针对宫颈细胞核图像分割中上下文信息联系匮乏和边缘分割不准确且精度低等问题，提出一种基于U-net改进的结合密集块的U型卷积多尺度引导滤波模块的宫颈细胞核分割网络DGU-Net （Dense-Guided-UNet），可以更完整且精确地分割宫颈细胞核图像。首先，以编码器、解码器结构的U-net模型作为网络骨干提取图像特征；其次，引入密集块模块连接不同层之间的特征，实现上下文信息的传递，从而增强模型的特征提取能力；同时，在每次下采样后和上采样前引入多尺度引导滤波模块，从而引入灰度引导图像中明显的边缘细节信息，增强图像细节和边缘信息；最后，在每个解码器路径中都增加一个侧输出层，融合并平均所有输出的特征信息，从而融合不同尺度不同层次的特征信息，提升结果的准确性和完整性。在Herlev数据集上实验，并把所提网络与U-net、PGU-net+ （Progressive Growing of U-net+）和LFANet （Lightweight Feature Attention Network）这3种深度学习模型对比。结果表明，与PGU-net+相比，DGU-Net的准确率提升了70.06%；与LFANet相比，DGU-Net的交并比（IoU）提升了6.75%。可见，DGU-Net在边缘细节信息处理上更准确，并在分割指标上普遍优于对比模型。
针对全变分（TV）最小化方法在低剂量计算机断层扫描（LDCT）图像重建中易导致的图像过平滑和块状效应等问题，提出一种基于低秩与TV联合正则化的LDCT图像重建方法，以提升LDCT重建图像的视觉质量。首先，建立一个基于低秩与TV联合正则化的图像重建模型，从而从理论上获得更精确和自然的重建结果；其次，通过引入具有非局部自相似特性的低秩先验克服仅使用TV最小化方法存在的局限性；最后，采用Chambolle-Pock （CP）算法优化求解上述模型，以提高模型的求解效率，并保证模型能有效求解。在3种不同LDCT扫描条件下验证所提方法的有效性。在Mayo数据集上的实验结果表明，与PWLS-LDMM（Penalized Weighted Least-Squares based on Low-Dimensional Manifold）方法、NOWNUNM（NOnlocal Weighted NUclear Norm Minimization）方法和CP方法相比，在25%剂量下，所提方法的视觉信息保真度（VIF）分别提升了28.39%、8.30%和2.93%；在15%剂量下，所提方法的VIF分别提升了29.96%、13.83%和4.53%；在10%剂量下，所提方法的VIF分别提升了30.22%、17.10%和7.66%。可见，所提方法在消除噪声和条纹伪影的同时能保留更多的细节纹理信息，验证了所提方法具有较好的噪声伪影抑制能力。
针对神经网络训练存在解释能力差以及不稳定问题，提出一种基于CP （Chambolle-Pock）算法求解的全变分（TV）正则项展开去噪网络（CPTV-Net），用于解决低剂量计算机断层扫描（LDCT）图像去噪问题。首先，向L1正则项模型引入TV约束项，以保留图像的结构信息；其次，采用CP算法对去噪模型进行求解并得出具体迭代步骤，保证算法的收敛性；最后，借助浅层卷积神经网络学习线性操作的原始对偶变量迭代公式，用神经网络计算模型的解，并通过收集网络参数优化合并数据。在模拟和真实LDCT数据集上的实验结果表明，与残差编码器-解码器卷积神经网络（REDCNN）、TED-Net（Transformer Encoder-decoder Dilation Network）等五种先进的去噪方法相比，CPTV-Net具有较优的峰值信噪比（PSNR）、结构相似度（SSIM）和视觉信息保真度（VIF）评估值，能生成去噪效果明显和细节保留最为完整的LDCT图像。
针对在球栅阵列（BGA）气泡检测中，由于图像干扰因素的多样性导致焊球存在边缘气泡与背景之间灰度级接近，从而造成焊球气泡分割结果不精确的问题，提出了一种结合全卷积神经网络（FCN）和K均值（K-means）聚类分割的焊球气泡分割方法。首先根据所制作的BGA标签数据集搭建FCN，通过训练该网络得到合适的网络模型，再对待测BGA图像进行预测处理得到图像的粗分割结果；然后对焊球区域映射提取，通过同态滤波法提高气泡区域辨识度，再使用K-means聚类分割对图像进行细分割处理，得到最终分割结果图；最后对原图焊球及气泡区域进行标注识别。将所提出的算法与传统BGA气泡分割算法进行对比，实验结果表明，所提出的算法对复杂BGA焊球的边缘气泡分割精确，图像分割结果与其真实轮廓高度匹配，准确度更高。
为了提高扇束滤波反投影(FBP)算法重建图像的速度,提出一种极坐标反投影算法的优化快速重建方法。算法利用三角函数对称性对多幅预处理后的投影数据同时进行极坐标反投影运算;在反投影数据坐标转换时运用像素位置参数的对称性,以减少双线性插值的计算量。实验结果表明,在不牺牲重建图像质量前提下,与传统卷积反投影重建算法相比,优化算法的重建速度提高8倍以上。该优化方法也适应于三维锥束重建,并可推广到多层螺旋三维重建。
在正电子发射断层成像（PET）中，传统迭代算法会造成重建图像细节信息丢失或目标边界模糊。为了解决上述问题，提出一种基于相关系数和双向扩散结合的优质中值先验（MP）重建算法。首先，引入特征因子相关系数来表征图像局部灰度统计信息，构造出结合相关系数的双向扩散模型；其次，考虑到双向模型对背景和边缘区别处理的优点，将新模型应用到中值先验分布的最大后验重建算法中，形成基于双向扩散的中值先验重建算法。实验结果表明，该算法在去除噪声的同时能够较好地保持图像中的目标边界信息，信噪比（SNR）和均方误差（RMSE）的变化也能直观体现重建图像质量的提高。
针对低剂量计算机断层扫描(CT)重建图像发生严重衰退的问题,提出一种基于变指数和非局部的最大似然期望最大(MLEM)低剂量CT重建算法。该算法考虑了传统各向异性扩散中降噪不充分的缺点,把可以有效折中热传导和各向异性扩散(P-M)这两种模型的变指数,以及代替梯度检测边缘和细节的相似度函数运用到传统各向异性扩散中,从而达到所期望的效果。该算法在每次迭代中首先采用基本的MLEM算法对低剂量CT投影数据进行重建; 然后利用基于非局部的相似性测度以及变指数和模糊数学的理论对各向异性扩散的扩散函数进行改进,用改进后的各向异性扩散对重建图像进行降噪;最后使用中值滤波对图像进行处理从而消除脉冲噪声点。实验结果表明,所提出算法的均方绝对误差、归一化均方距离均比有序子集惩罚最小二乘(OS-PLS)、有序子集惩罚最大似然一步迟疑(OS-PML-OSL)、基于传统P-M、基于方差的算法小,获得了高达10.52的信噪比。该算法重建出的图像可以在有效消除噪声的同时较好地保持图像的边缘和细节信息。
针对图像去噪过程中存在边缘保持与噪声抑制之间的矛盾，提出了一种基于变指数的片相似性扩散图像降噪算法。算法基于变指数的自适应降噪模型，引入片相似性的思想，构造出新的边缘检测算子和扩散系数函数。传统的各项异性扩散图像降噪算法利用单个像素点的灰度相似性（或梯度信息）检测边缘，不能很好地保持图像的弱边缘和纹理信息。而所提算法利用邻域像素的灰度相似性，可以在滤除图像噪声的同时，保持更多的细节信息。仿真结果表明，与其他传统的基于偏微分方程（PDE）的图像降噪算法相比，该算法将信噪比（SNR）和峰值信噪比（PSNR）提高至16.602480dB和31.284672dB，具有良好的抗噪性；同时视觉效果较好，保持了更多的弱边缘和纹理等细节特征，在噪声抑制与边缘保持之间取得了较好的权衡。
