾值剪切策略改進非線性濾波演算法，使得改進後的演算法在外推新的高頻分量進行圖像增強時顯著優於原有演算法。運用改進的非線性濾波演算法結合低通濾波對醫學圖像進行去噪處理，能有效消除高頻雜訊同時盡可能保留有用高頻信號。

最後將改進的非線性濾波方法應用於高解析度圖像重建，獲得了比線性插值更為理想的高解析度重建圖像。

論文對整數小波變換和 EZW零樹編碼演算法做了簡單回顧，研究了EZW零樹編碼策略應用於無損圖像壓豎襲粗縮時的缺點,提出基於整數小波變換和改進零樹編碼的醫學圖像漸進無損壓縮框架。

對醫學圖像的無損壓縮實驗取得了較高的壓縮比，有損漸進解碼恢復時，較低的碼率得到了較好的圖像信噪比，同時良好的漸進解碼特性，能夠滿足遠程醫療等基於信道傳輸的圖像解壓縮應用。

5. 想研究圖像處理演算法應該考什麼專業的研哪些學校比較好

如果想研究圖像處理演算法和應用，可以考慮考中科院自動化所，該所在圖像處理、模式識別研究領域絕對前沿，至於專業，可以是計算機應用技術或者模式識別與智能科學，具體可以去看看每年招生專業目錄，但是聽說那邊無論專業為何，大部分都搞圖像處理或相關。

此外也可以考慮浙大等其他高校，其他具體情況不了解，就不誤導你了，望採納。