基于Cascade结构的代价敏感的医学图像ROI检测方法

医学图像中感兴趣区域(ROI)通常包含重要的信息,对医生分析和诊断具有重大意义。文中结合医学图像特点,运用机器学习方法和图像处理技术,提出一种基于Cascade结构的代价敏感的医学图像的ROI检测方法。该方法将代价敏感的分类算法和Cascade结构有效结合,具有高敏感性和高效率。对数字乳腺图像中的肿块ROI进行实际检测的实验结果表明,与基于像素的方法相比计算量小、效率高;与基于区域的方法相比避免了直接使用传统的图像分割和滤波技术难以有效检测ROI的问题。     

一种基于ROI和多描述量化的图像传输方法

随着科学技术的进步和发展,图像已经成为了信息的一个重要来源,而图像中的重要信息往往只集中在部分区域。而且图像数据在信道中传输时,可能会发生数据包丢失或出错的问题。鉴于以上问题,在对图像ROI和多描述量化编码进行分析和综合的基础上,本文提出了一种结合图像感兴趣区域（ROI）提取和多描述量化,零树编码的图像传输方法。根据图像特征选定ROI区域,然后对ROI进行多描述量化编码,对其他区域进行普通的量化编码,试验表明此方法可以得到更好的重构图像。     

基于ROI与MCS的图像检索方法

由于目前还没有语义级的目标区域提取算法,致使难以准确提取表达用户检索意图的图像区域,而只提取图像单个特征往往不能满足各种检索需求.针对此,本文引入用户选择感兴趣区域(ROD和多分类器系统(MCS),先由用户选择感兴趣区域,然后提取所选区域的多种特征,分别构造相应的分类器,最后通过对各分类器结果的集成得到检索结果.实验结果表明,本文方法能够准确获取用户的查询意图,具有更高的查准率.     

基于ROI的压缩域多谱段遥感图像的检索

根据JPEG2000对感兴趣区域优先编码,以及感兴趣区域的形状可随意选取的特点,提出了一种在JPEG2000压缩码流不完全解码的情况下,实现多谱段遥感图像感兴趣目标的检索方法,该方法利用了遥感图像的性质,根据例子图像的谱特征对感兴趣区域的内容进行分析,并设计了一套相似性度量的方法。实验结果表明,此方法有较理想的图像检索效果和很高的检索效率,解决了应用上对实时性的高要求与遥感图像库数据海量性之间的矛盾。     

基于ROI的医学图像无损压缩

如何高效地压缩医学图像,以便减少存储空间和传输时间,已经成为迫切需要解决的问题。在分析现有的图像压缩方法和医学图像特点的基础上,针对医学图像有损压缩方法和无损压缩方法各自的不足,研究了一种基于ROI（Region of Interest）的医学图像无损压缩方法。     

一种医学影像数据选择性的加密方法

随着云计算与大数据技术的发展,为解决昂贵医学影像设备所产生的在国内区域影像数据安全共享服务要求,结合多媒体特别是医学影像数据量大等特点,基于S CAN语言提出一种选择性加密算法,结合数据本身的哈希值作为位加密周期序列,实现个人医学影像数据的隐私安全保护。通过安全性分析与仿真实验证明该算法具有较好的置乱等效果。     

基于ROI多特征和相关反馈的图像检索算法

本文提出了一种基于感兴趣区域(ROI)综合多特征和相关反馈的图像检索算法.在对图像进行四叉树分解的基础上,由用户选择感兴趣区域,综合颜色、纹理和形状三种底层特征进行多层感兴趣区域检索;由相关反馈技术体现用户感知的主观性,通过调整感兴趣区域、特征问、特征内的权重来提高查准率.给出了改进的CBIR通用模型和特征权重模型.实现了一个图像检索原型系统,将不同实验结果进行了比较和分析,实验结果表明,该文提出的方法具有良好的检索效果.     

一种基于LDA模型的主题句抽取方法

在基于Web的主题关键词查询扩展,获取候选主题句的基础上,提出一种基于LDA模型的主题句抽取方法,以抽取粒度较细的主题信息,并增加主题信息的置信度。该方法通过多个侧面对目标主题的衬托,采用LDA模型对主题信息进行建模,利用各个主题概率分布的平滑度进行候选句的可信度计算来抽取主题句。在面向Web的主题句抽取的具体应用中,取得了较好的效果。     

一种基于感兴趣区域的图像检索算法

提出了一种基于感兴趣区域的图像检索算法，该算法以图像中用户感兴趣的目标为研究对象，使用一种改进了的区域分割算法对图像进行目标区域分割，采用伪Zemike矩提取分割出来的区域形状特征结合其它区域特征构成检索特征向量。本文还讨论了在检索系统中用户感兴趣的区域与分割后图像目标区域的映射关系。在实验系统中证明有较高的区域准确率。     

基于中心词的上下文主题模型

潜在狄利克雷分配（LDA）主题模型是处理非结构化文档的有效工具。但是它是建立在词袋模型假设上的（BOW,bag of word）,这种假设把每一篇文档看成是单词的组合,既不考虑文档与文档之间的顺序关系,也不考虑单词与单词之间的顺序关系。同时针对现有的模型精度不高,我们提出了基于中心词的上下文主题模型,这种模型的思想是一篇文档中单词的主题与其附近若干单词的主题关系更为紧密。在计算每个单词的主题分布时,以这个词为中心,前后各扩展若干个单词作为窗口,然后对每个窗口进行计算。这种方法就会形成窗口与窗口之间的顺序,从而形成了单词之间也是局部有序,同时由于每个单词的上下文信息不同,所以每个单词的主题分布与其所在文档中的位置有关。通过实验表明,基于中心词的上下文主题模型在未知数据集上具有更高的精度和收敛速度。     

基于Labeled-LDA模型的文本分类新算法

LDA(Latent Dirichlet Allocation)模型是近年来提出的一种能够提取文本隐含主题的非监督学习模型.通过在传统LDA模型中融入文本类别信息,文中提出了一种附加类别标签的LDA模型(Labeled-LDA).基于该模型可以在各类别上协同计算隐含主题的分配量,从而克服了传统LDA模型用于分类时强制分配隐含主题的缺陷.与传统LDA模型的实验对比表明:基于Labeled-LDA模型的文本分类新算法可以有效改进文本分类的性能,在复旦大学中文语料库上micro_F1提高约5.7%,在英文语料库20newsgroup的comp子集上micro_F1提高约3%.     

基于感兴趣区域灰度医学影像的编码方法

由于医学影像有一定的法律效力,数据的正确性有着重要的意义.针对具有数据量大,且精度要求高等特征,通常情况下采用无损压缩.为了在保持影像有效信息的同时,减少冗余数据,针对JPEG2000图像编码标准中定义的感兴趣区域(ROI)包含解码影像的相对质量差,计算复杂的缺点.提出了一种改进的编码的方法,对位面分类更加容易,并可以更好的控制解码影像的质量,使影像更加清晰.同时方法在灰度图中使用,不但减少了运算的复杂度,而且实现比较简单,为日后的医学影像存储提供了方便的工具.     

基于感兴趣区域的医学图像近无损压缩

在应用整数小波变换和基于分层树集合分割排序算法的基础上,提出了一种新的基于感兴趣区域的编码方法.本文还提出了一种感兴趣区优先编码策略,可以保证在极低的码率下感兴趣区的重建质量远远好于非感兴趣区的重建质量.这些方法得到的压缩码流都具有嵌入的特点,支持渐进传输.     

基于高级视觉特性的感兴趣区域判定算法

提出了一种快速确定视频场景中感兴趣区域的算法,其基本思想是通过对人类视觉系统HVS的某些高级视觉特性进行分析,对图像分段后获得的区域做出相应的视觉重要性估计,从而确定每个区域在主观意义上的视觉感兴趣值,该值的大小反映了其重要性程度。实验结果表明,利用该算法所获得的感兴趣区域基本符合人眼的主观判断,而且算法的复杂度较低,具有较高的实用价值。     

青光眼眼底图像的迁移学习分类方法

针对目前缺少大型公开已标记的青光眼数据集,为了解决小样本学习能力不足、分类精度低等问题,提出一套基于迁移学习的青光眼眼底图像识别系统.对获取的青光眼眼底图像进行去噪、删除多余背景、提取感兴趣区域(ROI)、图像增强等预处理操作.在VGG16网络的基础上,对全连接层进行重新设计,得到一个简化的深度神经网络模型Reduce...     

基于潜在Dirichlet分布的图像分层表示模型

现有的图像分层表示方法严格局限于前馈型方式,不能较好地解决局部模糊性等问题。基于此,文中提出一种学习和推断层次结构所有分层的概率模型,它考虑递归的概率分解过程,通过推导得到金字塔式多层结构的潜在Dirichlet分布的衍生模型。该模型存在两个重要特性:增加表示层可提高平面模型的性能;采用全Bayesian概率方法优于其前馈型实现形式。在标准识别数据集上的实验结果表明,与现有的分层表示方法相比,该模型表现出较好性能。     

医学图像感兴趣区域的自动提取

针对医学图像归档与通信系统通过视频采集和胶片扫描产生的海量图像数据,提出了一种感兴趣区域自动提取和归一化的预处理算法。该算法具有时间复杂度低,无须人工干预,不会对提取的感兴趣区域图像数据造成任何损耗等特点,适合海量医学图像数据库的批量处理。将其应用于基于图像内容的归档与查询算法中,作为图像提取特征前的预处理算法,实验数据证明较传统直接针对原始采集图像,可有效改善特征提取准确度,提高查询精度。     

基于LDA的条件随机场主题模型研究

使用主题模型对文本建模,提取文本的隐含主题,进而进行词性标注和文本分类等工作,是机器学习和文本挖掘领域的研究热点。提出一个基于LDA的主题模型,它基于“段袋“假设--文本中的段落具有相同的主题,且连续的段落更倾向于具有相同的主题。对于文章的段落,采用条件随机场（CRF）模型划分并判断它们是否具有相同主题。实验表明,新模型相比LDA模型能更好得提取主题并具有更低的困惑度,同时,能够较好地进行词性标注和文本分类工作。     

基于LDA模型的文本分割

文本分割在信息提取、文摘自动生成、语言建模、首语消解等诸多领域都有极为重要的应用.基于LDA模型的文本分割以LDA为语料库及文本建模,利用MCMC中的Gibbs抽样进行推理,间接计算模型参数,获取词汇的概率分布,使隐藏于片段内的不同主题与文本表面的字词建立联系.实验以汉语的整句作为基本块,尝试多种相似性度量手段及边界估计策略,其最佳结果表明二者的恰当结合可以使片段边界的识别错误率远远低于其它同类算法.