基于投影的fMRI时间序列图像配准方法研究

利用投影技术,针对功能磁共振时间序列图像,介绍了一种新的自动图像配准方法。该方法将序列图像二值化后沿着水平方向或垂直方向进行投影,根据投影向量元素的位置和大小,快速地计算出图像的旋转、平移运动的变化参数。仿真实验和实际的功能磁共振应用证实了该方法的有效性。     

带降噪的快速DWT与分形相结合图像编码方法

针对图像易受外界噪声干扰,且这种噪声分布通常是未知的这一问题,结合图像的统计特性、基本分形编码中值域块和最佳匹配的定义域块之间的距离统计特性等,提出一种基于方差不变特性、邻域搜索的分形与小波相结合的图像分形编码算法。在该算法中,如果值域块和最佳匹配之间的稳健回归优化目标函数取值小于给定的阈值,则用分形压缩算法编码该块,否则用小波变换压缩该块。实验结果表明,该方法可使编码速度比基本分形算法有较大提高,而且原始图像在受到外界干扰的情况下,该算法表现出了较好的鲁棒特性。     

一种简单的医学图像刚体配准方法

医学图像配准技术是当前医学图像处理研究的热点.从二维医学图像的刚体变换出发,针对单模态医学图像的配准,研究了基于投影的医学图像配准方法.该方法通过二值化参考图像和浮动图像,沿X轴和y轴投影得到投影向量,然后根据投影向量元素的大小和位置,分别检测图像间旋转、平移运动的大小.仿真实验证明,该方法不失为一种简单有效的图像配准方法.     

基于最小二乘支持向量机的特征增量学习算法

本文针对传统的增量学习算法无法处理后采集到的样本中含有新增特征的问题,设计适应样本特征维数增加的训练算法。在基于最小二乘支持向量机的基础上,提出了特征增量学习算法。该算法充分利用先前训练得到的分类器的结构参数,仅对新增特征采用最小二乘支持向量机进行学习。实验结果表明,该算法能够在保证分类精度的同时,有效效地提高训练速度并降低存储空间。     

L1正则化的深度谱聚类算法

针对深度谱聚类模型训练不稳定和泛化能力弱等问题，提出L1正则化的深度谱聚类算法（DSCLR）。首先，在深度谱聚类的目标函数中引入L1正则化，使深度神经网络模型生成的拉普拉斯矩阵的特征向量稀疏化，并提升模型的泛化能力；其次，通过利用参数化修正线性单元激活函数（PReLU）改进基于深度神经网络的谱聚类算法的网络结构，解决模型训练不稳定和欠拟合问题。在MNIST数据集上的实验结果表明，所提算法在聚类精度（CA）、归一化互信息（NMI）指数和调整兰德系数（ARI）这3个评价指标上，相较于深度谱聚类算法分别提升了11.85、7.75和17.19个百分点。此外，所提算法相较于深度嵌入聚类（DEC）和基于对偶自编码器网络的深度谱聚类（DSCDAN）等算法，在CA、NMI和ARI这3个评价指标上也有大幅提升。