三维CT层间图像超分辨重建与修复

CT图像在疾病诊断、癌症精准放疗阶段发挥着重要的作用.然而,受X射线剂量的限制以及现有医疗设备等因素的影响,三维CT图像成像采样间距较大,层间分辨率远低于层内分辨率.为提高CT图像的层间分辨率,避免因相邻层CT图像之间存在较大差异对超分辨率重建造成干扰,提出一种在相邻CT图像序列切片间利用上下层的配准信息插值出一个新的中间切片,并对插值得到的中间切片进行修复的方法.首先,利用CLG-TV光流估计模型配准算法估计相邻2幅CT图像之间的像素运动,得到一个稠密的光流场,从而获得2个连续切片之间精确的像素对应关系,并依据新切片位置对速度矢量进行缩放;然后,利用计算出的速度场在连续2幅图像之间生成初始插值图像.由于相邻切片之间的像素难以一一对应,插值后的图像通常存在像素缺失现象.最后利用序列图像的帧间非局部自相似性,通过求解最优化问题以修复插值图像中像素丢失的区域.在DIR-Lab实验室和山东省医学影像学研究所提供的数据集上的实验结果表明,与其他经典方法相比,文中方法能够生成高质量的中间CT切片,在定量和定性上提高了层间分辨率.     

一种基于全变分技术和Lp伪范数的椒盐噪声去除方法

针对传统各向同性全变分（Isotropy total variation，ITV）去噪算法容易导致图像边缘模糊、不易保持图像细节信息等问题，提出一种基于L _p 伪范数和各向同性全变分的图像去噪方法。该方法将L _p 伪范数代替ITV模型中的L ₁范数，利用交替方向乘子算法（Alternating direction method of multipliers, ADMM）将能量泛函拆解成若干个子问题，并将差分算子视为卷积算子；然后引入卷积定理和快速傅里叶变换(Fast Fourier transform, FFT)提高算法运算效率；最后通过Matlab进行仿真实验，运用图像质量的客观和主观评价方法进行评价分析。结果表明，本文方法能够较好地保留图像的边缘特性，有效提升去噪效果。     

基于深度学习的番茄叶部病害识别模型

番茄叶病种类多、成因复杂,其预防和识别难度较大。传统基于机器学习的方法多靠人工识别,需要一定的专家经验,且具有主观性强、识别准确率不高等缺点。为实现番茄叶病特征的自动提取,并提高识别准确率,提出一种基于深度学习的番茄叶病识别模型。该模型基于卷积神经网络对番茄叶部病害特征进行自动提取,获得高维特征后,采用PCA降维算法去除冗余特征;从增大类间距离并减小类内距离的角度改进了softmax分类器,提高了识别准确率。将该模型在CrowdAI提供的数据集上进行了仿真验证,结果表明,该模型能够对番茄叶部常见10种病害进行自动提取特征和识别,综合识别准确率达到95%以上。     

基于边缘和局部熵融合的视觉安全性评估方法

针对基于局部熵进行加密图像视觉安全性评估存在块效应的局限性，引入图像的边缘特征，通过共有边缘来衡量加密图像与原始图像的边缘相似度，消除了块效应。由于局部熵对加密等级低的图像不敏感，边缘相似度对加密等级高的图像不敏感，将两个评估方法进行自适应融合，提出[SLEES]（Local Entropy and Edge Similarity，[SLEES]）指标。通过改变图像像素位置和图像像素值的加密方式处理图像和视频帧进行测试，实验结果表明，[SLEES]指标相比传统评估指标有更好的鲁棒性，评估范围更广。     

融入局部几何特征的流形谱聚类图像分割

为了改善谱聚类图像分割的精准性和时效性,文中提出融入局部几何特征的流形谱聚类图像分割算法.首先,考虑图像数据的流形结构,在数据点的K近邻域内执行局部PCA,得到数据间本征维数的关系.然后,引入流形学习中的局部线性重构技术,通过混合线性分析器得到数据间局部切空间的相似性,结合二者构造含有局部几何特征的相似性矩阵.再利用Nystr m技术逼近待分割图像的特征向量,对构造的k个主特征向量执行谱聚类.最后,在Berkeley数据集上的对比实验验证文中算法的准确性和时效性优势.     

A区块加密后精细水驱挖潜效果及潜力分析

A区块为B油田三类区块,油层埋藏较深,局部砂体发育零散,区块储层物性较差,采用300×300m反九点法井网布井,很难建立有效的驱动体系,油层憋压严重。随着油田开发的不断深入,原井网已经不能很好地适应开发需求,导致该区开发效果较差。2015年对该区采用采用井间加井、排间加排的布井方式进行局部加密,取得较好效果。