有色金属矿山建设工程水土保持方案编制要点探讨

根据湖南黄沙坪铅锌有色金属矿山开采工程水土流失的特点及形式,编制矿山开采工程水土保持方案,通过实施水土保持方案,项目建设区水土流失治理度达到95%以上,土壤侵蚀模数降到0.05万t/km2·a以下,水土流失控制比为100%,工程弃渣拦渣率98%以上,扰动土地整治率达到95%以上,植被恢复系数达到95%以上,林草植被覆盖...     

基于采样保真性的点模型去噪

提出了一种基于采样保真性的点模型去噪算法.该算法通过移动最小二乘曲面,计算每个采样点的保真性;由法向张量投票方法,测量采样点的特征性;利用改进的双边滤波算子获得各个采样点的滤波方向,结合保真性和特征性对点模型去噪.实验结果表明,算法是鲁棒的,在剔除噪声的同时能够有效地保持曲面的几何特征.     

中央空调系统化学清洗及水质稳定处理

中央空调系统用水作为热传导介质，普遍存在结垢和腐蚀问题，从而影响正常运行。本文介绍了中央空调系统化学清洗和水质稳定处理实践及相关技术，这是一项经济、实用的技术。     

基于小波变换的数字水印算法

提出了一种基于小波分析的数字水印嵌入检测算法 ,水印的检测不需要原始图像 ,选择中频带嵌入水印信息 ,以保证其隐蔽性和鲁棒性 ,实验表明 ,该方法是可行的     

基于三维步态特征的步态识别方法

研究步态识别问题,针对在当前二维步态识别系统中,识别过程仅仅针对灰度、平面几何距离等二维特征信息,忽略了人体走路时的三维步态特征,步态识别准确度不高的问题.提出了一种加入三维参数的步态识别算法.利用摄像机采集单帧步态图像序列,利用身体结构的知识和摄像机标定的知识提取出人体走步时的人体三维特征数据,利用提取出二维和三维的步态特征,进行步态识别.结果表明相对于以二维步态特征为参数的步态识别,识别率有了明显改进.     

基于球面参数化的点模型渐变

为了获得光滑自然的点模型渐变效果,基于球面参数化,提出了一种鲁棒的渐变算法。该算法首先对源和目标模型进行球面参数化,使得参数化后的模型嵌入到单位球面上;然后在球面上自适应地对齐模型间的相应特征点,并将球面映射到矩形参数域上,基于该域建立模型间各采样点的对应关系;接着在渐变过程中,采用拉普拉斯算子计算出中间点模型的几何位置,以保持模型的细节;最后利用移动最小二乘曲面进行动态上采样,以消除中间模型的裂缝。实验结果表明,该算法具有良好匹配的采样点对应和光滑的渐变过程。     

基于反馈的可伸缩视频编码容错策略

为提高可伸缩视频编码(SVC)在易错传输环境下的解码质量,研究帧内宏块刷新和参考帧选择2种容错技术,根据视频空间分层下SVC的层间预测特性,提出2种改进策略并进行对比。测试结果表明,在码率控制的情况下,改进的参考帧选择策略传输后重建图像的平均亮度峰值信噪比较高,更适用于低码率的传输环境。     

深度学习结合影像组学的肝脏肿瘤CT分割

目的 从医学影像中进行肝脏与肿瘤分割是计算机辅助诊断和治疗的重要前提。常见的胸部和腹部扫描成像效果中,图像对比度偏低,边界模糊,需要医生丰富的临床解剖学知识才能准确地分割,所以精确的自动分割是一个极大的挑战。本文结合深度学习与医学影像组学,提出一种肝脏肿瘤CT（computed tomography）分割方法。方法 首先建立一个级联的2D图像端到端分割模型对肝脏和肿瘤同时进行分割,分割模型采用U-Net深度网络框架,在编码器与解码器内部模块以及编码器与解码器层次之间进行密集连接,这种多样化的特征融合可以获取更准确的全局位置特征和更丰富的局部细节纹理特征;同时融入子像素卷积与注意力机制,有利于分割出更加微小的肿瘤区域;接着生成两个用于后处理的学习模型,一个基于影像组学的分类模型用于假阳性肿瘤的去除;另一个基于3D体素块的分类模型用于分割边缘的细化。结果 实验数据来自某医院影像科300个肝癌病例CT,每个序列中的肝脏与肿瘤都是由10年以上的医学专家进行分割标注。对数据进行5倍交叉验证,敏感度（sensitivity）、命中率（positive predicted value）和戴斯系数（Dice coefficient）在验证结果中的平均值分别达到0.87±0.03、0.91±0.03和0.86±0.05,相比于性能第2的模型分别提高了0.03、0.02和0.04。结论 肝脏肿瘤CT的精确分割可以形成有价值的术前预判、术中监测和术后评价,有助于制定完善的手术治疗方案,提高肝脏肿瘤手术的成功率,且该方法不局限于肝脏肿瘤的分割,同样也适用于其他医学影像组织器官与肿瘤的分割。     

应用图像块和全卷积神经网络的肩关节MRI自动分割

目的 MRI正逐步代替CT进行骨头与关节的检查,肩关节MRI中骨结构的精确自动分割对于骨损伤和疾病的度量与诊断至关重要,现有骨头分割算法无法做到不用任何先验知识进行自动分割,且通用性和精准度相对较低,为此提出一种基于图像块和全卷积神经网络（PCNN和FCN）相结合的自动分割算法。方法 首先建立4个分割模型,包括3个基于U-Net的骨头分割模型（肱骨分割模型、关节骨分割模型、肱骨头和关节骨作为整体的分割模型）和一个基于块的AlexNet分割模型;然后使用4个分割模型来获取候选的骨头区域,并通过投票的方式准确检测到肱骨和关节骨的位置区域;最后在检测到的骨头区域内进一步使用AlexNet分割模型,从而分割出精确度在像素级别的骨头边缘。结果 实验数据来自美国哈佛医学院/麻省总医院骨科的8组病人,每组扫描序列包括100片左右图像,都已经分割标注。5组病人用于训练和进行五倍的交叉验证,3组病人用于测试实际的分割效果,其中Dice Coefficient、Positive Predicted Value（PPV）和Sensitivity平均准确率分别达到0.92±0.02、0.96±0.03和0.94±0.02。结论 本文方法针对小样本的病人数据集,仅通过2维医学图像上的深度学习,可以得到非常精确的肩关节分割结果。所提算法已经集成到我们开发的医学图像度量分析平台"3DQI",通过该平台可以展示肩关节骨头3D分割效果,给骨科医生提供临床的诊断指导作用。同时,所提算法框架具有一定的通用性,适应于小样本数据下CT和MRI中特定器官和组织的精确分割。