DPCM与EZW混合编码在医学图像中的应用研究

现代医疗成像设备产生了大量高价值的医学图像,如何对信息进行有效的存储、查询以及网络传输是一个亟待解决的问题。利用整数小波变换和零树编码算法对医学图像进行了压缩研究,在对嵌入零树小波编码（Embedded Zero-tree Wavelet,EZW）算法研究的基础上提出一种基于小波系数的嵌人零树小波编码算法。其主要包括：对小波图像的低频子带（LL）进行单独DPCM编码;对高频子带改变扫描方式以获得最佳编码排序,最后用游程编码（RLE）实现输出。实验结果表明,该方法是一种比较有效的编码方法。     

XML文档到关系数据库映射方法的研究*

针对现有映射方法对XML文档格式要求过严等不足,在模型映射方法基础上提出一种XML文档映射关系数据库的新方法。通过给XML文档树做标志,将映射算法转换后的数据放到两张预先定义结构的表进行存储。给出了逻辑数据模型、详细设计、映射算法和实验。实验结果表明,该方法能有效地保持XML文档的结构,能够对存储的数据进行语义检索,适用于任何树型数据结构。     

一种面向体域网的ECG信号小波阈值去噪法

ECG信号的处理在体域网环境下面临资源受限、随机噪声多等问题,这对ECG信号的去噪方法提出了更高的要求。在提升小波变换的基础上,提出了一种新的基于双阈值函数的ECG信号去噪法。利用该双阈值函数对提升小波分解后的ECG细节信号进行处理,可以更加精确地将噪声信号从原始信号中分离出去。仿真实验表明,本算法在一定程度上克服了软、硬阈值去噪法的缺陷,获得了更好的去噪性能,去噪速度快,设计简单灵活,为计算资源受限的体域网等环境下的ECG信号的下一步处理奠定了基础。     

应用主分量分析与粗糙集处理的特征提取

近年来,随着软计算理论的不断发展,粗糙集理论已经成为了目前研究的重点领域。论文讨论了主分量分析(PCA)与粗糙集的理论,并应用于图像特征提取中。采用PCA对输入向量进行甄别,应用粗糙集理论约简与分类无关或关系不大的向量。研究结果表明:在主成分分析中结合粗糙集理论可以排除无关向量的影响,并有效地进行特征提取。试验结果表明了结合两者能够提高模式分类的特征提取的效果。     

基于信息论的高维海量数据离群点挖掘

针对高维海量数据集离群点挖掘存在“维数灾难”的问题,提出了基于信息论的高维海量数据的离群点挖掘算法。该算法采用属性选择,去除冗余属性降维。利用信息嫡作为离群点判断的度量标准,消除距离和密度量纲的弊端。在真实数据集上的实验结果表明,算法对高维海量数据离群点挖掘是有效可行的,其效率和精度得到了明显提高。     

医学图像DCT变换压缩中方块效应的消除

针对基于分块的医学图像DCT变换压缩中恢复图像的方块效应，提出了一种自适应DCT变换域修正方法。通过模拟实验表明，该方法能在消除方块效应的同时保留图像的高频部分信息，并且不需要复杂的计算，在满足适合实时性的应用需求下，可以很好消除恢复图像中的方块效应，给医生良好的视觉效果。     

结合分水岭和互信息的医学图像自适应分割方法

针对现有的改进分水岭算法中对弱边界分割精度不高、计算复杂及梯度谷底阈值不能自适应选取等缺点,提出一个结合互信息的自适应医学图像分割方法。首先通过形态学滤波和高斯平滑滤波来增强图像的边缘区域和抑制图像噪声;然后经过多尺度形态学梯度的谷底填充算法来减少分割区域块数,同时利用基于数学形态学的多元图像边缘检测算法来提取图像的边缘对获得的梯度图像进行修正;通过引入互信息量对填充的阈值进行自适应调整实现控制分割区域的数量,最后实现自动优化分割。实验结果表明,该方法最大程度保留了图像的弱边缘信息,参数选取更加合理,自适应程度提高。     

多元Chebyshev正交多项式混合模型及其在医学图像分割中的应用

针对原有一元正交多项式混合模型只能根据灰度特征分割图像的问题,提出一种基于多元Chebyshev正交 多项式混合模型的多维特征的医学图像分割方法。首先,根据Fouricr分析方法与张量积理论推导出图像的多元 Chcbyshcv正交多项式,并构建多元正交多项式的非参数混合模型,用最小均方差(MISE)估计每一个模型的平滑参 数;然后,用EM算法求解正交多项式系数和模型的混合比。此方法不需要对模型作任何假设,可以有效克服“模型失 配”问题。通过实验,表明了该分割方法的有效性。     

基于Gabor小波变换的医学图像纹理特征分类

Gabor小波变换技术对医学CT图像进行纹理特征分类时,由于图像拍摄角度的变化会造成分类的误差。针对以上问题,在Gabor小波变换的基础上提出一种用于分析旋转不变医学图像的方法。该方法采用旋转规范化,即特征元素的循环移位使规范化后所有的图像都具有相同的主方向。实验结果表明,加入旋转规范化循环算子的Gabor小波变换在医学CT图像纹理特征分类时能够达到较好的精确度。