超空泡图像的自适应多尺度小波边缘检测

针对水下高速射弹试验获取的超空泡图像中夹杂较多噪声,而传统边缘检测算法在自动边缘检测中抑制噪声效果差的问题。文中采用自适应多尺度小波边缘检测,对超空泡图像进行边缘检测。算法中首先对图像进行多尺度下的小波变换和相邻尺度间的梯度增强,再采用K均值聚类进行边缘的自动检测,得到不同尺度下的边缘,根据小波基的不同选择对应的多尺度融合方法进行多尺度融合,得到最终的边缘图像。实验表明,文中算法相比传统边缘检测算法,有效地抑制了图像中噪声,得到了更完整的边缘信息。     

基于Contourlet域K-L变换的SAR图像相干斑抑制

针对SAR图像相干斑噪声去除问题,提出了一种基于多尺度分解的Contourlet域K-L变换的SAR图像去噪的新方法。方法首先对源图像进行Contourlet分解,在不同频段的子带图像中,利用K-L变换进行能量保持即提出信号的主要特征,用重构图像来进行去噪,最后通过Contourlet逆变换得到去噪之后的图像。在SAR图像上的实验结果表明,方法不仅较好地保持了图像的纹理和细节特征及边缘特征,且信噪比也较高。     

基于残差密集连接与注意力融合的人群计数算法

现有人群计数算法采用多列融合结构来解决单一图像的多尺度问题,但该处理方法不能有效利用低层特征信息,从而导致最终人群计数结果不准确。针对这一缺陷,文中提出一种基于残差密集连接与注意力融合的人群计数算法。该算法的前端利用改进VGG16网络提取低级特征信息。算法后端主分支基于残差密集连接结构,利用残差网络和密集网络结合方式捕获层与层间的特征信息,可高效捕获多尺度信息。侧分支通过引入注意力机制,生成对应尺度注意力图,有效区分特征图的背景和前景,降低了背景噪声的影响。采用3个主流公开数据集对该算法进行验证。实验结果表明,该算法计数有效且计数准确率优于其他算法。     

基于多尺度卷积特征融合的癫痫脑电信号识别

脑电信号(electroencephalography,EEG)已成为医生诊断神经系统疾病最 广泛使用的工具,实现癫痫EEG的自动识别对 于癫痫患者的临床诊断和治疗具有重要意义。为了提高癫痫EEG的识别精度,提出了一 种基于多尺 度卷积特征融合的癫痫EEG自动识别模型。首先采用多尺度卷积特征融合方法提取多粒 度数据特征, 实现卷积神经网络(convolutional neural network,CNN)中不同层次的信息互补;然后经过长短期记忆网络(long short-term memory network,LSTM)提取时间 特征,利用 softmax分类器给出最终的识别结果。为了评估提出方法的识别性能,在波恩大学癫痫病研 究中心数据集 中进行实验,并与CNN-LSTM模型、单一的LSTM等模型的识别性能进行了比较,实验结果表 明,提出 方法的识别精度明显高于其余方法, 平均可达到99.19%。该模型能够 有效识别癫痫EEG类别,具有较高的识别性能和临床应用潜力。     

基于改进U-Net的SPECT骨显像病灶分割研究北大核心CSCD

在核医学中,单光子发射计算机断层(single-photon emission computed tomograpy,SPECT)骨显像是辅助医师诊断癌症的重要手段。针对骨显像图像信噪比低、边界模糊、病灶小难以提取和人工勾画病灶耗时等问题,提出一种基于改进U-Net网络的骨显像病灶自动分割算法。该算法在U-Net的原卷积块基础上,采用了多尺度密集连接(multi-scale dense connection,MDC)的方式来提高对小病灶特征的提取能力,同时解决了网络加深后出现的梯度消失问题。其次,为提取病灶的细节特征,在密集连接和跳跃连接处引入了注意力机制结构。最后,针对使用小样本数据集,模型难以收敛的问题,采用迁移学习的方法,优化了模型的初始参数,提升模型的泛化能力和分割效率。此外,为了降低计算量、进一步提高分割效果,对数据集进行了裁剪和去噪。同时,将处理后的图像采用旋转、镜像等方法进行了数据扩充。实验结果表明,改进的U-Net的识别精确率(precision)、平均交并比(mean intersection-over-union,mIoU)分别能达到0.7352、0.4673,效果优于目前主流的分割算法,具有一定实际应用价值。     

基于改进3D UNet的前列腺MR图像分割

针对前列腺磁共振 (magnetic resonance, MR)图像边缘模糊、对比度较低,灰度值分布不均衡而导致分割精度较差的问题,提出了一种结合双路径注意力(dual path attention,DPA) 和多尺度特征聚合(multi-scale feature aggregation,MFA) 模块的改进3D UNet网络模型。首先,对数据集进行重采样和裁剪处理以适应模型输入。然后,在3D UNet网络的编码器各层引入DPA 并添加残差连接,加强特征的 编码能力。同时,在网络解码器中加入MFA模块,以充分利用空间上下文信息,增强语义信息。最后,在公开数据集PROMISE12上进行验证,所提出的模型的Dice系数为89.90%,Hausdorff 距离为9.37 mm。相比较于其他模型,所提出模型的分割结果更优,且参数量和运算量更少。     

基于元学习的少样本红外空中目标分类方法

针对空中红外目标样本数目不足、细粒度分类精度低等问题,提出一种基于元学习的少样本红外空中目标分类的方法.该方法以元学习为基础,结合多尺度特征融合,在减少计算量的同时有效提取不同分类任务之间的共性,再利用微调策略实现对不同任务的分类.实验证明,此方法在提升mini-ImageNet数据集分类精度的同时可减少约70％的计算...     

基于成因机理及主控因素约束的多尺度裂缝“分级-分期-分组”建模方法——以四川盆地元坝地区上二叠统长兴组生物礁相碳酸盐岩储层为例

油气藏中普遍发育多类、多尺度天然裂缝,其成因具有多期次性,规模具有多级次性,发育受多种地质因素综合控制,这些特点为裂缝的精细三维地质建模带来了很大挑战。以四川盆地元坝地区上二叠统长兴组生物礁相碳酸盐岩储层为例,提出了一种基于成因机理及主控因素约束的多尺度裂缝“分级-分期-分组”三维地质建模方法,认为多尺度裂缝建模应遵循等时约束、层次约束及成因控制等原则,建模过程中应充分开展裂缝地质研究,根据研究区实际建立合理的裂缝级次、期次划分方案,分级、分期开展裂缝三维建模。(1)大尺度裂缝主要采用确定性方法进行建模,中-小尺度裂缝则采用其成因机制和发育主控因素进行约束建模;(2)在裂缝分期、分组描述和参数统计获得关键地质规律认识的基础上,通过地质力学方法分期开展中-小尺度裂缝分布预测,进而采用“分期-分组”的思路进行建模;(3)最终将大尺度裂缝模型和中-小尺度裂缝模型进行融合,得到多尺度裂缝网络模型。元坝地区长兴组储层多尺度裂缝建模实践表明,上述建模方法可有效弥补传统方法在建立中-小尺度裂缝模型精度方面的不足。     

新型方向及尺度乘积曲线波去噪算法

小波对处理具有点奇异的目标函数是一种最优的表示方法.对于二维图像而言,图像的主要特征由具有线奇异的边缘所刻画.曲线波变换是一种多尺度变换,对于具有光滑曲线奇异性的目标函数,曲线波提供了稳定的、高效的和近于最优的表示.本文在第二代曲线波的基础上,提出了新型方向及尺度乘积的曲线波去噪算法.实验结果表明,本文算法明显优于小波图像去噪方法,也优于曲线波的阈值方法.     

基于非下采样Contourlet变换的SAR图像增强

该文基于非下采样Contourlet变换(NSCT)和SAR图像的统计特性,提出一种SAR图像增强方法,给出一种基于非下采样塔型分解的斑点噪声方差估计算法和一种基于方向邻域模型的弱边缘增强算法。该文在不同方向子代进行斑点方差估计,利用局部方向统计信息对NSCT系数并进行强边缘、弱边缘和噪声分类并进行弱边缘的增强和噪声的抑制。实验结果表明,该方法在方向信息保留和斑点抑制上优于非下采样小波变换(NSWT)相应方法。