基于混沌粒子群和模糊聚类的图像分割算法*

模糊C-均值聚类算法(FCM)是一种结合模糊集合概念和无监督聚类的图像分割技术,适合灰度图像中存在着模糊和不确定的特点;但该算法受初始聚类中心和隶属度矩阵的影响,易陷入局部极小.利用混沌非线性动力学具有遍历性、随机性等特点,结合粒子群的寻优特性,提出了一种基于混沌粒子群模糊C-均值聚类(CPSO-FCM)的图像分割算法.实验证明,该方法不仅具有防止粒子因停顿而收敛到局部极值的能力,而且具有更快的收敛速度和更高的分割精度.     

改进的云自适应粒子群优化算法

为了提高基本PSO算法搜索性能和个体寻优能力,加快收敛速度,提出一种新的云自适应粒子群优化算法（CPSO）。此算法利用云滴具有随机性、稳定倾向性等特点,结合不同粒子与全局最优点的距离动态变化的性质,提出云自适应调整算法用于计算惯性权重,并对新算法进行了描述。通过典型函数优化实验表明,该算法较基本PSO明显提高了全局搜索能力和收敛速度,改善了优化性能。     

基于禁忌搜索的混合粒子群优化算法

针对粒子群优化算法（PSO）易于陷入局部最优解并存在早熟收敛的问题,利用禁忌搜索算法较强的“爬山”能力,搜索时能够跳出局部最优解,转向解空间的其他区域的特点,提出了一种新的基于禁忌搜索（TS）的混合粒子群优化算法（TS—PSO）,并选用两个函数进行测试．结果表明,TS—PSO比其他改进粒子群算法更能提高收敛速度,获得全局最优解．     

具有收获率的HollingⅢ类功能性反应捕食模型的定性分析

研究了在线性收获率条件下两种群都具有密度制约项的HollingⅢ类功能性反应的捕食模型,利用微分方程定性分析理论,对模型进行了定性分析.讨论了模型的食饵等倾线和捕食者等倾线的性质,并且根据它们的位置关系给出了模型唯一正平衡点存在的充要条件,研究了模型各个平衡点的性态,得到了模型的一切解是正向有界的,同时通过构造Dulac函数,由Dulac判断定理得到了模型不存在极限环的条件,并给出了唯一正平衡点全局渐近稳定的充分条件.     

l1优化在网格去噪中的应用

目的 网格去噪是计算机图形学中的经典问题,而如何在去除噪声的同时保持网格的特征结构是这一研究方向所面临的最大挑战。方法 提出一种具有稀疏性的全局网格去噪方法,该方法源于信号处理理论中稀疏表示的基本思想,通过优化全局能量函数来去除网格模型的噪声,同时能够保持网格模型的特征结构。该方法共分为两个步骤,第1步为网格面法向量的滤波,首先建立全局优化模型,对噪声网格的面法向量进行滤波优化,其中引入l₁范数来保证解的稀疏性,使得优化后新的面法向量能够保持网格的特征结构;第2步为网格曲面的重建,根据第1步得到的新的面法向量,按照面法向量的定义,建立最小二乘意义下的网格顶点的重建模型,求解得到新的网格曲面。结果 由于该模型是全局方法,避免了现有滤波方法可能出现的不收敛等问题,能够取得比较满意的去噪效果。结论 大量实验结果表明,本文方法在去除噪声的同时,能较好地保持网格的特征结构,尤其对于CAD模型有很好的实验效果。     

模拟退火算法及其改进算法的研究

本文主要研究传统模拟退火算法以及改进算法的思想,在文中分别对各个改进算法给出了实验对比数据,更好证明了改进算法的有效性;在最后讨论了模拟退火算法的优缺点,并在对改进算法的分析研究的基础上归纳给出模拟退火算法可行的改进方向。     

Learning a discriminative mid-level feature for action recognition

In this paper,we address the problem of recognizing human actions from videos.Most of the existing approaches employ low-level features(e.g.,local features and global features)to represent an action video.However,algorithms based on low-level features are not robust to complex environments such as cluttered background,camera movement and illumination change.Therefore,we propose a novel random forest learning framework to construct a discriminative and informative mid-level feature from low-level features of densely sampled 3D cuboids.Each cuboid is classified by the corresponding random forests with a novel fusion scheme,and the cuboid’s posterior probabilities of all categories are normalized to generate a histogram.After that,we obtain our mid-level feature by concatenating histograms of all the cuboids.Since a single low-level feature is not enough to capture the variations of human actions,multiple complementary low-level features(i.e.,optical flow and histogram of gradient 3D features)are employed to describe 3D cuboids.Moreover,temporal context between local cuboids is exploited as another type of low-level feature.The above three low-level features(i.e.,optical flow,histogram of gradient 3D features and temporal context)are effectively fused in the proposed learning framework.Finally,the mid-level feature is employed by a random forest classifier for robust action recognition.Experiments on the Weizmann,UCF sports,Ballet,and multi-view IXMAS datasets demonstrate that out mid-level feature learned from multiple low-level features can achieve a superior performance over state-of-the-art methods.     

一类具有时变时滞的Hopfield神经网络的全局指数渐进稳定性

利用M-矩阵和不等式方法,绐出了一类具有时变时滞的Hopfield神经网络模型的平衡点的存在性及其全局指数渐进稳定性的充分性判据.     

一个充分下降的共轭梯度法

共轭梯度法是优化方法中最常用的方法之一,适于解决大规模问题,因此有着广泛的应用.针对无约束优化问题,基于搜索方向的选择,提出了一个新的共轭梯度法,该算法在每一次迭代过程中,均可保证搜索方向的充分下降性,并在弱的wolfe条件下,证明了算法的全局收敛性,数值结果表明了算法的可行性与有效性.     

融合上下文和多尺度特征的胸部多器官分割

目的 肿瘤周围高危器官的准确分割是图像引导放射治疗中的关键步骤,也是对抗肺癌和食道癌,规划有效治疗策略的重要组成部分。为了解决不同患者之间器官形状和位置的复杂变化情况以及计算机断层扫描（computed tomography,CT）图像中相邻器官之间软组织对比度低等问题,本文提出了一种深度学习算法对胸部CT图像中的高危器官进行细分。方法 以U-Net神经网络结构为基础,将冠状面下的3个连续切片序列即2.5D （2.5 dimention）数据作为网络输入来获取切片联系,同时利用高效全局上下文实现不降维的跨通道交互、捕获单视图下切片序列间的长距离依赖关系、加强通道联系和融合空间全局上下文信息。在编码部分使用金字塔卷积和密集连接的集成提取多尺度信息,扩大卷积层的感受野,并将解码器与编码器每层进行连接来充分利用多尺度特征,增强特征图的辨识度。考虑到CT图像中多器官形状不规则且紧密相连问题,加入深度监督来学习不同层的特征表示,从而精准定位器官和细化器官边界。结果 在ISBI （International Symposium on Biomedical Imaging）2019 SegTHOR （segmentation of thoracic organs at risk in CT images）挑战赛中,对40个胸部多器官训练样本进行分割,以Dice系数和HD （Hausdorff distance）距离作为主要评判标准,该方法在测试样本中食道、心脏、气管和主动脉的Dice系数分别达到0.855 1、0.945 7、0.923 0和0.938 3,HD距离分别为0.302 3、0.180 5、0.212 2和0.191 8。结论 融合全局上下文和多尺度特征的算法在胸部多器官分割效果上更具竞争力,有助于临床医师实现高效的诊断与治疗。