基于B超图像处理监测生物组织变性的方法

提出基于B超图像的灰度和分形截距特征并结合支持向量机监测生物组织变性的方法。通过对高强度聚焦超声打击新鲜离体猪肉和猪肝组织前后获得的B超图像做数字减影,并提取图像特征和分类,找出生物组织变性凝固点。在此基础上,对大量实验数据处理后的统计特性和误差进行了分析,比较了不同特征参数的辨识效果。结果表明：综合图像的分形截距和灰度平均值特征并建立支持向量机,能够更好地监测HIFU治疗中生物组织是否变性。     

基于B超图像处理的无损测温方法研究

用B超和计算机设计一套实验装置,通过对B超图像分析来检测生物组织内的温度变化。用此装置对新鲜的离体猪肉进行了测温实验,并对不同温度时获得的B超图像作差值处理,在此基础上分析了数字减影结果与温度变化的关系。结果表明温度在40 ℃至85 ℃间,减影图像的相对灰度变化值与温度近似线性关系。     

一种小波域内的BP神经网络图像压缩方法

通过时Mallat算法和提升小波变换的比较,并分析图像经过小波变换后系数的分布特点,提出了一种新的将提升小波变换和BP神经网络相结合的图像压缩方法.根据小波变换后图像的绝大部分能量都集中在小波变换的低频部分这一特性,利用BP神经网络,对不同的频带子图进行不同压缩比的压缩,从而得到高质量的重构图像.结果表明,该算法不仅有较高的压缩比,而且获得了质量较高的重构图像,对背景简单的图像压缩效果尤为明显.     

一种基于目标域的车牌图像混合压缩方法

主要研究了对车牌图像进行压缩的方法.根据车牌的特点,先对其进行基于目标域方法的分块,随后采用小波变换和BP神经网络的混合方法对图像进行压缩.结果表明了该方法的高效性.     

一种基于神经网络的盲水印方法

该文提出一种在图像小波变换的低频系数中嵌入水印的方法,水印的提取是基于神经网络方法,而且不依靠原始输入图像。实验结果表明,该方法所实现的水印图像视觉效果好,且对常见的图像处理是稳健的。     

基于KPCA和FSVM的猪肉组织变性识别方法

生物组织变性识别是监测HIFU治疗过程的一个重要方面,对提升HIFU治疗效果有重要意义。提出了一种基于核主元分析(KPCA)和模糊支持向量机(FSVM)的猪肉组织变性分类识别方法。对HIFU辐照离体猪肉组织产生的超声回波信号分别提取能量、衰减系数、背向散射积分等时频域特征,构造表征组织变性特征的混合域特征集。利用KPCA对特征集中能敏感地体现组织变性的特征进行二次特征提取,按累计贡献率高于95%的标准,选择前2个核主元当作主要特征并将其联合输入FSVM进行组织变性识别。实验结果显示,联合特征比单个特征能更好地检测组织变性状态,更准确地对猪肉组织进行变性分类识别。该方法可为监测HIFU治疗中生物组织是否变性提供参考。     

一种基于小波和神经网络的短时交通流量预测

针对实际交通流变化的不稳定性和复杂性的特点,应用交通流预测模型获取更准确的交通流信息,是智能交通领域的一个研究热点。提出一种基于小波分析与神经网络结合的预测模型。模型主要思想是通过小波多分辨率分析和Mallat算法对原始交通流数据进行平滑降噪处理,处理过程选用db10小波和软阈值去噪函数使得交通流曲线更加平滑稳定,更能真实反映交通流的真实情况;再采用激活函数为Tan-Sigmoid,训练函数为trainlm,各层神经元节点数为1-12-1的三层BP神经网络对消噪后的交通流数据进行训练,用训练好的预测模型对实际交通流信息进行预测,最后获取准确的交通流信息。实验结果表明,采用小波分析与BP神经网络结合的方法得到的预测结果平均相对误差为0.03%,最大相对误差为0.39,拟合度(EC)达到0.96。仅使用BP神经网络预测模型对交通流数据进行预测后得到的预测结果的平均相对误差为0.08%,最大相对误差为0.89%;实验对比采用BP神经网络预测模型和卡尔曼滤波、GM(1,1)预测模型对交通流的预测,BP神经网络预测模型的误差指标大大减小,拟合度大大提高,有较好的准确性和可行性,能较准确地反映交通流真实情况。而经过小波去噪与BP神经网络结合的预测模型提高了预测精度,为交通流的实时动态预警提供了更加准确真实的情况。     

基于超声散射回波分析的测温方法研究

利用B超和计算机设计一套实验装置，观察高强度聚焦超声（HIFU）击打离体猪肌肉组织后组织内温度的变化。实验结果表明：（1）组织温度变化时其散射的超声回波幅值发生变化，超声散射回波的小波变换系数也发生变化；（2）超声散射回波的幅值变化和组织温度变化的关系与超声散射回波的小波变换系数变化和组织温度变化的关系相同；（3）生物组织温度在37～600C间．超声散射回波的幅值和超声散射回波的小波变换系数随温度上升而增大；生物组织温度在60-800C间，超声散射回波的幅值和超声散射回波的小波变换系数变化与温度变化没有确定的关系。     

一种多聚焦图像融合方法

提出一种基于小波变换的多聚焦图像融合方法．该方法首先通过小波变换得到源图像的小波系数，然后对低频和高频分量采用不同的融合规则和融合算子构造融合图像的小波系数，最后基于一致性检测由高低频融合系数得到最终的融合结果．用两组源图像数据验证所提出的融合算法，并与其他融合算法进行比较，仿真结果表明该算法在多聚焦图像融合中优于其他方法．     

基于B超的HIFU治疗区域自动确定及增强方法

为超声引导的HIFU系统设计自动检测凝固性坏死损伤区域并对损伤区域进行伪彩色增强的实时监控方法,方便医生实施治疗。首先根据HIFU治疗的特点,采用基于动态灰度梯度方法确定种子点,以种子点为中心进行区域生长自动检测损伤区域大小、形状和位置,然后利用改进的伪彩色变换算法增强损伤区域。基于区域生长的方法可直观反映出HIFU损伤区域的形状、大小及其在器官内的相对位置;改进的伪彩色变换算法能有效突出损伤区域,同时可对其进行疗效评价。实验结果证实了该算法的可行性和有效性。     

基于单片机和CAN总线的相控阵HIFU控制系统

医学上利用高强度聚焦超声(HIFU)的物理效应实现非介入无创治疗。相控阵HIFU是通过控制多个发射信号的初始相位使得超声波在焦点处同相叠加而实现聚焦。本文介绍了相控阵HIFU中电子控制系统的一些关键技术设计,包括初始相位设置、相位跟踪保持、系统体系结构以及信号传输和数据通信方案等。     

基于小波理论的sEMG的处理方法

文章选取时域分析法对表面肌电信号的提取其特征值,意在于能够得到能较好地表征肌电信号的特征向量,使得之后的分类器能够有效地对表面肌电信号进行分类识别。在对信号进行识别分类识别时,所设计的小波神经网络可以将各动作信号特征值转化为线性组合,简化动作的分类识别过程。     

基于小波变换的冲击脉冲雷达图像处理方法

将小波变换的基本理论运用到冲击脉冲雷达信号的处理中,检测雷达回波信号的奇异性,同时用非线性变换方法对图像进行处理。该方法对提取目标回波信号、提升其信号强度、抑制杂波干扰和噪声有良好的效果。文章最后给出了该方法对冲击脉冲雷达图像的处理结果。可以看出,在处理后的雷达图像中,目标清晰,杂波干扰和噪声基本消除。     

基于提升小波变换与自适应PCNN的医学图像融合方法

为了更好地满足临床辅助诊断和治疗的需要,提出一种基于提升小波变换的CT与MRI图像的融合方法.该方法在低频子带采用基于区域能量的融合规则;高频子带采用自适应脉冲耦合神经网络(PCNN)的融合规则,通过应用PCNN简化模型把图像逐像素的梯度能量作为PCNN的链接强度,使得PCNN能根据像素梯度能量的变化来自适应地调整链接强度的大小,并根据点火次数确定高频子带融合系数.实验结果表明,文中方法与传统融合方法相比性能优越,丰富了融合图像的边缘及细节信息,可取得更好的融合效果.     

基于小波矩和主分量分析的车牌字符识别方法

随着物联网技术的发展,车联网的应用日益广泛,从而对车牌字符的识别提出了更高的要求,而字符识别的关键在于特征的提取和选择。提出了一种基于小波矩和主分量分析提取和选择特征向量的方法。该方法首先通过小波矩提取字符的特征,然后通过主分量分析对提取的特征进行选择,最后将特征向量送入BP神经网络进行字符识别。该方法能够很好的反映图像的全局特征和局部特征,并且具有较强的抗干扰能力。实验结果表明,该方法可以得到较好的识别效果。     

聚焦超声在脱气水声场中的多泡分布与声致发光研究

为明确多泡空化在高强度聚焦超声（High intensity focused ultrasound,HIFU）治疗中焦前区、焦后区的副作用,进一步优化HIFU治疗,本文在不同声强下利用高速摄像系统与数字相机拍摄聚焦超声在脱气水声场中的多泡及多泡声致发光（Multi-bubble sonoluminescence,MBSL）的空间分布,通过被动空化检测（Passive cavitation detection,PCD）技术和光电倍增管（Photomultiplier tube,PMT）系统检测多泡空化特征及声场整体发光强度。研究表明：当声强较低时（如3 047 W/cm²）,气泡以驻波场模式分布;随着声强的提高,焦点处出现向焦后方生长的气泡群,3~6 MHz宽带噪声增幅明显,同时MBSL最先出现在焦前区,并向换能器表面扩大,声场整体发光强度与声强成正比;当声强足够高时（如21 328 W/cm²）,焦点处空化泡群剧烈坍缩的同时可见椭球形光斑,嘶嘶声不断,气泡的聚集大大降低了声场的相对发光强度。     

基于小波分析的脑电密码计算方法

为有效提取脑电信号特征波,结合小波技术提出一种脑电特征波计算方法。对脑电信号进行小波分解,重构相关频段信号,提取特征波,并结合BP神经网络对其进行计算。实验结果表明,该方法有效,对3个受试者的平均识别率大于80%,适合残疾人等各种人群。     

基于超声检测的构件层间粘接缺陷识别方法

超声无损检测广泛用于检测界面粘接缺陷,然而粘接缺陷类型的识别一直是检测的难点.因此提出了一种基于多特征融合和主成分分析提取界面粘接状况回波信号特征的方法.首先通过对缺陷信号回波进行消噪处理,提取了缺陷信号时域和时频域的特征参数,并构成联合特征向量.随后,经过主成分分析消除联合特征向量的冗余信息并降低特征向量之间的相关性,实现降维,选取累计贡献率超过95％的主成分作为粘接类型的融合特征向量.最后用BP神经网络实现缺陷类型识别分类.实验结果表明,这种方法可以有效地识别出粘接缺陷类型,识别率优于单独时频域特征提取方法,为粘接缺陷的分类识别和无损评价提供了技术参考.