首页/论文/1908.03630

arXiv 1908.036302019-08cs.CV

用于皮肤检测的学习形态学算子

Learning morphological operators for skin detection

Università di Bologna（博洛尼亚大学）；University of Padova（帕多瓦大学）

Alessandra Lumini, Loris Nanni, Alice Codogno, Filippo Berno

发表信息：: Journal of Artificial Intelligence and Systems (2019)
DOI：: 10.33969/AIS.2019.11004

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

在这项工作中，我们提出了一种新的后处理方法的基础上训练形态算子的皮肤检测器。第一步骤，包括根据现有的皮肤检测方法执行皮肤分割，用于皮肤分割，然后执行第二步骤，包括应用一组形态算子来细化所得到的掩模。考虑到两种不同的检测方法（一种基于深度学习，一种手工制作）进行了广泛的实验评估进行10个不同的数据集，证实了所提出的方法的质量。

英文摘要：

In this work we propose a novel post processing approach for skin detectors based on trained morphological operators. The first step, consisting in skin segmentation is performed according to an existing skin detection approach is performed for skin segmentation, then a second step is carried out consisting in the application of a set of morphological operators to refine the resulting mask. Extensive experimental evaluation performed considering two different detection approaches (one based on deep learning and a handcrafted one) carried on 10 different datasets confirms the quality of the proposed method.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

用于协作皮肤病变分割和黑色素瘤识别的知识感知深度框架

Knowledge-aware Deep Framework for Collaborative Skin Lesion Segmentation and Melanoma Recognition

Nanyang Technological University（南洋理工大学）；Central South University（中南大学）；Singapore University of Technology and Design（新加坡科技设计大学）

深度学习技术在皮肤科医生的临床检查中表现出了卓越的性能。然而，黑色素瘤的诊断仍然是一个具有挑战性的任务，由于将有用的皮肤科医生的临床知识纳入学习过程中的困难。在本文中，我们提出了一种新的知识感知深度框架，该框架将一些临床知识纳入两个重要的黑色素瘤诊断任务的协作学习中，即，皮肤病变分割和黑素瘤识别。具体而言，利用知识的形态学表达的病变区域和黑色素瘤识别的周边区域，基于病变池和形状提取（LPSE）计划的设计，转移到黑色素瘤识别从皮肤病变分割获得的结构信息。同时，为了将黑色素瘤识别中的皮肤病变诊断知识传递到皮肤病变分割中，设计了一种有效的诊断引导特征融合（DGFF）策略。此外，我们提出了一个递归的相互学习机制，进一步促进任务间的合作，从而迭代地提高皮肤病变分割和黑色素瘤识别模型的联合学习能力。两个公开的皮肤病变数据集上的实验结果表明，所提出的方法对黑色素瘤分析的有效性。

2021-12-02cs.CVeess.IV

通道注意力可分离卷积网络用于皮肤病变分割

Channel Attention Separable Convolution Network for Skin Lesion Segmentation

Budapest University of Technology and Economics（布达佩斯技术与经济大学）；Weifang University（潍坊学院）；Jiangxi Normal University（江西师范大学）

针对皮肤病变分割的准确性和自动化需求，提出通道注意力可分离卷积网络（CASCN），在PH2数据集上以0.9461的Dice系数和0.9645的准确率实现最先进性能。

2023-09-03cs.CVeess.IV

使用神经结构搜索学习深度形态网络

Learning Deep Morphological Networks with Neural Architecture Search

ENSTA Paris, Institut Polytechnique de Paris（巴黎高等先进技术学院，巴黎理工学院）；Safrantech, Safran Group（赛峰技术公司，赛峰集团）；Mines ParisTech, PSL Research University（巴黎高等矿业学院，巴黎文理研究大学）；National University of Singapore（新加坡国立大学）

深度神经网络（DNN）是通过顺序执行线性和非线性过程生成的。使用线性和非线性过程的组合对于生成足够深的特征空间至关重要。大多数非线性算子是激活函数或池函数的导数。数学形态学是为各种图像处理问题提供非线性算子的数学分支。在本文中，我们研究了在端到端深度学习框架中集成这些操作的实用性。DNN旨在为特定作业获取真实的表示。形态学算子给出拓扑描述符，其传达关于图像中描绘的对象的形状的显著信息。我们提出了一种基于元学习的方法，将形态算子纳入DNN。学习的架构展示了我们的新形态操作如何显着提高DNN在各种任务上的性能，包括图片分类和边缘检测。

2022-07-27cs.AIcs.CVcs.LG

使用深度学习自动分割皮肤病变

Automatic segmentation of skin lesions using deep learning

Indian Institute of Technology, Kharagpur（印度理工学院卡哈拉格普尔分校）；Nanyang Technological University（南洋理工大学）

本文总结了我们提交给2018年举行的国际皮肤成像协作组（ISIC）皮肤病变分析对黑色素瘤检测挑战的任务1中使用的方法。我们使用了一种全自动的方法来准确地分割皮肤镜图像中的病变边界。U-net深度学习网络是根据国际标准工业分类的公开数据训练的。我们介绍了使用强度，颜色和纹理增强操作作为预处理步骤和形态操作和轮廓识别作为后处理步骤。

2018-07-13cs.CV

使用非对称自动编码器的形态学算子的基于部分的近似

Part-based approximations for morphological operators using asymmetric auto-encoders

Centre for Mathematical Morphology, Mines ParisTech, PSL Research University（巴黎文理研究大学巴黎高等矿业学院数学形态学中心）；LTCI, Télécom ParisTech, Université Paris-Saclay（巴黎萨克雷大学巴黎高等电信学院LTCI实验室）

本文讨论的问题，建立一个部分为基础的表示的图像数据集。更确切地说，我们在一组减少的原子上寻找图像的非负稀疏分解，以揭示数据的形态和可解释的结构。此外，我们希望为任何不属于初始数据集的新样本在线计算此分解。因此，我们的解决方案依赖于一个稀疏的、非负的自动编码器，其中编码器是深的（为了准确性），解码器是浅的（为了可解释性）。这种方法相比，有利的两个数据集（MNIST和时尚MNIST）的最先进的在线方法，根据经典的度量和一个新的，我们介绍的基础上，表示形态膨胀的不变性。

2019-04-03cs.CVcs.LGmath.ST

两种皮肤病变自动分割算法的比较分析

Comparative Analysis of Automatic Skin Lesion Segmentation with Two Different Implementations

从周围皮肤中分割病变是开发皮肤癌自动计算机辅助诊断的首要任务。病变的不同特征，如颜色分布不均匀，形状不规则，边界和纹理使这项任务具有挑战性。本文的贡献是提出和比较两种不同的方法来分割皮肤病变。第一种方法使用分水岭，而第二种方法使用均值漂移。在两种方法中进行预处理步骤以去除显微图像的毛发和暗边界。使用Jaccard指数（Intersection over Union或IoU）对所提出的方法进行评估。本文的一个额外的贡献是目前的管道进行预处理和分割应用现有的分割和形态学算法，导致有前途的结果。平均而言，第一种方法表现出比第二种方法更好的性能，200张ISIC-2017挑战图像的平均Jaccard指数分别为89.16%和76.94%。

2019-04-05cs.CV

更多相关论文收起更多论文

基于FPGA的混合颜色模型人脸检测并行结构

An FPGA-based Parallel Architecture for Face Detection using Mixed Color Models

Tianjin University（天津大学）

本文提出了一种在彩色图像中检测人脸的可靠方法。该系统首先在YCgCr和YIQ颜色空间中检测肤色，然后对二值纹理进行滤波和形态学处理，最后在YIQ颜色空间中将肤色转换为用户偏好的肤色。实现了实时调整电路，并给出了部分仿真结果。实验结果表明，该方法具有较高的识别率和较低的误报率，同时具有计算简单、计算量小的优点。

2014-05-27cs.CV

皮肤病学AI在不同的、经筛选的临床图像集上的性能差异

Disparities in Dermatology AI Performance on a Diverse, Curated Clinical Image Set

Stanford School of Medicine（斯坦福大学医学院）；Stanford University（斯坦福大学）；Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）；Keio University School of Medicine（庆应义塾大学医学院）；Chan-Zuckerberg Biohub（陈-扎克伯格生物中心）

获得皮肤病护理是一个主要问题，全球估计有30亿人无法获得护理。人工智能（AI）可以帮助分类皮肤病。然而，大多数AI模型尚未在不同肤色或罕见疾病的图像上进行严格评估。为了确定在这种情况下算法性能的潜在偏差，我们策划了多样化的皮肤病学图像（DDI）数据集-第一个公开可用的，专业策划的，病理证实的不同肤色的图像数据集。使用这个包含656张图像的数据集，我们发现最先进的皮肤病学AI模型在DDI上的表现要差得多，与模型的原始测试结果相比，受试者操作曲线曲线下面积（ROC-AUC）下降了27- 36%。所有模型在深色肤色和不常见疾病上的表现都较差，这些都在DDI数据集中表示。此外，我们发现，通常为人工智能训练和测试数据集提供视觉标签的皮肤科医生在深色肤色和不常见疾病的图像上的表现也比地面真实活检注释差。最后，在特征鲜明且多样化的DDI图像上微调AI模型，缩小了浅色和深色肤色之间的性能差距。此外，针对不同肤色进行微调的算法在识别深色肤色图像上的恶性肿瘤方面优于皮肤科医生。我们的研究结果确定了皮肤病学AI的重要弱点和偏见，需要解决这些问题，以确保可靠地应用于各种患者和疾病。

2022-03-15cs.AIcs.CVcs.LG

基于预处理、阈值和神经网络的皮肤病变分割

Skin lesion segmentation based on preprocessing, thresholding and neural networks

Universidad Politécnica de Madrid（马德里理工大学）

本摘要描述了用于参与挑战ISIC 2017的分割系统：皮肤病变分析对黑色素瘤检测。几种预处理技术已被测试的三种颜色表示（RGB，YCbCr和HSV）的392幅图像。结果已被用来选择更好的预处理每个通道。在每种情况下，训练神经网络以基于对象特性来预测Jaccard指数。该系统包括黑框和参考圆检测算法，但没有对脱毛进行特殊处理。分割分两步进行，首先通过选择最佳神经网络输出来选择要分割的最佳通道。如果该输出没有预测Jaccard指数超过0.5，则使用开放和封闭形态学操作执行更积极的预处理，并且从神经网络获得最佳输出的通道的分割被选择为病变。

2017-03-15cs.CV

IMA++: ISIC档案多标注者皮肤镜皮损分割数据集

IMA++: ISIC Archive Multi-Annotator Dermoscopic Skin Lesion Segmentation Dataset

Medical Image Analysis Lab, School of Computing Science, Simon Fraser University（医学影像分析实验室，计算科学学院，西蒙弗雷泽大学）；AIP Labs（AIP实验室）

提出ISIC MultiAnnot++数据集，包含14,967张皮肤镜图像和17,684个分割掩码，其中2,394张图像有2-5个标注，并附带标注者技能水平和工具元数据，支持多标注者医学图像分割研究。

2026-06-01cs.CV

一种基于反调和均值的形态学算子学习框架

A Learning Framework for Morphological Operators using Counter-Harmonic Mean

IDSIA – USI – SUPSI（IDSIA – 瑞士意大利语区大学 – 瑞士意大利语区应用科学大学）；MINES ParisTech（巴黎高等矿业学院）

我们提出了一个新的框架学习形态算子使用反调和平均。它结合了形态学和卷积神经网络的概念。一个彻底的实验验证分析了基本的形态算子膨胀和腐蚀，打开和关闭，以及更复杂的顶帽变换，我们报告了钢铁行业的实际应用。使用在线学习和随机梯度下降，我们的系统学习的结构元素和运营商的组成。它可以很好地扩展到大型数据集和在线设置。

2012-12-11cs.CV

基于超图形态算子的细化算法

Thinning Algorithm Using Hypergraph Based Morphological Operators

College Of Engineering Karunagappally（卡鲁纳加帕利工程学院）

目标识别是图像处理中的一个复杂问题。数学形态学是一种面向形状的操作，它简化了图像数据，保留了图像的基本形状特征，并消除了不相关性。本文简要介绍了超图形态学算子及其在细化算法中的应用。利用超图方法构造的形态学算子用于防止骨架中的错误和不规则，是识别线状目标的重要步骤。利用超图的膨胀、腐蚀、开、闭等形态学算子是图像处理中的一种新方法，它可以作为滤波器去除图像中的噪声和误差。

2015-07-25cs.CV

基于图和超图的形态滤波研究

A Study of Morphological Filtering Using Graph and Hypergraphs

College Of Engineering Karunagappally（卡鲁纳加帕利工程学院）

数学形态学（MM）有助于使用集合理论来描述和分析形状。MM可以有效地应用于被视为集合的二值图像。定义的基本形态学算子可以作为图像处理的有效工具。基于图和超图的数学形态学算子也得到了发展。这些算子在图像处理中有较好的性能和应用。Bino等人[8]、[9]发展了超图上的形态算子理论。考虑了超图的结构，定义了基本的形态学运算腐蚀/膨胀。在超图上定义了开闭算子和过滤算子。基于超图的滤波已经发现相对于基于图的形态滤波器具有更好的性能。在本文中，我们评估超图基于ASF的有效性二值图像。实验结果表明，基于超图的ASF过滤器的性能优于基于图的ASF。

2015-07-25cs.CV

用于皮肤肿瘤分类的分割和ABCD规则提取

Segmentation and ABCD rule extraction for skin tumors classification

Tlemcen University（特莱姆森大学）；Université de Bourgogne（勃艮第大学）

在过去的几年中，基于计算机视觉的诊断系统已被广泛用于几家医院和皮肤科诊所，旨在早期检测恶性黑色素瘤，这是最常见的皮肤癌类型之一。在这项工作中，我们提出了一个自动诊断系统的基础上ABCD规则用于临床诊断，以区分良性和恶性皮肤病变。首先，为了减少小结构的影响，使用基于形态学和快速行进方案的预处理步骤。第二步，提出了一种无监督的病变分割方法。采用迭代阈值法自动初始化水平集。由于自动边界的检测是计算机化黑色素瘤识别系统中后续阶段正确性的重要步骤，我们将其准确性与growcut和均值漂移算法进行了比较，并讨论了这些结果如何影响以下步骤：特征提取和最终的病变分类。以视觉诊断为基础，计算了四个特征：不对称性（A）、边界（B）、颜色（C）和多样性（D），并将其用于构建基于人工神经网络的恶性黑色素瘤分类模型。该框架已在320张图像的皮肤镜数据库[16]上进行了测试。分类结果表明，提高了正确的检测率和降低误报率。

2021-06-08cs.CV

最大加算子在神经网络滤波器选择和模型修剪中的应用

Max-plus Operators Applied to Filter Selection and Model Pruning in Neural Networks

Ecole Polytechnique（巴黎综合理工学院）；Télécom ParisTech（巴黎高等电信学院）；Université Paris-Saclay（巴黎-萨克雷大学）；Mines ParisTech（巴黎高等矿业学院）；PSL Research University（巴黎文理研究大学）

根据形态神经网络的最新进展，我们建议更深入地研究如何利用Max-plus算子来定义形态单元，以及它们在传统神经网络层中的行为。除了表明它们可以很容易地用现代机器学习框架实现之外，我们还确认并扩展了这样一个观察结果，即Max-plus层可以用来选择重要的过滤器并减少其前一层的冗余，而不会导致性能损失。实验结果表明，Max-plus实现的滤波器选择策略是高效和鲁棒的，通过该策略，我们成功地对不同的神经网络架构进行了模型修剪。通过比较Maxout网络和我们的剪枝Max-plus网络各自的特点，指出它们之间有着密切的联系。复制我们实验的代码可以在网上找到。

2019-04-08cs.CVcs.LGcs.NE

面向资源受限设备的量化感知神经形态架构用于皮肤疾病分类

Quantization-Aware Neuromorphic Architecture for Skin Lesion Classification on Resource-Constrained Devices

Department of Computer Science（计算机科学系）；Software Engineering, The University of Western Australia (UWA), Perth, WA 6009, Australia（软件工程系，西澳大利亚大学（UWA），珀斯，WA 6009，澳大利亚）

QANA通过量化感知CNN和神经形态架构，在资源受限设备上实现高效皮肤疾病分类，提升SNN转换稳定性与性能。

2026-08-13cs.AIcs.CVeess.IV

一种训练无约束序列离散形态学神经网络的算法

An Algorithm to Train Unrestricted Sequential Discrete Morphological Neural Networks

University of São Paulo（圣保罗大学）；Texas A&M University（德克萨斯农工大学）

针对现有形态学神经网络存在黑箱特性、二值图像场景下丢失布尔格结构无法表示特定W算子的问题，提出一种训练由通用W算子构成的无约束序列离散形态学神经网络的算法，并通过实例进行验证。

2024-02-02cs.CV

离散形态神经网络

Discrete Morphological Neural Networks

Texas A&M University（德克萨斯农工大学）；University of São Paulo（圣保罗大学）

本文提出离散形态神经网络（DMNN），融合经典启发式与机器学习自动设计形态算子，用格下降算法训练参数，在带噪数字边界识别中验证有效性。

2024-02-09cs.CV

基于组合神经网络的皮肤检测

Combining Neural Networks for Skin Detection

School of Engineering and Information Technology, Universiti Malaysia Sabah（马来西亚沙巴大学工程与信息技术学院）；Computer and Systems Sciences, Graduate School of Engineering, Osaka Prefecture University（大阪府立大学工程研究生院计算机与系统科学系）

评估了两种类型的组合策略，即组合皮肤特征和组合皮肤分类器。应用了几种组合规则，其中使用诸如AND和OR运算符、“投票”、“权重和”的二元运算符和新的神经网络来组合皮肤分类器的输出。从YCbCr颜色空间中选择在其单个特征MLP上给出最高正确检测的三个色度分量作为组合参数。设计MLP神经网络的一个主要问题是在给定一组训练模式的情况下确定最佳的隐层单元数。因此，提出了一种“由粗到细搜索”的方法来寻找隐藏层中的神经元数目。Cb/Cr和Cr特征相结合的策略比Cb-Cr给出的最佳单特征MLP提高了3.01%的正确检测率。与最佳单一特征MLP相比，使用“权重和”规则组合三个皮肤分类器的输出的策略进一步将正确检测提高了4.38%。

2011-01-02cs.CV

基于形态学网络的图像去噪

Morphological Networks for Image De-raining

Indian Statistical Institute（印度统计研究所）；The University of Adelaide（阿德莱德大学）

数学形态学方法已经成功地应用于过滤掉（强调或删除）图像的不同结构。然而，有人认为，这些方法可以适用于任务，只有当类型和阶数的滤波器（S）以及形状和大小的算子核的设计是正确的。因此，现有的过滤操作是特定于问题（实例）的，并且由领域专家设计。在这项工作中，我们提出了一个形态学网络，模拟经典的形态学滤波组成的一系列腐蚀和膨胀算子与可训练的结构元素。我们评估所提出的网络图像去训练任务的SSIM和平均绝对误差（MAE）损失对应的预测和地面真实干净的图像是通过网络反向传播训练的结构元素。我们观察到，单个形态学网络可以用任何形状的雨滴对图像进行去雨，并且在此任务中，用一小部分可训练参数（网络大小）实现与当代CNN相似的性能。所提出的形态学网络（MorphoN）不是专门为去雨而设计的，可以很容易地应用于类似的过滤/噪声清除任务。源代码可以在这里找到https://github.com/ranjanZ/2D-Morphological-Network

2019-01-08cs.CV

我们能否超越视觉特征？面向非黑色素瘤皮肤组织病理学的神经组织关系建模

Can We Go Beyond Visual Features? Neural Tissue Relation Modeling for Relational Graph Analysis in Non-Melanoma Skin Histology

Mohamed bin Zayed University of AI（Mohamed bin Zayed人工智能大学）；School of Information and Data Sciences（信息与数据科学学院）；Vellore Institute of Technology（维洛雷理工学院）；Loughborough University（洛桑大学）；MD Anderson Cancer Center, The University of Texas（MD安德森癌症中心，德克萨斯大学）

本文提出神经组织关系建模（NTRM），通过引入组织级图神经网络，改进皮肤病理学图像分割，提升对组织间关系的建模能力，在非黑色素瘤皮肤癌分割数据集上取得更优性能。

2026-05-11cs.CV

从皮肤组织学图像预测患者自我报告的种族

Predict Patient Self-reported Race from Skin Histological Images

Windreich Department of Artificial Intelligence and Human Health, Icahn School of Medicine at Mount Sinai（威德里希人工智能与人类健康部门，伊坎医学院-蒙塔尼中心）；Hasso Plattner Institute for Digital Health at Mount Sinai, Icahn School of Medicine at Mount Sinai（霍普夫纳数字健康研究所，伊坎医学院-蒙塔尼中心）；Department of Pathology, Molecular and Cell-Based Medicine, Mount Sinai Health System（病理学部，分子与细胞基础医学部，蒙塔尼健康系统）

本研究探究深度学习模型能否从皮肤病理切片预测自我报告的种族，发现模型存在种族相关形态学捷径，白人和黑人预测AUC分别达0.799、0.762，表皮是关键特征，凸显病理AI需重视数据整理与偏差缓解以保障公平性。

2025-07-30cs.CEcs.CV

MFSNet：一种用于皮肤病变分割的多焦点分割网络

MFSNet: A Multi Focus Segmentation Network for Skin Lesion Segmentation

Jadavpur University（贾达布尔大学）

医学图像分割是医学图像分析的基础，它可以识别和定位疾病，监测形态变化，并提取有区别的特征用于进一步诊断。皮肤癌是全球最常见的癌症类型之一，其早期诊断对于从体内完全消除恶性肿瘤至关重要。本研究开发了一个人工智能（AI）框架，用于采用深度学习方法进行监督皮肤病变分割。所提出的框架，称为MFSNet（多焦点分割网络），使用不同比例的特征图计算最终的分割掩模使用原始输入RGB图像的皮肤病变。在这样做时，最初，对图像进行预处理以去除不需要的伪影和噪声。MFSNet采用Res2Net主干，这是一种最近提出的卷积神经网络（CNN），用于获得并行部分解码器（PPD）模块中使用的深度特征，以获得分割掩码的全局映射。在网络的不同阶段，卷积特征和多尺度映射用于两个边界注意力（BA）模块和两个反向注意力（RA）模块，以生成最终的分割输出。MFSNet在三个公开可用的数据集上进行评估：$PH^2$，ISIC 2017和HAM 10000，表现优于最先进的方法，证明了框架的可靠性。建议方法的相关代码可在https://github.com/Rohit-Kundu/MFSNet上查阅

2022-03-29cs.CVcs.LGeess.IV

SkinFormer：基于Transformer学习统计纹理表示用于皮肤病变分割

SkinFormer: Learning Statistical Texture Representation with Transformer for Skin Lesion Segmentation

Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Shandong Computer Science Center（山东省计算中心）；Qilu University of Technology（齐鲁工业大学）；Shandong Fundamental Research Center for Computer Science（山东计算机科学基础研究中心）；Beijing University of Posts and Telecommunications（北京邮电大学）

针对皮肤病变分割中纹理表示利用不足的问题，提出基于Transformer的SkinFormer网络，通过峰度引导算子与两类Transformer模块提取融合统计纹理，在ISIC 2018等数据集上取得优于SOTA的性能。

2024-09-13cs.CVeess.IV

基于视觉语言基础模型的全切片图像皮肤肿瘤零样本分割

Zero-shot segmentation of skin tumors in whole-slide images with vision-language foundation models

Instituto Universitario de Investigación en Tecnología Centrada en el Ser Humano (HUMAN-Tech), Universitat Politécnica de Valencia（人类中心技术大学研究机构（HUMAN-Tech）、西班牙巴塞罗那理工大学）；Artikode Intelligence S.L.（Artikode Intelligence公司）

本研究提出ZEUS框架，利用视觉语言基础模型实现全切片图像中皮肤肿瘤的零样本分割，减少标注负担并提高分割精度。

2025-11-24cs.CV

二元多通道形态神经网络

Binary Multi Channel Morphological Neural Network

CentraleSupélec（巴黎中央理工-高等电力学院）；Université Paris-Saclay（巴黎萨克雷大学）；Inria（法国国家信息与自动化研究所）

神经网络，特别是深度学习，从理论角度研究相对较少。相反，数学形态学是一门具有坚实理论基础的学科。我们结合这些领域提出了一种新的神经结构，在理论上更容易解释。本文介绍了一种基于卷积神经网络的二进制形态神经网络（BiMoNN）。我们设计它来学习具有二进制输入和输出的形态网络。我们证明了BiMoNN和形态算子之间的等价性，我们可以使用它们来二进制化整个网络。这些可以学习经典的形态学算子，并在医学成像应用中显示出有前途的结果。

2022-04-19cs.CVcs.LG

形态学网络：形态学神经元能走多远？

Morphological Network: How Far Can We Go with Morphological Neurons?

Samsung Research（三星研究院）；Indian Statistical Institute（印度统计研究所）

形态神经元，即具有可学习结构元素的膨胀和腐蚀等形态运算符，在相当长的一段时间内引起了研究人员的兴趣，因为这些运算符尽管简单，但却带来了强大的功能。这些算子被认为是强大的非线性工具，但对于给定的问题，提出一系列操作及其结构元素是一项重要的任务。因此，现有的工作主要集中在这一部分的问题，而没有深入研究其适用性作为通用运营商。当输入是特征向量时，一些作品试图利用形态神经元作为分类（和回归）网络的一部分。然而，这些方法主要集中在一个特定的问题，而不是进入一般的理论分析。在这项工作中，我们从理论上分析了形态神经元，并表明这些神经元比以前预期的要强大得多。我们提出的形态块，包含膨胀和腐蚀，然后是它们的线性组合，代表了铰链功能的总和。已有的工作表明，铰链函数在分类和回归问题中表现得很好。两个形态块甚至可以近似任何连续函数。然而，为了便于我们在本文中所做的理论分析，我们将自己限制在算子的1D版本上，其中结构元素对整个输入进行操作。实验评估还表明，与类似结构的神经网络的形态神经元建立的网络的有效性。

2022-12-14cs.CVcs.LGcs.NE

基于智能手机的皮肤癌分类应用程序，使用深度学习与临床图像和病变信息

A Smartphone based Application for Skin Cancer Classification Using Deep Learning with Clinical Images and Lesion Information

UFES（圣埃斯皮里图联邦大学）

在过去的几十年中，皮肤癌、黑色素瘤和非黑色素瘤的发病率持续增加。特别是对于黑色素瘤，最致命的皮肤癌类型，早期检测对增加患者预后很重要。最近，深度神经网络（DNN）已经成为处理皮肤癌检测的可行方法。在这项工作中，我们提出了一个基于智能手机的应用程序，以协助皮肤癌检测。该应用程序基于卷积神经网络（CNN），该网络基于从智能手机收集的临床图像和患者人口统计数据进行训练。同时，针对皮肤癌数据集不平衡的问题，提出了一种基于差分进化算法变异算子的数据平衡方法。从这个意义上说，beyond提供了一个灵活的工具，以帮助医生在皮肤癌筛查阶段，该方法获得了有希望的结果，平衡的准确率为85%，召回率为96%。

2021-04-28cs.CVeess.IV

TorchMorph：CUDA加速的形态学变换

TorchMorph: CUDA-accelerated Morphological Transforms

Shanghai University（上海大学）

本文提出轻量PyTorch扩展TorchMorph，实现22个CUDA加速形态学算子，吞吐量远超CPU参考，可便捷迁移现有流程，用于GPU视觉任务。

2026-08-26cs.CV

基于最优结构元素形态学算子的医学X射线图像对比度增强

Contrast Enhancement of Medical X-Ray Image Using Morphological Operators with Optimal Structuring Element

Islamic University of Technology（伊斯兰科技大学）；University of South Florida（南佛罗里达大学）

为了指导手术和医疗，X射线图像已被每个现代医疗机构和医院的医生使用。在X射线成像技术的帮助下，医生在骨骼系统领域的评估过程和疾病识别可以更快，更有效地进行，因为它们可以无痛地描绘骨骼结构。本文提出了一种有效的对比度增强技术，使用形态学算子，这将有助于更清楚地显示重要的骨段和软组织。利用顶帽和底帽变换来增强图像，其中计算梯度幅度值以自动选择结构元素（SE）大小。不同的X射线成像数据库上的实验评估表明，我们的方法也产生相对更好的输出对一些现有的图像增强技术的有效性。

2019-05-21cs.CVeess.IV

组织病理学全切片图像中黑色素瘤皮肤癌的检测与定位

Detection and Localization of Melanoma Skin Cancer in Histopathological Whole Slide Images

University of Stavanger（斯塔万格大学）；Stavanger University Hospital（斯塔万格大学医院）

针对皮肤癌病例增长、病理医生不足的问题，提出基于单个CNN的深度学习方法，可在全切片图像中检测定位黑色素瘤病变并进行切片级诊断，在未知数据上F1达0.992、灵敏度达0.99。

2023-11-04cs.CVcs.LGeess.IV

形状空间中的形态学滤波：使用基于树的图像表示的应用

Morphological Filtering in Shape Spaces: Applications using Tree-Based Image Representations

EPITA Research and Development Laboratory (LRDE)（EPITA研发实验室（LRDE））；Université Paris-Est（巴黎东大学）；ESIEE（巴黎高等电子与电工技术工程师学校）

连通算子是通过合并图像的基本区域来起作用的过滤工具。一种流行的策略是基于树的图像表示：例如，可以计算树的每个节点上的属性，并仅保留属性足够强的节点。这个操作可以被看作是树的阈值化，看作是一个节点被属性加权的图。而不是仅仅满足于阈值，我们建议扩展这个想法，并在这个最新的图上应用连接过滤器。因此，滤波不是在图像的空间中进行，而是在从图像构建的形状的空间上进行。这样的处理是现有的基于树的连通算子的推广。事实上，该框架包括经典的现有连接运营商的属性。它也使我们能够提出一类新的连接运营商的水平家庭，形状属性的基础上。最后，我们还提出了一类新的自对偶连通算子，我们称之为形态整形。

2012-07-16cs.CVmath.OA

多维数组上的一类LULU算子

A Class of LULU Operators on Multi-Dimensional Arrays

University of Pretoria（比勒陀利亚大学）

序列的LULU算子通过连接的形态学概念以保持其基本性质的方式扩展到多维数组，例如它们是分隔符并形成四元全序半群。的权力的运营商证明，通过推导出一个总的变化保持离散脉冲分解的图像。

2007-12-18cs.CV

基于形态学算子的脱机阿拉伯手写体词切分

Off-Line Arabic Handwritten Words Segmentation using Morphological Operators

Sudan University of Science and Technology（苏丹科技大学）；University of KwaZulu-Natal（夸祖鲁-纳塔尔大学）

本研究的主要目的是评估和讨论的模型，通过分割的手写阿拉伯语。该框架提出了基于三个步骤：预处理，分割和评估。在预处理步骤中，将形态学算子应用于书面文字中的连接间隙（CG）。在书写、扫描文档或将图像转换为二进制类型时，当笔抬起时会出现间隙。在分词步骤中，首先去除小的变音符号，然后限定一个连接的组件来分割离线单词。该模型利用海量数据，实现了多种手写风格的应用，更符合实际应用。因此，在自动评估阶段，从IESK-ArDB数据库中随机选择1，131幅图像，然后分割成子词。在连接小间隙后，模型的性能评估相对于数据库的标准地面真值达到88%。与相关工作相比，该模型达到了最高的精度。

2021-01-07cs.CLcs.CVcs.LG

基于可学习形态学骨架与Segment Anything Model的遥感图像细长目标场景分割

Slender Object Scene Segmentation in Remote Sensing Image Based on Learnable Morphological Skeleton with Segment Anything Model

School of Mathematical Sciences, Beijing Normal University（北京师范大学数学科学学院）；State Key Laboratory of Remote Sensing Science, Faculty of Geographical Science, Beijing Normal University（北京师范大学地理科学学部遥感科学国家重点实验室）

本文提出将可学习形态学骨架先验以变分方法集成到SAM中，通过光滑化形态学运算并修改掩码解码器，提升遥感图像中细长目标的分割精度与泛化能力。

2025-03-09cs.CV

一种用于甚高分辨率图像语义分割的鲁棒形态学方法

A Robust Morphological Approach for Semantic Segmentation of Very High Resolution Images

University of California, San Diego（加州大学圣迭戈分校）；BITS-Pilani Goa Campus（比尔拉理工学院皮拉尼校区果阿分校）

本文提出一种基于数学形态学算子的鲁棒流程，无需高分辨率图像标注即可将现有语义分割算法扩展到甚高分辨率图像，并通过低分辨率标签种子与随机游走器细化边界，实验证明其性能优于现有最先进方法。

2023-10-26cs.CV

HaarNet：用于RGB-D语义分割的大规模线性-形态学混合网络

HaarNet: Large-scale Linear-Morphological Hybrid Network for RGB-D Semantic Segmentation

University of Amsterdam（阿姆斯特丹大学）

HaarNet提出首个大规模线性-形态学混合网络，结合形态学Haar采样与参数化ReLU处理RGB-D数据，以更少参数达到与先进CNN相当的语义分割性能。

2023-10-11cs.AIcs.CV

通过深度学习在放射治疗期间对人体切伦科夫成像中的生物形态特征进行鲁棒的实时分割

Robust Real-time Segmentation of Bio-Morphological Features in Human Cherenkov Imaging during Radiotherapy via Deep Learning

Dartmouth College（达特茅斯学院）；Dartmouth Health（达特茅斯医疗）；NVIDIA Corporation（英伟达公司）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of Missouri-Columbia（密苏里大学哥伦比亚分校）

提出首个用于放疗切伦科夫图像生物形态特征分割的深度学习框架，通过眼底图像迁移学习与小样本微调，实现Dice 0.85、每实例低于0.7毫秒的实时鲁棒分割。

2024-09-09cs.CVeess.IVphysics.med-ph

基于数学形态学的深度卷积学习的格论与代数模型

Lattice theory and algebraic models for deep convolutional learning based on mathematical morphology

Mines Paris, PSL University, CMA-Center for Applied Mathematics, Sophia-Antipolis, France（巴黎 Mines 学院，PSL 大学，应用数学中心，法国索菲亚-安蒂波利斯）

本文基于格论和数学形态学，为深度卷积架构（CNN、ResNet、UNet）建立了严格的代数框架，揭示了标准CNN流水线是交叉格算子，并识别出三种真正的幂等开运算层设计。

2026-05-23cs.AIcs.CVcs.LG

用于图像边缘检测的一类新型双正交样条小波

A New Class Biorthogonal Spline Wavelet for Image Edge Detection

本文构造新型双正交三次特殊样条小波 BCSSW，并提出结构不确定性感知与多结构算子融合的 EDBSW 边缘检测算法，提升抗噪性与多频率边缘细节捕捉能力。

2024-06-12cs.CV

一种新的腰椎椎体三维分割及骨密度和几何形状测定方法

A New 3D Method to Segment the Lumbar Vertebral Bodies and to Determine Bone Mineral Density and Geometry

Institute of Medical Physics（医学物理研究所）

在本文中，我们提出了一种新的三维分割方法的下胸椎和腰椎的螺旋CT数据集的椎骨。我们实施了多步骤程序。它的主要组成部分是可变形模型，体积增长和形态操作。性能分析包括使用欧洲脊柱体模进行的准确性评价，以及使用10例患者的临床CT数据集进行的术中精密度评价，突出了临床使用的潜力。分割程序的操作员内精度优于1%的骨矿物质密度（BMD）和优于1.8%的体积。这项工作的长期目标是在骨质疏松症领域实现更好的骨折预测和改善患者监测。真正的3D分割还能够精确测量几何参数，这可以增强BMD的经典测量。

2020-12-10cs.CV