基于Hessian矩阵及梯度熵的疑似肺结节检测算法

提出一种基于Hessian矩阵的多尺度增强滤波和梯度熵选择的疑似肺结节检测算法.首先,构造基于Hessian矩阵的多尺度圆形增强滤波器对肺部计算机断层扫描(CT)图像中的圆形区域进行增强,使得类似圆形的疑似结节区域得以增强,其他干扰区域得以抑制.然后,计算增强后的圆形肺结节区域(孤立圆、线交叉形成的圆)在原始灰度图像中相应区域的梯度熵,采用切比雪夫不等式确定孤立圆梯度熵分布区间,进行疑似结节区域的选择.实验结果表明,该算法能较好地检测肺部CT图像中疑似肺结节区域,为后续的肺结节检测以及诊断打下基础.     

平面冗余驱动并联机器人的性能分析与尺度综合

建立了平面2自由度冗余驱动并联机器人的Hessian矩阵,将Hessian矩阵引入全域性能指标中,进行速度、加速度和灵巧度性能指标分析,给出三项指标的性能图谱,讨论结构尺寸变化对机构性能的影响。以该机器人速度、加速度和灵巧度指标为目标函数,以无奇异位形和工作空间为约束条件进行基于性能图谱的尺度综合,对不同权重优化结果的讨论为该机器人的构形设计提供了参考。     

基于RCNN的车辆检测方法研究

为了解决基于传统机器学习车辆检测算法实时性和泛化能力差的问题,对基于深度学习的车辆检测算法进行研究。分析了Faster R-CNN检测算法原理,使用Python编程语言基于深度学习框架Tensor Flow实现了Faster R-CNN算法;采集了4个季节不同天气情况下的12 000张路况图片数据,并对数据集进行了标注,采用3种不同方式对数据集进行了预处理;通过对照试验对Faster RCNN算法中的超参数进行了调优;使用控制变量法比较了RCNN、SPPnet、Fast R-CNN和Faster R-CNN 4种算法的检测准确率和检测速度,指出了4种算法的主要耗时步骤,验证了Faster R-CNN车辆检测算法的有效性。研究结果表明:基于Faster R-CNN的车辆检测算法达到每张69 ms的检测速度和91.3%的准确率,能够实现实时高精度的车辆检测。     

结合多尺度圆形滤波与MS聚类 的疑似结节分割

肺部CT图像中疑似病灶感兴趣区域(ROI)的准确分割是肺部计算机辅助检测/诊断(CAD)的重要环节。本文提出结合Hessian矩阵滤波的均值漂移聚类肺部疑似病灶ROI区域分割算法。对原图像进行多尺度Hessian矩阵圆形滤波,图像中圆形的疑似结节病灶区域得到滤波增强、直线形的气管/血管区域得到抑制,将Hessian矩阵滤波后的形状特征、灰度、空间位置3种信息引入特征空间,将均值漂移聚类的核函数分解为3种特征信息所分别对应的核函数乘积形式,最后采用自适应计算带宽的方法确定每个待分割疑似区域的带宽进行均值漂移聚类分割。对来自LIDC等127个包含不同类型肺结节的病例进行实验,实验结果表明引入Hessian矩阵圆形滤波信息的均值漂移聚类能够分割出与血管或气管相连或者交叉的结节区域,去除ROI中包含的非结节区域,能有效分割出基于灰度信息难以分割的毛玻璃型(GGO)结节;对于3种类型的结节区域:血管相连结节(VPN)、毛玻璃型结节(GG0)、孤立性结节(SPN)分割平均准确率分别为92.80%、86.13%、95.08%。     

高精度光斑中心定位算法

光斑中心定位是光学测量中的关键技术之一,检测算法的精度和速度直接影响了测量的精度及速度,传统的检测算法如灰度质心法、Hough变换法等在检测精度或速度上存在不足。鉴于此,提出了一种高精度光斑中心定位算法,该算法不仅能定位光斑中心还能拟合出圆半径。用计算机生成的光斑和实验生成的光斑对该算法进行验证,并与其他传统算法进行比较,结果表明,该算法的误差小于0.5像素且比其他经典算法更精确。     

一种基于机器视觉的表面缺陷快速检测方法

实际生产过程中,产品表面会不同程度地留下污渍和印记,这对基于机器视觉的表面缺陷识别带来严重干扰.基于图案统计分析的识别方法速度虽快,但抗干扰能力弱,出现较高的误判率.基于深度学习的人工智能识别方法计算量巨大,速度慢,难以满足生产实际的高速要求.因此介绍一种改进SIFT算法,并给出了相关参数的设置方法和经验公式,通过实际表面缺陷的检测,对比验证了SIFT算法较强的鲁棒性和抗干扰能力,以及相关参数设置方法的正确性和可行性.实验数据表明,SIFT算法在凹陷类和斑点类缺陷的检出率上具有明显优越性,在裂纹类的误检率上也具有较大优势.特别是在有噪声图像干扰情况下,检出率比神经网络提升了20％,误检率降低了3％.     

基于深度残差网络的多人姿态估计

为了提高人体姿态估计的准确度和检测速度,提出了一种基于深度残差网络的多人姿态估计算法。首先使用现有的先进目标检测算法检测出人体位置,再在人体边界框内作单人姿态估计。对现有模型的残差块进行改造, 降低了模型的参数量,加入多尺度监督模块和多尺度回归模块辅助训练,提高了模型的学习效率,并采用新的坐标提取方法进一步提高了模型的...     

基于Hessian矩阵的手指静脉图像分割

针对灰度不均匀、对比度低、边缘信息较弱的图像中的手指静脉纹路提取问题,提出了一种基于Hessian矩阵的手指静脉图像分割方法。该方法首先将高斯滤波器的二阶导数与原图像卷积得到了各像素点的Hessian矩阵,通过Hessian矩阵的迹初次滤除了非静脉区的像素点,接着求出了余下像素点Hessian矩阵的特征值,利用静脉区特征值所要满足的条件二次滤除非静脉区像素点,最后选取了多尺度下静脉区各像素点的最大特征值作为输出特征值,将区间内所有尺度下的特征值图进行了融合,经过二值化处理、形态学滤波处理得到了手指静脉纹路。研究结果表明,该算法能够较完整地提取宽度不一的手指静脉纹路,将静脉区域和非静脉区域分开,伪静脉像素点较少;同时,不需要遍历所有像素点的Hessian矩阵求其特征值,手指静脉图像分割速度比未优化静脉纹路提取算法快了0.036 5 s。     

一种快速结构光条纹中心亚像素精度提取方法

本文将大模板高斯卷积的递归实现引入到结构光条纹中心提取中,提出了一种基于Hessian矩阵的亚像素精度结构光条纹中心提取的改进算法.利用高斯卷积递归实现获得光条纹各点的Hessian矩阵,以便确定光条纹各点的法线方向,然后在法线方向利用泰勒级数展开求得光条纹中心的亚像素位置.实验表明,该算法具有精度高、鲁棒性强等特点,提出的算法递归实现方法大大减小了算法的运算量,实现了结构光条纹中心线的快速高精度提取,为结构光视觉检测的实时应用奠定了基础.     

基于多尺度分析的人脸识别算法研究

针对传统的人脸识别算法易受光照等因素影响的缺点,提出了一种基于多尺度分析的人脸识别算法。首先,对采集到的人脸图像进行预处理,去除噪声,减弱无用信息,增强有用信息;然后,在粗尺度上采用形态学梯度边缘检测算法对人脸轮廓进行提取,缩小人脸库的搜索范围;最后,在细尺度上对人脸的不变特征进行提取,采用Harris角点检测算法对在粗尺度上得到的边缘图像进行特征提取,减少计算量,提高了识别速度。在所拍摄的人脸库上对算法进行验证,实验表明,对易于进行轮廓提取的人脸图像的识别速度较快,精度较高。