图像处理、数据处理、神经网络。
关于图像分割：
图像分割：基于区域图像分割算法的兴起已经十多年了，图像分割特别是医学影像经常出现灰度不均匀现象，因此，分割仍然困难。
当前图像分割的热点有二个：一是偏场矫正理论--传统方法；二是用深度学习方法，此模型需要一个强大的数据库(几万-十万张同类的图库)，阿里的马云进入此领域不久并取得有效成果(冠脉MR image 分割)。
目前(2018-2020)我们研究用下面的偏场矫正理论对图像进行分割：
对于图像分割中的灰度不均匀性问题，我们认为，可以将观察到的图像I(x)描述成一种合成图像模型，该模型将灰度不均匀性分解为图像的一个分量。我们可以将灰度不均匀性与真实图像内稟成分(intrinsic component)特性的乘法模型。因此，图像可以被建模为：
I(x)=J(x)*b(x)+n(x)(1)
其中，J是真实图像，b是灰度不均匀的分量，n是附加噪声。
假定b偏场(或阴影图像)为缓慢变化的(如X-ray image, MR image),且真实图像J反映了图像对象的内稟(intrinsic)物理特性，因此，在局部区域内，可以将J(X)假定为拟合常数。
计算出公式中的b(x)及J(x)的最佳估计值，就能找出目标对象的轮廓线。
但是，由于是b*J是乘法模型，在局部区域内，计算偏场b及拟合常数J需要大量的运行开销(大量的卷积运算)，另外，其模型对光照不均、较强噪声、弱信号等是比较敏感的。
我们的创新方法是：预先在迭代计算前，快速找出局部区域的拟合偏场b的估计值by或者拟合常数J的估计值Jy，这样b*J就转换为by*J或b*Jy模型。新的模型就成为一种加性形式，大大简化了计算开销，另外预估计值如果有误差，模型会通过另一个参数自行调整，使得总误差趋于零(I-by*J-->0或I-b*Jy-->0)。通过我们前期研究，目前找到局部区域模糊C聚类估计出by的方法，解决了光照不均、较强噪声、弱信号对分割的影响，并发表在Neurocomputing,2019等国际刊物上。但我们认为还可以进一步提高其效率及鲁棒性，例如找出高效的by计算方法，还有如何计算估计值Jy的方法等。
另外一个问题，传统的主动轮廓模型中的长度项及规则项严重影响系统的鲁棒性，特别是长度项，因此，我们提出创新方法来改善之，部分验证已经发表在Signal Processing,2019等刊物上。长度项的功能是平滑轮廓线及消除虚假的小目标，保证轮廓线有效到达分割目标边界，我们提出用类似于局部区域滤波方法达到此目的。而规则项的功能是保持轮廓线在过零处的有足够的敏感性，同时其他区域保持一定的距离并符号相反，目前我们已经设计出几种函数满足其要求，但要实验去证明其有效性。
例如：冠动脉, 心脏, MR image,Ultrasound image, X-ray image, Fluorescence image 等。
1、Bin Dong, Ri Jin, Guirong Weng * . Active contour model based on local bias field estimation for image segmentation [J]. Signal Processing: Image Communication.(SCI 二区). https://doi.org/10.1016/j.image.2019.07.001. (2018年九月入学的硕士研究生，2019年5月投稿,7月录用并正式发表)Volume 78, 2019, Pages 187-199.
2、Ri Jin, Guirong Weng *. A robust active contour model driven by pre-fitting bias correction and optimized fuzzy c-means algorithm for fast image segmentation[J]. Neurocomputing (SCI 二区 Top ,2019年4月投稿,6月录用并在线发表). Volume 359, 24, 2019, Pages 408-419. DOI:10.1016/j.neucom.2019.06.019.
3、Dong Bin，Weng Guirong. Active contour model driven by Self Organizing Maps for image segmentation，Expert Systems With Applications, 177 (2021) 114948,SCI 一区 ToP.
2020年,我们研究加性偏场矫正理论对图像进行分割(首次提出)：
对于图像分割中的灰度不均匀性问题，我们认为，可以将观察到的图像i(x)=logI(x)描述成一种合成图像模型，该模型将灰度不均匀性分解为图像的一个分量。我们可以将灰度不均匀性与边结构的反射图像加法模型。因此，图像可以被建模为：
i(x)=r(x)+b(x)+n(x) (2)
其中，r是边的反射图像，b是加性灰度不均匀的分量，n是附加噪声。
1、Weng Guirong, Dong Bin. A Level Set Method Based on Additive Bias Correction for Image Segmentation. Expert Systems With Applications, 2021.115633. SCI 一区 ToP。