融合候选区域提取与SSAE深度特征学习的心脏MR图像左心室检测

左心室检测在计算机辅助心脏MR图像诊断方面具有重要价值,针对由于成像质量、部分容积效应、目标复杂多变等因素影响,导致左心室自动检测准确度较低的问题,提出一种融合候选区域提取与栈式稀疏自编码器(SSAE)深度特征学习的心脏MR图像左心室检测方法.在候选区域提取阶段,先用超像素算法产生初始区域,然后对SSAE学习到的深度特征采用层次聚类算法生成候选区域;在检测阶段,先使用SSAE提取候选区域的深度特征,然后训练SVM分类器对候选区域进行分类,并使用难分负样本挖掘算法对模型进行调节.对心脏图谱数据集左心室目标检测的实验结果表明,相对于手工特征及基于候选区域等方法,该方法取得了有竞争力的检测精度.     

非子采样Contourlet变换系数统计建模及图像去噪应用

融合拉普拉斯分布及广义高斯分布模型对非子采样Contourlet变换(NSCT)系数进行了统计建模分析。研究发现,NSCT作为平移不变Contourlet变换,系数在不同尺度和方向上均存在较大冗余,在广义高斯分布性等方面需引入参数加以约束。根据建立的统计模型进行了医学图像去噪实验。结果表明,和Contourlet及NSCT软硬阈值去噪等比较,该建模方法提高了噪声估计精度,增加了峰值信噪比,改善了图像视觉效果。     

结合候选区域距离度量学习与CNN分类回归联合的左心室检测

心脏MRI左心室自动检测在心脏疾病计算机辅助诊断中具有重要价值,针对左心室候选区域与周边组织分布复杂而导致区分度低的问题,提出结合候选区域2级距离度量学习与CNN分类回归联合学习的左心室检测方法.在候选区域生成阶段,利用超像素产生初始区域并合并为中间区域,设计有监督的2级距离度量学习算法,融合中间区域来构建目标候选区域;在检测阶段,以CNN分类与回归联合学习的方式定位候选区域,并设计难例样本挖掘策略对模型进行微调,以缓解样本不均衡问题.将该方法与扩展的4种变体方法(改变或舍弃部分模块)在公开心脏图谱数据集(CAP)上进行了实验,结果表明该方法中各模块设置具有合理性;与FastR-CNN和基于SSAE方法的检测结果相比,该方法取得了较高的检测精度.     

融合小波变换与FLD的人脸识别

本文着重讨论了在不降低识别率的前提下，如何加快训练速度的人脸识别方法。通过分析人脸图像的特点，利用小波变换将人脸图像进行降维和滤波处理，然后利用Fisher线性鉴别分析进一步提取具有鉴别力的特征矢量，在ORL人脸库及其与Yale混合库的实验结果表明，本方法不仅有效提高了训练和识别速度，整体耗时只有FisherFace方法的1／4左右，而且提高了识别率（至少不降低），使得整个识别过程变得稳定。