基于拟蒙特卡罗方法的三维医学重建模型体积测量方法研究

测量医学图像三维重建病灶组织与器官的体积, 为临床诊疗与医学研究提供更可靠的数据。通过先对系列二维医学图像进行预处理, 并对处理后的图像进行三维重建, 可以获得较好的只有表面三角网格的三维重建模型; 然后使用拟蒙特卡罗方法在构造的包围盒内生成低差异分布的随机点, 通过计算模型内的点数量与全部随机点数量的比例进行体积测量。分别对四组重建的三维模型进行体积测量并与蒙特卡罗方法相比, 拟蒙特卡罗方法在测量体积方面具有较好的效果。拟蒙特卡罗方法对三维医学重建模型体积测量可以得到较准确的体积数据, 具有一定的实际应用与理论研究价值。     

考虑法向离群的自适应双边滤波点云平滑及 IMLS 评价方法

针对目前在点云双边滤波平滑算法中，人工输入不合理参数导致的点云平滑效果不佳，且易导 致体积收缩及现有去噪后点云质量评价方法存在表达局限性等问题，提出一种自适应参数的点云双边滤波算法 和基于隐性移动最小二乘(IMLS)的质量评价方法。首先构建 KD-tree 数据结构用于点云拓扑，之后搜索各点邻 域，利用奇异值分解法计算法向量信息，并在双边滤波公式中引入法向离群因子以剔除邻域内离群点，然后通 过扩展高斯核函数的权值计算式，在点云邻域内自适应获取空间与法向特征参数，最后应用改进模型进行点云 平滑并引入 IMLS 方法评价点云质量。实验结果表明，考虑法向离群的自适应双边滤波点云平滑算法具有良好 的去噪效果，相比其他算法体积收缩更小，且 IMLS 评价方法客观有效。     

改进的最小包围球随机增量算法

三维空间中离散点集的最小包围球,在碰撞检测、计算几何和模式识别等领域都 有广泛应用。为了更好地理解和构造最小包围球算法,首先对最小包围球的性质进行分析。然 后,基于对随机增量算法的分析,提出了构造较大初始包围球和减少迭代过程中最小包围球更 新次数两种策略。依据后一种策略提出的方法称为随机点组-重算最远点算法。计算机随机生成 数据和现实三维模型采样数据的多组实验结果表明,随机点组-重算最远点算法相比于之前的经 典算法能够有效地提高时间效率。     

基于光栅投影和点云体积计算的过度包装检测系统

为了实现商品过度包装的无接触检测,设计了一种基于光栅投影的商品过度包装检测系统;首先利用投影仪和两个高分辨率摄像头,实现物体三维点云的获取,再提出物体点云的包围盒获取算法,计算物体的包围盒体积及三维点云体积,最后根据容积率和空隙率,检测商品包装是否过度;实验结果表明,系统能有效基于点云形状生成包围盒,点云体积计算准确度能达到95%,耗时比广泛使用的Poisson方法明显减少。     

基于聚类和改进距离的LLE方法在数据降维中的应用

局部线性嵌入算法（locally linear embedding，LLE）是解决降维的方法，针对LLE计算速度和近邻点个数K的选取，研究了该方法的扩展，提出了基于聚类和改进距离的LLE方法．基于聚类LLE方法大大缩减了计算LLE方法的时间；改进距离的LLE方法在近邻点个数取值比较小时的情况下，可得到良好的效果，而原始的LLE方法要达到相同的效果，近邻点个数K的取值通常要大很多．同时，改进距离的LLE方法可以模糊近邻点个数选取．实验结果表明，基于聚类和改进距离相结合的LLE方法相比原来的LLE方法大大提高了降维速度和扩大了参数K的选取．     

点云表面曲线的手绘构造方法

为了勾勒点云的骨架或在点云上标记符号，提出一种基于手绘的点云表面曲线构造方法．首先将手绘的二维草图识别成二次曲线；然后将其均匀离散化并分别投影到点云表面；最后判断投影点是否接近于同一平面，如果是，则将二次曲线重新投影到该拟合平面；否则，将投影点连接成B样条曲线并对其平滑去噪．实验结果表明，利用该方法可以快速勾勒出点云轮廓，并在点云表面高效地绘制出二次曲线或者平滑的B样条曲线．     

实体网格模型的变分层次有向包围盒构建

层次有向包围盒(object oriented bounding box tree,简称OBB-Tree)在碰撞检测、实时绘制等诸多场合有着广泛的应用.研究了实体网格模型的层次有向包围盒的构建问题,提出了新的优化求解方法.首先以属于层次包围盒但不属于实体网格模型的这部分外部空间体积作为误差,并给出基于硬件加速的误差计算方法.其次,将层次包围盒的构建问题转化为变分逼近问题,通过求解全局误差最小来最优的层次有向包围盒.在优化计算上,我们提出在同层内采用Lloyd分簇迭代与在层次间采用类似MultiGrid的往复迭代相结合的方法.与前人的结果比较,此方法可以生成对原实体网格模型包裹更紧密的层次有向包围盒逼近,在碰撞检测的实际应用中,使用此方法构建的结果可以减少碰撞检测的计算时间提高检测效率.     

无线传感器网络的广播时间同步算法

基于包交换机制，利用无线信道的广播特性和捎带技术减少同步报文个数；对包时间信息进行缓存并采用最小方差线性拟合方法平滑同步误差抖动．模拟结果表明，在Mica2上单跳平均同步精度达到约57μs．最后与类似算法进行了性能比较．     

数字博物馆中的三维模型渐进传输方法

实现一种三维模型在网络中渐进传输的方法，该方法根据SmoothLOD模型编码的思想，设计了一个基于C/S的网络传输架构，从而实现在浏览过程中从一个点到复杂模型的平滑过渡效果，并且可以方便地实现三维模型在网络上平滑地增量传输。通过在数字博物馆系统的应用验证，算法实现了模型在网络上流式传输，有效地减少了数据传输的网络延迟。     

基于IGA-SVR随机Hough变换的预制构件螺栓孔节点定位

针对预制构件螺栓孔节点定位时由于工业环境下光照不均匀且螺栓孔并非规则平滑圆形,导致定位精度不高的问题;提出一种引入改进遗传算法优化支持向量回归分析（IGA-SVR）的随机Hough变换圆形定位算法;对遗传算法引入收缩包围与螺旋更新机制,提升算法局部搜索能力;同时改进交叉变异算子,引入收敛因子克服遗传算法后期收敛速度慢的问题。利用改进的遗传算法对支持向量回归模型进行参数寻优,通过圆形训练样本训练出逼近螺栓孔的超平面方程;采用此模型上的三点进行随机Hough变换定位圆,并利用双目视觉算法得到圆形三维坐标;通过四个标准测试函数及混凝土预制构件模型螺栓孔节点定位实验验证所提算法的有效性,结果表明,改进的算法优化性能更佳,在结合随机Hough变换定位圆时,明显提高了定位精度,满足工程测量要求。     

Fuzzy min-max neural networks. I. Classification.

A supervised learning neural network classifier that utilizes fuzzy sets as pattern classes is described. Each fuzzy set is an aggregate (union) of fuzzy set hyperboxes. A fuzzy set hyperbox is an n-dimensional box defined by a min point and a max point with a corresponding membership function. The min-max points are determined using the fuzzy min-max learning algorithm, an expansion-contraction process that can learn nonlinear class boundaries in a single pass through the data and provides the ability to incorporate new and refine existing classes without retraining. The use of a fuzzy set approach to pattern classification inherently provides a degree of membership information that is extremely useful in higher-level decision making. The relationship between fuzzy sets and pattern classification is described. The fuzzy min-max classifier neural network implementation is explained, the learning and recall algorithms are outlined, and several examples of operation demonstrate the strong qualities of this new neural network classifier.     

基于最优传输理论的高质量点云重采样方法

目前通过3D扫描仪获取的点云仍旧存在一些缺陷:点云含有噪声,点云在不同方向上分布不均匀等.本文针对上述问题开展研究.主要工作为提出一种新的算法用于在点云上进行高质量的重采样,即使用较为稀疏的重采样点集去表达较为密集的原始点云的几何形状,同时重采样点集的分布可以满足用户预先指定的目标分布,并具备一定的蓝噪声性质.在最优传...     

Suboptimal minimum cluster volume cover-based method for measuring fractal dimension

A new method for calculating fractal dimension is developed in this paper. The method is based on the box dimension concept; however, it involves direct estimation of a suboptimal covering of the data set of interest. By finding a suboptimal cover, this method is better able to estimate the required number of covering elements for a given cover size than is the standard box counting algorithm. Moreover, any decrease in the error of the covering element count directly increases the accuracy of the fractal dimension estimation. In general, our method represents a mathematical dual to the standard box counting algorithm by not solving for the number of boxes used to cover a data set given the size of the box. Instead, the method chooses the number of covering elements and then proceeds to find the placement of smallest hyperellipsoids that fully covers the data set. This method involves a variant of the Fuzzy-C Means clustering algorithm, as well as the use of the Minimum Cluster Volume clustering algorithm. A variety of fractal dimension estimators using this suboptimal covering method are discussed. Finally, these methods are compared to the standard box counting algorithm and wavelet-decomposition methods for calculating fractal dimension by using one-dimensional cantor dust sets and a set of standard Brownian random fractal images.     

基于区域中心签名的点云局部特征描述算法

针对目前点云局部特征描述子存在对噪声、点密度变化等因素鲁棒性差的问题,提出了一种基于区域中心签名的点云局部特征描述新算法。以查询点为中心构建一个球形包围盒,沿径向方向均匀划分为五个主区域,再沿不同的方位角、仰角方向将主区域划分为若干体积沿径向逐渐增大的子区域;采用顶点坐标、顶点数量、中心值编码子区域局部特征,进而通过不同子区域局部特征的融合,生成区域中心签名描述子。以斯坦福数据集为验证对象,对该算法和经典描述子进行了对比分析,结果表明,该算法具有更好的性能。     

Application of random sets to model uncertainty of road polygons extracted from airborne laser points

High point densities obtained by today’s laser scanning systems enable the extraction of features that are traditionally mapped by photogrammetry or land surveying. While significant progress has been made in the extraction of roads from dense point clouds, little research has been performed on modelling uncertainty in extracted road polygons. In this paper random sets are used to model this uncertainty. Based on the accuracy reported by the data provider, positional errors in laser points are simulated first by a Markov Chain Monte Carlo method. An algorithm is developed next to detect the positions of road polygons in the simulated data and integrating the random sets for the uncertainty modelling. This algorithm is adapted to point data with different densities and variable distributions. Uncertainty modelling includes modelling of the dependence between the vertices of a road polygon. Road polygons constructed from vertices with different truncated normal distributions along with their uncertain line segments are represented by random sets, and their parameters are estimated. The effect of distributions on the area of the mean set is analysed and validated by a set of reference data collected from GPS measurements and image digitising. Results show that random sets provide useful spatial information on uncertainties using their basic parameters like the core, mean and support set. The study shows that random sets are well-suited to model the uncertainty of road polygons extracted from point data.     

增量网络监测点的增量选取算法

针对网络拓扑结构扩充后,原有网络中布置的监测点不易变动的问题,提出一种增量网络监测点的增量选取算法。该算法优化了以网络中顶点的度数作为贪心选择策略求解图的弱顶点覆盖的贪心算法,从而得到更少顶点的近似解。在计算增量网络监测点集时,该算法只利用新增网络拓扑得出新增网络的监测点集,求得的增量监测点可直接加入到原网监测点集合中得到新的全网监测点集,降低重新布置全网监测点的成本。实验结果表明,增量算法得到的全网监测点集与在全新的网络中重新计算得到的全网监测点集的顶点数基本相同,可有效应用于实际的网络监测点部署。     

基于深度网络的快速少样本学习算法

少样本学习方法模拟人类从少量样本中学习的认知过程,已成为机器学习研究领域的热点.针对目前少样本学习迭代过程的任务量较大、过拟合现象严重等问题,文中提出基于深度网络的快速少样本学习算法.首先,利用核密度估计和图像滤波方法向训练集加入多种类型的随机噪声,生成支持集和查询集.再利用原型网络提取支持集和查询集图像特征,并根据Bregman散度,以每类支持集支持样本的中心点作为类原型.然后,使用L2范数度量支持集与查询图像的距离,利用交叉熵反馈损失,生成多个异构的基分类器.最后,采用投票机制融合基分类器的非线性分类结果.实验表明,文中算法能加快少样本学习收敛速度,分类准确率较高,鲁棒性较强.     

Tetrahedralization of point sets using expanding spheres

The expanding sphere algorithm computes an alpha shape tetrahedralization of a point set. Starting with a seed tetrahedron, the circumscribing sphere is squeezed through each face until it either touches another point or exceeds a preset radius. If no point is found, that face of the tetrahedron is part of the surface of an object. If a point is found, a new tetrahedron is constructed. This process is iterated until all the faces of the tetrahedra have been processed and no more connected points can be found. If there are points left over, the process is iterated, creating additional objects. The algorithm generates a list of objects, with an alpha shape tetrahedralization and a surface triangulation for each. Any points that cannot be made part of a valid tetrahedron are also returned in the extra points list. The algorithm is efficient for uniformly distributed point sets, with a running time that is linear in the number of points for such sets. Since the operations are local, it is also robust.     

平面点匹配的一点校准算法

点模式匹配是一项重要的视觉课题。对于一个平面点集,由平移和旋转并伴有一定噪声作用产生另一点集,提出一个基于一点校准的点模式快速匹配算法,并推广到带有属性点的匹配问题中。基于一点校准的点模式匹配算法,其计算复杂性为O(mn),其中m,n分别是两个点集所含点的个数,比基于两点距离近似相等的校准匹配算法,其计算复杂性为O(m2nl)(其中l为第二个点集中与第一个点集中任两个点的距离近似相等的平均个数),极大地减少了计算量。     

基于动态网格划分的散乱点k邻近快速搜索算法

提出一种新的k邻近的获取方法,将测量数据点的x, y和z坐标按照空间坐标系x轴、y轴和z轴的方向进行三维排序。找到所求点在三维排序中的位置,得到一个动态的网格,并在该网格内搜索k邻近。与传统的包容盒搜索k邻近方法相比,该文算法避免了包容盒法在划分空间网格时,由于网格内点数的不确定性所带来的缺陷。该算法的创新性是根据点的密度,随意扩大或缩小该网格,从而可以快速求得k邻近点。