锥束CT的图像分块OSEM重建算法

在计算机断层成像（CT）中,有序子集最大期望值算法（OSEM）能够在较短的时间内重建出高质量的图像。对含有噪声的投影数据,投影旋转分度子集划分的不同会影响到图像的重建质量和收敛速度。针对三维锥束CT情况,研究了一种基于图像分块的变子集OSEM重建方法,该方法将图像空间分割成等大小的图像块,然后在迭代过程中,对于不同的图像块用变化的子集进行图像重建。计算机仿真实验表明：该方法在锥束CT图像重建中,能够在抑制噪声的同时提高重建图像的收敛速度。     

有序子集最小二乘OS—LS图像重建迭代算法

为推导一种新的快速图像迭代重建方法，首先将有序子集(ordered subsets，OS)技术应用到最小二乘图像重建迭代算法(least square reconstruction，LS)；然后对仿真Phantom模型数据和实际医用正电子发射断层成像仪(PET)数据进行重建，并研究了在不同子集划分下的重建结果，同时分析比较了不同子集的选取对OS—LS重建罔像质量以及重建收敛速度的影响。重建结果表明，这种基于有序子集的最小二乘图像重建迭代算法(OS—LS)具有较高的重建图像质量和较短的计算时间，相对于传统LS算法的重建，OS—LS的收敛速度加速了约L倍(L为子集个数)．其重建图像质量也好于传统的滤波反投影(FBP)方法的重建．町应用在PET图像重建中。     

锥束CT的惩罚SART重建算法

联合代数迭代方法（SART）对重建图像空间是无约束的,其迭代到一定次数后,图像空间的噪声会不断增加。为了解决这一问题,针对三维锥束CT情况,研究了一种增加惩罚项的联合代数迭代算法,同时研究了该算法与有序子集结合的方法。计算机仿真试验表明：在锥束CT图像重建中,该方法能够在抑制噪声的同时提高重建图像的收敛速度。     

有序子集最大似然SPS算法在CT中的应用

研究CT图像技术,就是投影图像重建过程.为了提高X射线CT图像重建的收敛速度和图像质量,将有序子集最大似然可分离的抛物面型替代函数算法(OS-ML-SPS)应用于X射线CT图像重建,通过对Shepp-Logan头部模型的一个切片进行仿真实验,验证了算法的可行性,然后用来重建X射线CT采集的实际投影数据,并与ART算法,FBP算法相比较,重建结果表明,OS-ML-SPS算法的初始收敛速度明显比ART快,其重建的图像质量优于FBP算法.算法为X射线CT图像重建提供了新的研究途径.     

基于变指数各向异性扩散和非局部的最大似然期望最大低剂量CT重建算法

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。     

SEM混合模型脑血管分割算法

针对脑血管结构复杂、空间比例小,易导致对其进行图像分割较困难的问题,面向脑MRI提出参数统计分类算法,通过随机迭代提高血管分割精度.首先应用最大强度投影法(MIP)实现脑血管图像预处理,以降低脑血管图像中混合成分的数目;其次用有限高斯混合模型模拟脑血管和脑组织的随机分布;最后通过随机期望最大化(SEM)算法进行混合模型的参数估计,解决了传统期望最大化(EM)算法收敛速度缓慢和局部极值的问题.实验结果表明,采用文中算法可有效地分割脑血管主分支及周围较细小分支,且其收敛速度比传统EM算法有较大提高.     

去除乘性噪声的重加权各向异性全变差模型

恢复含乘性噪声的图像是当前图像处理的重要研究课题. 本文提出基于迭代重加权的各向异性全变差(Total variation, TV)模型. 新模型中, 假定乘性噪声服从Gamma分布. 正则项采用加权的各向异性全变差, 其中, 自适应权函数由期望最大(Expectation maximization, EM)算法得到. 新模型在有效去噪的同时, 较好地保留了图像的边缘和细节信息, 同时能够有效地抑制"阶梯效应". 数值实验验证了新模型的效果.     

基于小波收缩和正逆扩散结合的优质中值先验图像重建算法

针对最大后验(MAP)法对重建图像造成的过度平滑或出现阶梯状边缘伪影等问题,提出了一种基于混合模型的中值先验图像重建算法。首先在中值先验分布的MAP重建的基础上,在每次中值滤波之前引入结合小波收缩和正逆各向异性扩散的滤波器。另外,对于背景区域仍残留有少量噪声的情况下,可以在迭代间的最后,选择加入只针对图像较小梯度阈值区域进行非线性扩散平滑的优良滤波器,从而进一步优化图像。仿真结果表明,该算法在抑制噪声和保持边缘效果方面具有很好的表现,与其他经典传统算法相比,信噪比(SNR)可提高0.9dB~3.8dB。     

模糊推理最大熵图像恢复算法

与线性恢复算法相比,基于最大熵的图像恢复算法具有更好的图像恢复效果,但其收敛速度较慢。为了提高最大熵图像恢复算法的收敛速度,首先给出了算法的非周期反卷积模型,然后采用模糊推理系统在线确定算法的迭代步长。由于采用了可变步长,因此极大地提高了算法的收敛速度。仿真实验表明提出的算法收敛速度快,图像恢复效果好。     

一种基于Fourier-小波矩的PET图像重建方法

正电子发射断层图像(PET)重建问题是一种不适定问题,通常需要采用正则化方法以抑制噪声,提高重建质量.本文提出一种新的非正则化重建方法,即基于Fourier-小波基函数的特征重建算法.Fourier-小波基函数结合了小波基函数和Fourier调和函数的特征,使我们便于对其进行小波分析和Fourier分析.在本文的算法中,我们采用迭代方法,计算图像的Fourier-小波矩(FWM),并由FWM恢复图像.此外我们利用Fourier-小波基函数的旋转不变性节省算法存储空间,简化计算,并且利用此性质,推导出一种类似Row-Action(RA)方法的快速收敛算法,以提高收敛速度.我们将FWM算法同几种常用算法进行了比较,实验结果表明,FWM算法的重建效果同传统的MAP算法接近,具有较好的应用前景.     

基于Mallat-Zhong离散小波变换小波的超声图像各向异性扩散抑噪方法

针对传统各向异性扩散方法在超声图像散斑噪声抑制中存在的噪声抑制不充分与边缘特征保持不足的问题,提出一种基于Mallat-Zhong离散小波变换(MZ-DWT)小波的散斑噪声抑制方法。该方法将MZ-DWT小波分析与期望值最大化(EM)算法作为图像中均匀区域与边缘区域的鉴别因子,使扩散系数能够更准确地控制扩散强度与扩散速度,从而达到充分抑制噪声和保护边缘的目的。实验结果表明,所提方法在有效抑制散斑噪声的同时,更好地保持了图像细节信息,其性能优于传统各向异性扩散方法。     

Statistical mixture model for documents skew angle estimation

We present a statistical approach to skew detection, where the distribution of textual features of document images is modeled as a mixture of straight lines in Gaussian noise. The Expectation Maximization (EM) algorithm is used to estimate the parameters of the statistical model and the estimated skew angle is extracted from the estimated parameters. Experiments demonstrate that our method is favorably comparable to other existing methods in terms of accuracy and efficiency.     

稀疏信道下OFDM信号的迭代检测方法

提出了一种适用于稀疏信道环境的OFDM信号迭代检测方法。该方法采用导频进行初始化信道估计,使用数学期望最大（EM）算法迭代检测OFDM信号。该方法需要已知信道的路径时延信息、噪声方差和信道冲击响应的协方差矩阵,因此同时给出了这些参数的估计方法。仿真结果证明了这种迭代算法的有效性,而且使用估计的信道参数时的系统性能和理想参数条件下的性能接近。     

基于EM算法的混合模型医学图像分割

医学图像分割中的期望最大化(EM)算法在求解混合模型参数时存在局限性。为此,提出一种模糊约束的混合模型图像分割算法。该算法以像素的独立性假设为前提,在采用EM算法对模型参数进行求解的过程中,通过模糊集合论方法,引入像素空间信息。实验结果表明,该算法没有引入新的模型参数,能够保持独立混合模型的简单性,且具有自动模型选择能力,可以获得较理想的分割结果。     

基于投影熵特征的图像识别算法

原始定义下的投影熵特征对于图像信息利用不够充分,而且对图像缩放变换不具有不变性,针对这两方面的不足,给出了扩展规范化投影熵特征的定义,并将规范化后图像的局部投影熵特征向量用于图像识别;在进行图像识别时,利用期望最大化(EM)算法得到训练集图像局部投影熵特征的混合高斯概率分布模型,求取目标图像的相应特征到各个混合高斯函数的Mahalanobis距离,根据距离判别法原理得到目标图像所属类别。实验采用哥伦比亚大学计算机视觉数据库中的图像对算法进行验证,结果表明该算法具有较好的识别效果和良好的并行运算特性     

面向大规模数据集的贝叶斯网络参数学习算法

贝叶斯网络的学习可以分为结构学习和参数学习。期望最大化（EM）算法通常用于不完整数据的参数学习，但是由于EM算法计算相对复杂，存在收敛速度慢和容易局部最大化等问题，传统的EM算法难于处理大规模数据集。研究了EM算法的主要问题，采用划分数据块的方法将大规模数据集划分为小的样本集来处理，降低了EM算法的计算量，同时也提高了计算精度。实验证明，该改进的EM算法具有较高的性能。     

一类非线性周期时间序列模型

为了描述周期时间序列中的偏倚和多峰等非线性特征,结合有限混合模型方法,提出混合周期自回归滑动平均时间序列模型（MPARMA）,给出了MPARMA模型的平稳性条件,讨论了期望最大化（EM）算法的应用,通过PM10浓度序列分析,评估了MPARMA模型的表现。     

信息熵在网络流量矩阵估算中的应用

提出一种网络流量矩阵估算方法,在已知网络拓扑结构和网络链路流量的情况下,根据网络链路流量计算出信息熵,利用期望最大化算法对网络源和目的对之间的流量需求进行估计。以校园网为实验环境,对骨干网络采集网络流量数据,与通用重力模型方法的比较结果表明,利用该方法进行估算有更高的准确性。     

自适应模型和固定模型结合的肤色分割算法

由于受环境、光照、人种等因素影响,不同图像中的肤色分布并不一样。在复杂背景情况下,采用固定的阈值边界模型进行肤色分割将导致较大的漏检或误检。基于YCbCr颜色空间,在固定阈值边界模型分割的基础上,运用简化的期望最大化(EM)算法计算出针对特定图像的自适应肤色高斯模型;然后综合考虑固定阈值边界模型以及自适应肤色高斯模型在不同颜色区域上划分的准确性,给出最终的肤色分割结果。实验结果表明,该方法相比固定阈值边界模型的分割方法,能同时降低误检率和漏检率,从而提高肤色识别的准确率。