融合内外特征的图像超分辨率算法

针对单一先验知识不足以约束病态严重的图像超分辨率问题,本文提出了融合内外特征的图像超分辨率算法。针对图像的自相似性,通过采用基于内部特征的深度卷积网络学习来增强输入图像的细节纹理,去除超分辨率图像伪影;同时,使用基于外部图像的稀疏约束方法来学习图像结构信息,并结合高频残差字典来解决超分辨率重建中的高频信息缺失问题;最后通过卷积稀疏方法分别从基础层和细节层来融合内外特征的重建图像,以获得细节清晰、去伪影的超分辨率图像,进一步提高图像质量。与传统算法相比,本文算法在重建图像的纹理特征和质量上都得到了增强,且视觉效果与峰值信噪比较传统算法有所改善。     

同轴全息显微镜的三维压缩感知去卷积体积重建

数字同轴全息显微镜是一种二维成像技术,最近已被应用于三维成像,然而在三维图像生成的过程中,物体的失焦图像成为三维体积重建上获取明显三维特征的重要障碍。将压缩感知层析重建算法与去卷积算法相结合,显著减少重建中散斑噪声和失焦伪影对目标的影响。结果显示,与单一的三维去卷积重建图像相比,对于重叠的金属丝,光学标尺,生物棉花切片以及微米级聚苯乙烯颗粒的三维堆积图像具有更好的聚焦效果。     

基于深度卷积神经网络的激光三维图像重建方法

针对当前的激光三维图像重建方法存在的精度低、效果差，耗时长等难题，为了提高激光三维图像重建效果，提出基于深度卷积神经网络的激光三维图像重建方法。首先采集待重建激光三维图像，采用去噪算法对激光三维图像进行去噪操作，并对去噪处理后的激光三维图像进行增强操作，改善激光三维图像视觉效果，然后采用深度卷积神经网络对激光三维图像进行激光三维图像重建，最后进行了多幅激光三维图像重建仿真测试，结果表明，深度卷积神经网络的激光三维图像重建精度超过93%,重建后激光三维图像质量得到提升，激光三维图像重建时间控制在40 ms以内，可以快速实现激光三维图像重建结果，同时重建后的激光三维图像整体效果要明显优于当前经典重建方法，具有更加广泛的应用前景。     

基于无监督学习网络模型的PET影像伪影校正

核医学领域PET/CT可以为胸腹部的肿瘤诊断提供影像支持。但由于患者在扫描过程中不自主的呼吸运动,会造成呼吸运动伪影。为了提高PET图像质量,文中提出了一种无监督的图像配准校正框架,该方法中通过三维卷积神经网络(3D-CNN)预测图像的配准域,再由空间变换网络(STN)对图像进行扭曲变换,实现对PET图像的伪影校正。实验结果表明,在仿真的PET几何体模和像素体模数据集上分别取得了82.12%和83.76%的相似性Dice值,证明了该方法的有效性。     

基于遗传算法去除磁共振图像的运动伪影

病人在磁共振成像扫描过程中的运动会在图像中产生运动伪影,影响图像质量与临床诊断。提出了一种去除磁共振图像运动伪影的图像重建方法,通过遗传算法筛选出受运动影响较小的k空间数据,利用压缩感知进行重建。设计了一种无需参考图像的图像质量评估方法,与全参考图像质量评价指标呈强相关性。实验结果表明,算法可减轻运动伪影,提高图像质量。     

一种约束最小模方估计的图像迭代重建算法

较少投影重建问题一直是成像领域研究的重点，传统的卷积反投影(CBP)不能产生满意的重建图像——伪影严重、误差大，而迭代算法却具有一些较好的特性。本文以CT成像为基础，以最小模方为目标函数提出了一种约束迭代重建算法，本算法与无约束迭代算法相比，在花费相同时间的情况下，可以重建出误差更小，拟合度更高的图像。以扇束扫描投影数据重建的结果验证了本文的结论。     

基于增强超分辨率网络的单对图像时空融合

由于高质量的对地观测需要时空连续的高分辨率遥感图像,故对时空融合的研究广泛开展,并且集中在Landsat和MODIS卫星之间.目前已经提出了使用卷积神经网络进行时空融合的方法,但是网络较浅,故融合性能有限.针对应用最广泛的单对图像时空融合问题,建立了一种基于深度神经网络的新时空融合方法.首先,基本网络框架由两个级联的4倍上采样器构成以近似Landsat和MODIS卫星之间的空间差异和传感器差异.然后,利用卷积神经网络学习重建图像与真实图像之间的残差,使重建图像与真实图像更接近.接着,使用高通调制策略进行时间上的预测.最后,将所提方法在不同的Landsat和MODIS卫星图像上进行了测试,并与多种时空融合算法进行了比较.实验结果表明,与现有融合算法相比,所提方法的重建效果更好,且处理速度更快.     

基于AR模型的最大熵磁共振成像重建算法

本文提出了一种基于ＡＲ模型的磁共振成像算法，通过所获得的自回归系数及线性预测误差，替代了传统的快速傅里叶（ＦＦＴ）重建方法，获得了满意的重建图像，由于在实际系统中，只能得到有限的频谱数据，利用传统的ＦＦＴ方法重建磁共振图像，将导致截断伪影和低的分辨率。本算法利用ＡＲ模型外推未知频谱数据，替代ＦＦＴ方法的填零法重建，并利用ＢＵＲＧ算法中的ＡＲ模型参数计算的有效性，不仅消除了截断伪影，抑制噪声提高了分     

结合局部二值模式和卷积神经网络的人脸美丽预测

卷积神经网络(Convolution Neural Network,CNN)用于人脸美丽预测,能学习到深层次的特征表达,但提取的是全局特征,忽略了人脸的局部信息,因此,泛化能力不强。为此,本文提出一种结合局部二值模式(Local binary pattern , LBP)和卷积神经网络的人脸美丽预测算法。首先,利用数据增强技术扩大数据库规模;其次,将LBP纹理图像和原始灰度图像进行通道融合;再采用1×1卷积操作进行通道特征图的线性组合,从而实现网络跨通道的信息整合,提升人脸美丽预测精度。基于大规模亚洲女性人脸美丽数据库(Large Scale Asian Female Beauty Database, LSAFBD)的实验结果表明,该算法在分类和回归预测中均取得了较好效果,优于其他模型的人脸美丽预测算法;表明在卷积神经网络中加入纹理图像能有效提升人脸美丽预测精度。      

基于多维度特征遥感图像分类方法的研究北大核心CSCD

为了解决传统高光谱图像分类方法精度低、计算成本高及未能充分利用空-谱信息的问题,本文提出一种基于多维度并行卷积神经网络(multidimensional parallel convolutional neural network,3D-2D-1D PCNN)的高光谱图像分类方法。首先,该算法利用不同维度卷积神经网络(convolutional neural network,CNN)提取高光谱图像信息中的空-谱特征、空间特征及光谱特征;之后,采用相同并行卷积层将组合后的空-谱特征、空间特征及光谱特征进行特征融合;最后,通过线性分类器对高光谱图像信息进行精准分类。本文所提方法不仅可以提取高光谱图像中更深层次的空间特征和光谱特征信息,同时能够将光谱图像不同维度的特征进行融合,减小计算成本。在Indian Pines、Pavia Center和Pavia University数据集上对本文算法和4种传统算法进行对比实验,结果表明,本文算法均得到最优结果,分类精度分别达到了99.210%、99.755%和99.770%。