基于归一化割的颅脑MRI肿瘤提取算法

颅脑核磁共振图像( MRI)的肿瘤图像由于自身对比度较低、肿瘤边缘模糊以及肿瘤形状复杂等因素,导致其难以被准确提取。为此,提出将归一化割算法和基于符号压力( SPF)函数的活动轮廓模型相结合,对颅脑MRI肿瘤进行提取的算法。利用基于SPF函数的活动轮廓模型,实现对归一化割算法提取肿瘤边缘的收敛,通过设置收敛的迭代次数和光滑系数完成对颅脑MRI肿瘤边缘的收敛速度和形状的控制,使最终曲线停止于真正的肿瘤边缘。仿真结果表明,该算法克服了肿瘤形状变化及对比度等因素对肿瘤提取的不利影响,能稳定而准确地提取颅脑MRI肿瘤。     

基于定量定性互信息的多层次特征图像匹配算法

针对传统基于互信息图像匹配算法计算量大,且没有考虑像素空间关系和效用的问题,提出了一种基于定量定性互信息的多层次特征图像匹配算法：首先对边缘提取后的图像提取多层次特征,即边缘兴趣点、边缘点和边缘邻域点特征;然后基于不同特征点特性,计算定量定性互信息联合效用;最后在遗传算法框架下,将定量定性互信息值作为适应度函数值搜索匹配参数。仿真结果表明,本文提出的匹配算法精度高,耗时较短且对噪声不敏感。     

基于多特征融合的运动车辆阴影消除方法

提出一种基于边缘特征的阴影消除方法,通过边缘检测获取阴影边缘信息,利用边缘差分、形态学等运算进行阴影消除。并提出一种基于灰度特征的阴影消除方法,利用暗化因子高斯模型进行阴影消除。结合2种方法的优点,给出一种基于多特征融合的运动车辆阴影消除方法,可同时解决车辆与阴影颜色相似以及阴影内部边缘复杂等原因造成的误检问题。实验结果表明,该方法具有较好的实时性、精确性和鲁棒性。     

基于特征约束及区域相关的体视匹配方法

立体匹配是计算机视觉领域的一个关键问题,同时也是难点问题。为了得到准确的高密度视差图,通过对基于区域和基于特征的体视方法的讨论,综合两种方法的优点,提出了基于边缘特征约束及区域相关的立体匹配算法。该方法首先利用基于特征技术来得到边缘特征点,对边缘特征点再做灰度等区域相关匹配处理,然后在匹配的边缘特征点约束下,对非边缘特征点采用区域相关算法进行匹配,得到整体高密度视差图。这样既缩小了匹配搜索空间,又保证了匹配的可靠性。实验结果表明,该算法具有良好的效果和实用价值。     

基于边缘特征和模糊理论的阴影检测

阴影检测在图像处理中是一个十分重要的课题。该文提出了一种基于边缘特征的阴影边缘检测方法。对于阴影边缘检测的结果,利用文献所提出的基于模糊理论的边缘连接方法来进行连接,并在此基础上提出了一种基于模糊理论的边缘闭合方法将未闭合的离散边缘点或曲线段连接成闭合边缘。最后,利用局部均值和直方图获取阴影区域。实验结果表明,本文提出的方法在定位精度和去除噪声等方面都取得了较好效果。     

一种基于特征约束的立体匹配算法

立体匹配一直是计算机视觉领域的一个中心研究问题,为了得到适用于基于图象绘制技术的视图合成高密度视差图,提出了基于边缘特征约束的立体西欧算法,该方法首先利用基于特征技术来得到边缘特征点的准确视差图,然后在边缘特征点视差图的约束下,对非边缘特征点采用区域相关算法进行匹配,这样既缩小了匹配搜索空间,又保证了匹配的可靠性,边缘特征点和边缘特征点的匹配采用双向匹配技术又进一步保证了匹配的可靠性,实验结果表明,该算法效果良好,有实用价值。     

基于特征的实时镜头切变检测

提出了一种新的基于边缘特征的帧间相似性度量方法,并在此基础上实现了一个实时的镜头切变检测算法。为了降低基于特征的算法的运算复杂度,该算法采用一种快速的边缘模式分类方法从部分解码的码流中提取视频帧的边缘特征,通过考察相邻帧边缘分布的相似性定义了一种反映局部信息的帧间相似性度量。结合反映全局特征的基于彩色直方图的相似性的度量和改进的滑动窗算法,实现了高性能的镜头边缘检测。相对于现有的基于特征的算法,该算法具有更低的运算复杂度,适合实时应用。     

基于边缘检测的快速纸张检测方法

结合普通纸笔交互方式对纸张检测的实时性和鲁棒性的要求,提出了一种基于边缘检测的快速纸张检测方法。在边缘检测阶段,提出了跨层特征融合的快速纸张边缘检测方法。在HED主干网上添加线性瓶颈逆残差块和融入高效通道注意力的B-ECA块,大幅度减少了参数量,增加了显著特征的权重;分阶段融合各阶段各层特征,保留了更多的边缘特征;对高阶段特征上采样,并与低阶段特征进行跨层特征融合,解决了边缘模糊的问题。在自建的MPDS数据集上进行训练和测试,相较于HED方法,提出的纸张边缘检测方法在ODS和OIS指标上分别提高了8.1%和6.6%,检测速度由22.08 fps提高到了39.02 fps。在纸张提取阶段,提出了基于纸张结构约束的纸张提取方法。依次对纸张边缘进行基于非极大值抑制的边缘细化、直线检测与筛选、结构约束的纸张顶点提取,最终提取出只包含纸张的图像。实验结果表明,在各种复杂桌面环境及遮挡情况下,提出的纸张提取方法均可以快速、准确地提取完整的纸张图像,可以为普通纸笔交互方法提供交互基础。     

基于可变形模型提取肿瘤区域的方法研究

为了减少计算机分析乳腺肿瘤影像的数据量，提高肿瘤病灶计算机辅助探测和辅助诊断的精确度，降低假阳性和假阴性，乳腺肿瘤区域的提取是至关重要的。基于乳腺恶性肿瘤和有些良性乳腺瘤(如纤维性瘤)的边缘模糊不清和凹凸多变的特性，传统的边缘提取算子和阈值法分割乳腺肿瘤区域很困难，该文提出应用基于可变形模型的梯度矢量流的方法提取乳腺X光片肿瘤区域，用基于亥姆霍兹最小能量损耗原理的一种新的外部能量代替传统方法的外部能量，从而解决了传统方法的可变形轮廓线不能收敛于目标边缘凹陷处的问题，并取得了良好的效果，为进行乳腺X光片肿瘤区域的形状特征提取提供了前提。     

基于边缘特征点对对齐度的图像配准方法

针对基于特征的图像配准方法存在特征提取的多样性和相似度计算的复杂性等问题,在定义边缘特征点对的角度直方图和对齐度的基础上,提出了一种基于边缘特征点对对齐度的图像配准方法。该方法首先利用小波多尺度积准确地提取边缘图像和特征点,然后根据特征点的角度直方图得到的旋转角度,并通过计算所有特征点对在边缘图像中的对齐度来精确地确定匹配点对。大量的实验结果表明,该方法具有较强的适用性、精确性和有效性。     

基于支持向量机的肿瘤形状特征分类

当两类中的样本数量差别较大时,支持向量机的分类能力将会下降。该文提出了一种支持向量机新算法——DFP-PSVM,将有约束条件的二次规划问题转换为无约束二次规划问题,并通过优化计算来实现。为了克服传统的蛇形算法不能收敛于边缘凹陷处以及初始化过于敏感的缺点,采用基于可变形模型的梯度矢量流方法,提取了乳腺X光片中的肿瘤区域,分析了3个基于边缘的价矩。将其他肿瘤形状特征作为DFP-PSVM分类算法的特征输入,进行恶性肿瘤和良性肿瘤的计算机辅助诊断。实验表明,在小样本、两类样本数量“严重不均衡”的情况下,该算法有着较强的分类能力。     

一种基于外推运动矢量的差错掩盖方法*

为了克服边框匹配算法因边框匹配不准确而导致最优运动矢量的漏选,以及差错掩盖效果明显下降的问题,提出了一种新的基于外推运动矢量的自适应时域差错掩盖算法。首先,根据宏块运动矢量的时空相关性,从相邻宏块的运动矢量及其外推运动矢量中自适应地构造出一个有限的候选运动矢量集;然后,利用边框匹配算法从构造的候选运动矢量集中选取最佳运动矢量进行差错掩盖;最后,在H.264/AVC的参考模型JM12.2中编程实现该算法。大量仿真实验结果表明,本算法可以明显降低最优运动矢量的漏选,在解码端取得了较为满意的差错掩盖效果。     

基于边界向量的支持向量机增量算法

提出了一种新的基于边界向量的增量式支持向量机学习算法。该算法根据支持向量的几何分布特点,采用边界向量预选取方法,从增量样本中选取最有可能成为支持向量的样本形成边界向量集,在其上进行支持向量训练。通过对初始样本是否满足新增样本KKT条件的判断,解决非支持向量向支持向量的转化问题,有效地处理历史数据。针对UCI标准数据集上的仿真实验表明,基于边界向量的增量算法可以有效地减少训练样本数,积累历史信息,具有更高的分类速度和更好的推广能力。     

基于边界近邻的最小二乘支持向量机实现

最小二乘支持向量机采用最小二乘线性系统代替传统的支持向量即采用二次规划方法解决模式识别问题,能够有效地减少计算的复杂性。但最小二乘支持向量机失去了对支持向量的稀疏性。文中提出了一种基于边界近邻的最小二乘支持向量机,采用寻找边界近邻的方法对训练样本进行修剪,以减少了支持向量的数目。将边界近邻最小二乘支持向量机用来解决由1-a-r(one-against-rest)方法构造的支持向量机分类问题,有效地克服了用1-a-r(one-against-rest)方法构造的支持向量机分类器训练速度慢、计算资源需求比较大、存在拒分区域等缺点。实验结果表明,采用边界近邻最小二乘支持向量机分类器,识别精度和识别速度都得到了提高。     

基于自适应边界向量提取的多尺度v-支持向量机建模

针对v-支持向量机(v-SVM)用于大规模、多峰样本建模时易出现训练速度慢和回归精度低的问题,提出基于边界向量提取的多尺度v-SVM建模方法.该方法采用一种自适应边界向量提取算法,从训练样本中预提取出包含全部支持向量的边界向量集,以缩减训练样本规模,并通过求解多尺度v-SVM二次规划问题获取全局最优回归模型,从多个尺度上对复杂分布样本进行逼近.仿真结果表明,基于边界向量提取的多尺度v-SVM比v-SVM具有更好的回归结果.     

基于乘性规则的支持向量域分类器

该文提出了一种基于支持向量域描述(SVDD)的学习分类器．在两类样本分类中，该算法在训练时通过对1类样本的描述求取包含1类样本的球形边界．然后通过该边界对两类样本数据进行分类，并且在求取边界的优化问题中，采用乘性规则来直接求取Lagrange乘子，而不是用传统的二次优化方法．该文所获得的学习算法和支持向量机(SVM)与序列最小优化(SMO)算法相比，不仅降低了样本的采集代价，而且在优化速度上有了很大提高．通过CBCL人脸库的仿真实验．将该算法和SVM、SOM算法的实验结果进行对比，说明了该学习算法的有效性．     

基于粗糙集边界的v-支持向量机混合分类算法

针对v-支持向量机在样本集规模较大的情况下,需要占用大量训练时间的问题,提出基于粗糙集边界的v-支持向量机混合分类算法。该算法根据粗糙集理论边界区域的优点,生成分类数据的边界集,使其包括全部的支持向量,用此边界向量集替代原始样本作为训练集,减少训练集的数量,则可以在不影响分类精度和泛化性能的前提下显著缩短v-支持向量机的训练时间。仿真结果表明该算法的有效性。     

一种稀疏最小二乘支持向量机

针对最小二乘支持向量机缺乏稀疏性的问题,提出了一种基于边界样本的最小二乘支持向量机算法。该算法利用中心距离比来选取支持度较大的边界样本作为训练样本,从而减少了支持向量的数目,提高了算法的速度。最后将该算法在4个UCI数据集上进行实验,结果表明：在几乎不损失精度的情况下,可以得到稀疏解,且算法的识别速度有了一定的提高。     

一种适用于时域错误隐藏的边界匹配算法

针对错误隐藏过程中传统边界匹配算法对边缘匹配的局限性,提出一种基于时域与空域平滑性的边界匹配算法。该算法引入加权的边界匹配误差:时域误差用于衡量时域的连续性;空域误差则反映边缘的连续性。实验结果表明,该算法有效解决了存在多方向边缘穿越受损区域情况下最优矢量的选择问题,使得恢复后的图像在边界处具有较好的连续性。