图像配准中图像互信息的快速估计算法

快速、精确地估计图像互信息是图像配准中一个非常重要的课题,它涉及到两幅图像的联合概率密度和边缘概率密度的估计。针对核密度估计法运算量大而导致互信息估计速度慢的问题,提出了一种快速核密度估计法,并用它估计图像互信息。快速算法利用了单位冲激函数性质和基于快速傅立叶变换的快速卷积算法,能在线性时间复杂度内估计互信息。采用临床MRI图像的实验证实了快速算法的性能。     

基于Copula熵的互信息估计方法

互信息是一种常用的衡量变量相关性的方法,但在互信息估计过程中,联合概率密度的估计往往十分困难.为了避免联合概率密度的估计,同时有效提高互信息估计的准确度与效率,本文提出一种基于Copula熵的互信息估计方法.利用Copula熵与互信息之间的关系,将互信息的估计转化为对Copula熵值的估计.采用基于Kendall秩相关系数的参数估计方法对Copula函数的参数进行估计.所提算法分别与直方图法、核方法、κ近邻法和极大似然法进行比较.二维高斯数据上的仿真结果表明,所提方法能够快速准确地对互信息值进行估计.     

遗传算法和最大互信息医学图像配准算法的研究

针对人脑的二维图像设计了一种遗传算法和最大互信息相结合的医学图像配准算法,采用互信息配准模型,以图像的灰度统计信息为配准依据,用改进的遗传算法搜索图像间的最优变换参数,并用最大互信息作为目标函数指导最优变换参数的搜索。通过实验验证了算法的可行性和稳定性。     

高斯型点扩展函数估计及图像复原

点扩展函数估计是图像复原的重要内容,目前还没有精确估计的算法。根据高斯型点扩展函数曲线的特点,提出了新的高斯型点扩展函数参数的估计方法。分析发现高斯型点扩展函数曲线中,存在着几个特征点,它们很好地表现在降质的图像傅里叶变换图像中,这几个点与扩展函数参数存在着一定的关系。根据这种关系推导出点扩展函数参数,从而达到图像复原的目的。实验结果表明,这种算法简单、精度较高,有一定的参考价值。     

粒子群与改进的鲍威尔算法相结合的多分辨率三维医学图像配准

为克服传统基于互信息的多模医学图像配准算法容易陷入局部最优的问题,提出了一种改进的多分辨率三维医学图像配准算法.该算法通过高斯滤波将三维医学图像进行多尺度化,形成多分辨率图像金字塔,以Mattes互信息作为配准框架的相似性测度.在图像金字塔的低分辨率层使用粒子群优化算法进行全局变换参数的搜索,然后以全局变换参数作为高分辨率层配准的初始参数,并以鲍威尔优化算法进行优化,完成最终的三维医学图像配准.实验结果表明,改进的算法不仅使待配准两幅图像空间位置对齐,而且较传统互信息算法提高了配准精度,鲁棒性更强,有效地解决了基于互信息的配准算法陷入局部最优的可能.     

图像抖动核函数估计与图像恢复

抖动模糊是摄影中常见的问题,为此提出了一个鲁棒快速的核函数估计和图像恢复方法。给定一幅因相机抖动而模糊的图像,该方法首先建立金字塔,然后自顶向下、迭代地估计运动模糊核函数,同时对图像进行恢复。使用混合高斯模型对核函数建模,使用自然图像的边缘大尾巴分布对图像进行约束。通过冲击滤波器预测图像的强边缘,对图像的边缘与核函数进行约束,从而更好地估计核函数。并通过迟滞阈值方法和核函数重新定位的方法,降低核函数的噪声,提高核函数估计的鲁棒性能。在求解核函数能量方程时,采用共轭梯度法,利用图像的一阶和二阶偏导数降低系统方程的条件数,加快收敛速度。最后,在一个国际公开的包含32组运动模糊图像的数据集上验证了该方法。实验结果表明,该方法所恢复的图像,其边缘和纹理清晰,能够很好地避免噪声和振铃走样问题。     

基于双树复小波变换的PET/CT自适应融合算法

PET/CT医学图像融合对于图像分析及临床诊断具有重要的应用价值,通过融合PET/CT图像,可以丰富图像的信息量,提高信息准确度。针对PET/CT融合问题,提出了一个基于双树复小波的PET/CT自适应融合算法。对已配准的PET和CT图像进行双树复小波变换（dual-tree complex wavelet transform,DTCWT）,得到低频分量和高频分量;根据低频图像集中了大部分源图像能量及决定了图像轮廓的特点,采用了自适应高斯隶属度函数的融合规则;在高频图像部分,考虑了图像相邻像素之间的相关性和模糊性问题,在第一层的高频分量上采用了高斯隶属度函数和3×3领域窗口相结合的融合规则,在第二层高频分量上采用了区域方差的融合规则。最后,为了验证算法的有效性和可行性,做了3个方面的实验,分别是该算法和其他像素级融合算法的比较实验,利用信息熵、均值、标准方差和互信息的融合效果评价实验,双树复小波变换中不同融合规则的比较实验。实验结果表明,该算法信息熵提高了7.23%,互信息提高了17.98%,说明该算法是一种有效的多模态医学影像融合方法。     

核空间隐马尔可夫随机场图像模糊聚类

针对模糊C均值算法未考虑图像邻域信息,导致其分割效果不好的不足,结合隐马尔可夫随机场和高斯核函数,提出核空间隐马尔可夫随机场模糊C均值聚类算法。引入隐马尔可夫随机场,在目标函数中引入像素的空间邻域信息,使得分割算法对噪声鲁棒性增强;引入核函数,将样本点非线性变换映射到高维特征空间,增强图像分割的抗干扰能力,保持图像的细节信息。对标准灰度图像添加噪声,用以验证算法的性能。视觉效果及分割图像的峰值信噪比均显示,改进算法具有更好的抗噪能力。     

基于互信息与二次方变换的超声宽景成像

超声宽景成像技术能获取超过正常超声图像显示范围的图像信息。由于超声图像的噪声和图像采集时组织的复杂运动,使用互信息和二次方变换实现宽景成像。对高斯预处理后的图像使用基于互信息的图像配准技术得到运动向量。利用基于角度的校正提高向量精度,通过二次方变换估计图像间的非刚体运动。最后,使用基于非线性方程组的多边形填充融合方法获取宽景图像。实验表明,获得的高质量宽景图信噪比和对比度有明显提高。     

自适应的归一化卷积超分辨率重建算法研究

图像超分辨率重建技术是数字图像领域的一个研究热点,应用广泛。为了使重建的图像能更好地保持边缘细节,采用各向异性高斯核函数作为适用度函数,并将改进的自适应归一化卷积超分辨率重建算法应用于设计的多通道光学成像系统图像。由于各向异性高斯核函数邻域的尺度和方向由提出的自适应结构张量矩阵决定,其能很好地估计图像局部结构的方向和强度。实验仿真结果表明,提出的方法与其他方法相比可以保持边缘细节和提高信噪比,从而改善图像成像质量。     

基于高斯分布监督学习样本的Fisher核构造方法

结合实际应用背景, 针对各类样本服从高斯分布的监督学习情形, 提出了构造Fisher核的新方法. 由于利用了样本中的类别信息, 该方法用极大似然估计代替EM算法估计GMM参数, 有效降低了Fisher核构造的时间复杂度. 结合核Fisher分类法, 上述方法在标准人脸库上的仿真实验结果显示, 用所提方法所构造的Fisher核不仅时间复杂度低, 且识别率也优于传统的高斯核与多项式核. 本文的研究有利于将Fisher 核的应用从语音识别领域拓展到图像识别等领域.     

基于组合核函数的径向基过程神经网络及其在示功图诊断中的应用

针对复杂时间信号动态模式分类问题,提出了一种基于局部核函数与全局核函数组合的径向基过程神经网络(RBFPNN)模型。考虑时间信号过程特征的多样性和复杂性,以及核函数对信号分布形态特征的局部与全局表征能力,通过将具有全局性质的多项式核函数与具有局部性质的高斯核函数进行线性叠加,构成组合核函数,以此建立一种新的径向基过程神经网络,从信息模型上改善RBFPNN对动态样本复杂过程特征的抽取和记忆性质,提高网络对时间信号特征的辨识能力。分析了基于RBFPNN的性质,建立了基于混沌遗传算法CGA的模型参数优化算法。以基于示功图的往复运动机械工作状态诊断为例,实际资料处理结果验证了模型和算法的有效性。     

一种嵌入局部信息的快速KFCM聚类分割算法

针对核空间模糊局部C-均值聚类分割算法时间复杂性过大而不适合实时场合图像分割需要的问题,提出了一种核空间局部模糊C-均值聚类分割的快速算法。利用像素与其邻域像素之间的空间距离信息和灰度方差信息构造一种加权共生矩阵;将图像像素的一维直方图以及像素与邻域像素之间的二维共生直方图相结合构造了一种新的核空间模糊C-均值聚类分割目标函数,并对其推导获得隶属度和聚类中心迭代表达式;将图像像素采用该算法聚类所得隶属度进行邻域滤波处理,以便改善该算法的抗噪性能。实验结果表明,该分割算法相比核空间局部模糊C-均值聚类分割更有利于实时场合和大幅面图像分割的需要。     

一种快速鲁棒核空间图形模糊聚类分割算法

针对现有鲁棒图形模糊聚类算法难以满足强噪声干扰下大幅面图像快速分割的需要，提出一种快速鲁棒核空间图形模糊聚类分割算法。该算法将欧氏空间样本通过核函数映射至高维空间；采用待分割图像中像素邻域的灰度和空间等信息构建线性加权滤波图像，对其进行鲁棒核空间图形模糊聚类；并引入当前聚类像素与其邻域像素均值所对应的二维直方图信息，获得鲁棒核空间图形模糊聚类快速迭代表达式。对大幅面图像添加高斯和椒盐噪声进行分割测试，实验结果表明:本文算法相比基于图形模糊聚类等分割算法的分割性能、抗噪鲁棒性和实时性有了显著提高。     

高斯核函数卷积神经网络跟踪算法

针对深度学习跟踪算法训练样本缺少、训练费时、算法复杂度高等问题,引入高斯核函数进行加速,提出一种无需训练的简化卷积神经网络跟踪算法。首先,对初始帧目标进行归一化处理并聚类提取一系列初始滤波器组,跟踪过程中结合目标背景信息与前景候选目标进行卷积;然后,提取目标简单抽象特征;最后,将简单层的卷积结果进行叠加得到目标的深层次特征表达。通过高斯核函数加速来提高算法中全部卷积运算的速度,利用目标的局部结构特征信息,对网络各阶段滤波器进行更新,结合粒子滤波跟踪框架实现跟踪。在CVPR2013跟踪数据集上的实验表明,本文方法脱离了繁琐深度学习运行环境,能克服低分辨率下目标局部遮挡与形变等问题,提高复杂背景下的跟踪效率。     

基于联合双边滤波器的Kinect深度图像滤波算法

针对Kinect镜头采集的深度图像一般有噪声和黑洞现象,直接应用于人体动作跟踪和识别等系统中效果差的问题,提出一种基于联合双边滤波器的深度图像滤波算法。算法利用联合双边滤波原理,将Kinect镜头同一时刻采集的深度图像和彩色图像作为输入,首先,用高斯核函数计算出深度图像的空间距离权值和RGB彩色图像的灰度权值;然后,将这两个权值相乘得到联合滤波权值,并利用快速高斯变换替换高斯核函数,设计出联合双边滤波器;最后,用此滤波器的滤波结果与噪声图像进行卷积运算实现Kinect深度图像滤波。实验结果表明,所提算法应用在人体动作识别和跟踪系统后,可显著提高在背景复杂场景中的抗噪能力,识别正确率提高17.3%,同时所提算法的平均耗时为371ms,远低于同类算法。所提算法保持了联合双边滤波平滑保边的优点,由于引入彩色图像作为引导图像,去噪的同时也能对黑洞进行修补,因此该算法在Kinect深度图像上的去噪和修复效果优于经典的双边滤波算法和联合双边滤波算法,且实时性强。     

一种快速霍夫变换算法

霍夫变换是图像处理中的一种常用的检测算法，能够有效地在较大的噪声环境中提取图像中的特定信息。但标准的霍夫变换算法运算量大，处理速度慢，有较大的局限性。该文讨论了一种快速霍夫变换算法，该算法有效地降低了传统霍夫变换算法的时间复杂度，提高了计算效率和运算速度，对于提高图像处理的速度，增强图像处理的实时性有着显著的作用。     

基于循环核矩阵的自适应目标跟踪算法

针对现在存在的基于分类的目标跟踪算法难以实现自适应目标大小变化的问题,提出并实现了基于循环核矩阵的自适应目标跟踪算法。算法首先在包含目标的感兴趣区域内采集所有的训练样本以构成一个循环矩阵结构,再使用高斯核函数构造出循环核矩阵,最后通过基于循环核矩阵的分类器的封闭形式的解进行训练和检测。同时,将比较成熟的循环矩阵理论与傅里叶分析建立连接,从而实现了在快速傅里叶变换下进行快速学习和检测。在此基础上,通过分类器对目标响应度的变化,实现自适应目标大小的变化。与一些经典的和较新的自适应目标跟踪算法进行比较,实验结果表明该算法在一定场景下能够更加准确和有效地表达目标的变化。