结合多尺度体素和高阶条件随机场的点云分类

针对利用经典高阶条件随机场模型进行点云分类时,由于海量节点和无向边导致的点云分类效率低的问题,提出一种结合多尺度体素和高阶条件随机场的点云分类方法.首先以多尺度体素代替海量离散点云作为无向图图模型节点,减少节点和无向边的数量;然后使用超体分割结果作为高阶团,并基于此设计了一种非监督分布性空间上下文作为高阶团特征向量,用于改善分类结果;最后结合构建的图模型和各阶特征向量,采用经典高阶条件随机场模型实现点云数据的自动分类.采用Oakland标准数据集作为实验数据,实验结果表明,该方法在有效地保证分类精度的前提下,高阶条件随机场点云分类模型的分类效率提高了5～10倍.     

一种混合多边缘型LDPC码密度进化算法

在二进制输入加性高斯白噪声信道下，研究了基于多边缘型低密度奇偶校验码（Multi-edge Low Density Parity Check，MET-LDPC）的密度进化算法。针对高斯近似算法在前期迭代中的不准确问题，提出了一种改进算法。在分析MET-LDPC码的密度进化的基础上，将全密度进化与高斯近似算法结合，通过设置切换限制条件，弥补早期迭代的不准确，提高编码阈值估计的准确性。仿真结果表明,与MET-LDPC全密度进化算法相比，所提算法可以有效提高编码阈值估计的准确性，对LDPC编码的设计有一定的参考价值。     

基于规则信息的无人机图像建筑物提取

基于规则信息的无人机图像建筑物提取,首先要对待处理图像进行图像分割,经过大量的实验确定分割阈值为0.3,通过定义规则信息,解决了建筑物纹理特征与光谱特征与道路、裸地相似的问题,同时,将原始图像的提取结果和与进行主成分分析(PCA)处理后的图像的提取结果进行对比,证明了PCA后的图像提取精度高达85%。     

磁环表面缺陷图像分割算法的研究及实时实现

为实现小型磁环表面细微缺陷图像无监督分割,并提高分割精度与计算效率,本文提出了一种基于改进2D Gabor滤波器组的自适应阈值分割方法。首先,利用多尺度、多方向的Gabor滤波器组对缺陷图像进行滤波降噪处理,抑制目标区域与背景区域内部的噪声污染,同时增强区域间的差异性；然后,通过对处理后图像的灰度统计特性分析,根据缺陷图像的灰度均值及方差构造了灰度阈值计算公式,实现了小型磁环表面细微缺陷图像的自适应分割。实验结果表明,本文算法可快速、准确地分割缺陷并抑制噪声干扰,在分割精度、计算效率等方面也优于传统的选择迭代法、OTSU、最大熵等方法,并能够在先进的SEED-DVS8168平台上实时实现,验证了此算法的可行性与实时性。     

矿用电动机振动信号早期故障特征提取方法

针对现有矿用电动机振动信号故障特征提取方法存在依赖参数设置、频率混叠、信号失真等问题,提出了一种基于双树复小波变换的矿用电动机振动信号早期故障特征提取方法。利用双树复小波变换对采集的矿用电动机振动信号进行分解,得到各层双树复小波系数,并采用软阈值滤波对各层双树复小波系数进行滤波处理,滤波处理后的双树复小波系数经双树复小波变换重构获得去噪信号。应用结果表明,该方法能有效去除电动机振动信号中噪声,提取的早期故障特征能很好地反映电动机实际运行工况,为电动机早期故障诊断提供了有效依据。     

基于自监督学习的病理图像层次分割

在苏木精-伊红(HE)染色病理图像中，细胞染色分布的不均匀和各类组织形态的多样性给病理图像的自动分割带来极大挑战。为解决该问题，提出了一种基于自监督学习的病理图像三步层次分割方法，对病理图像中各类组织进行由粗略到精细的全自动逐层分割。首先，根据互信息的计算结果在RGB色彩空间中进行特征选择；其次，采用K-means聚类将图像初步分割为各类组织结构的色彩稳定区域与模糊区域；然后，以色彩稳定区域为训练集采用朴素贝叶斯分类对模糊区域进行进一步分割，得到完整的细胞核、细胞质和胞外间隙这三类组织结构；最后，对细胞核部分进行结合形状和色彩强度的混合分水岭分割得到细胞核间的精确边界，进而量化计算细胞核个数、核占比、核质比等指标。对脑膜瘤HE染色病理图像的分割实验结果表明，所提方法对于染色和细胞形态差异保持较高的鲁棒性，各类组织区域分割误差在5%以内，在细胞核分割精度的对比实验中平均正确率在96%以上，满足临床自动图像分析的要求，其量化结果可以为定量病理分析提供依据。     

基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。