基于双匹配配准算法的多重复纹理图像拼接

针对目前图像配准算法对于多重复纹理图像配准位置偏差的问题,提出图像内自匹配与图像间互匹配相结合的双匹配配准（Double-match image registration, DMIR）算法。首先在对待匹配图像提取尺度不变特征转换（Scale-invariant feature transform, SIFT）特征之后,通过K-近邻（K-nearest neighbor, KNN）算法进行特征匹配,分别得到同一张图片的自匹配点对和不同图像间的初始互匹配点对;然后对初始互匹配点对进行相关性计算得到最正确的匹配点对,并根据最正确的匹配点对与自匹配点对的位置关系确定更多的正确匹配点对,最后计算仿射矩阵对图像进行拼接。实验结果显示经过DMIR算法获得的正确匹配点对更均匀、更准确,且拼接图像效果更好。     

一种基于模板和DCT变换的柔性电路板配准方法

针对柔性印刷电路板（FPC）生产检测过程中的效率、精度等要求,提出一种基于模板与离散余弦变换（DCT）描述子的配准方法。首先,为了解决配准的精度问题,由电路板文件工程图解析得到对应图像,为后续处理提供更好的模板图,再利用离散余弦描述子的频域能量聚集特点,在模板与被检测图像之间建立对应关系,从而计算出对齐参数。其次,使用mipmap技术处理模板,为配准阶段提供不同精度的模板图片,从而有助于精度及效率的提升。实验结果表明：该改进算法的最大误差和平均误差均比原方法小;对于电路板这种大分辨率的图像,在mipmap采样的模板条件下,可以获得较高的精度,且处理速度有较大的提升。     

基于改进迭代最近点算法的接骨板贴合性快捷计算方法

为了快速计算出接骨板在断骨表面的最佳贴合位置,以减少手术中接骨板反复调整的次数,提出了一种基于改进迭代最近点（ICP）算法的接骨板贴合性快捷计算方法。首先,由医生指导在断骨表面选取贴合区域,并利用接骨板表面点的法向量之间的夹角提取接骨板的内曲面点云;然后,在对两组点云模型进行平滑处理并采用格点采样的方式来简化点云模型后,利用点云之间的特征关系进行初始配准;最后,对接骨板内曲面点云模型进行边界及内部特征关键点提取,并采用K-维树（KD-Tree）搜索邻近点,对接骨板的特征关键点和断骨表面选取区域执行ICP精确配准。以胫骨为例进行实验,实验结果表明,所提算法相较于近年所提配准算法在保持较高配准度的同时提高了配准效率,能够实现胫骨不同受损类型与接骨板之间的快速配准,并且对其他受损骨骼具有通用性。     

基于深度学习的医学图像配准技术研究进展

医学图像配准技术对于病灶检测、临床诊断、手术规划,疗效评估等有着广泛的应用价值。系统性地总结了基于深度学习的配准算法,从深度迭代、全监督、弱监督到无监督学习的研究发展趋势,分析了各种方法的优势与局限。总体来看,无论是对数据的要求、配准精度,还是计算效率,无监督学习因其不依赖金标准和解剖标签,采用端到端的网络配准框架就可以自动执行需要的任务等优势成为研究的主流方向。然而,基于无监督学习的医学图像配准方法在医学图像领域的可解释性、跨模态多样性和可重复可扩展性方面同样面临着一些研究难点和挑战,这为将来实现更精准的医学图像配准方法指明了研究方向。     

用于水下机器人导航的序列海底图像配准方法

为了增加深海海底图像匹配对应点的数量和正确率. 本文针对水下机器人导航的序列海底图像, 提出了基于图像信息和先验知识的带状对应点配准方法. 首先对深海海底图像进行适当的光照补偿和图像线性增强等预处理. 然后利用导航数据作为引导思想, 根据拍摄图像的物理位置偏移量, 计算邻接图像相似区域(即邻接图像带状区域). 以带状区域内计算特征对应点代替全局计算特征对应点. 增加图像配准点的个数, 降低误配率. 在具有重复纹理和低纹理的深海海底图像实验中证明, 较单独使用图像信息的配准, 该方法有效的增加了图像配准对应点的数量和正确率.     

空地融合的城市道路基础设施数字化技术研究

城市道路基础设施三维模型的重构,在城市道路BIM应用与数字化领域具有重大意义;针对城市交通基础设施数字化重构的需求,对车载激光扫描与无人机倾斜摄影采集技术进行综合运用,提出一套从信息采集、空地点云配准、点云分割到三维重构的完整技术方法;首先使用车载激光扫描技术和无人机倾斜摄影技术对交通基础设施信息进行采集,并使用运动恢复结构算法(SfM,structure from motion)生成基础设施空地点云;其次使用迭代最近点法(ICP,iterative closest point)对空地点云进行精配准,然后利用基于PointNet网络的方法对融合点云进行语义分割;最后对分割出的交通基础设施对象进行三维重构;提出的空地融合的城市交通基础设施数字化技术能够高效地实现交通基础设施重构,为城市交通基础设施数字化提供基础、为后续交通专业领域的应用研究提供便利.     

基于微服务的深度学习模型服务系统

Tensorflow Serving是Google开源的一个服务系统,针对Tensorflow Serving单体应用吞吐量低、服务调用烦琐、模型生命周期管理不完善等问题,本文设计了一种基于Tensorflow Serving的微服务软件架构方案,在部署Tensorflow Serving的Docker(开源的应用容器引擎)容器里添加本文研发的监控程序,该监控程序根据各个实例模型加载情况,将可用模型服务主动注册到微服务架构中的注册中心以实现对模型的编排管理。实验结果表明:采用本文的微服务架构方案,有效提升了Tensorflow Serving服务的吞吐量,降低了服务响应时间,简化了模型调用流程,从而满足Tensorflow Serving在生产环境中部署和运维的实际需求。     

Robust registration based compensation method based on sparse recovery

The loss of the degree of system freedom and mismatch of prior information based on the registration based compensation (RBC) method will result in a decline in computational performance. In order to solve above problems, a robust method named SRBC is proposed where the sparse recovery method is applied instead of the sub-aperture smoothing operation. First, the SRBC utilizes the sparse recovery to get the super resolution clutter space-time spectrum. Then the transition covariance matrix is calculated. Finally, the clutter covariance matrix is reconstructed by the Capon spectrum. Compared with the traditional RBC method, the SRBC proposed does not depend on sub-aperture smoothing operation and prior information and maintains the performance of clutter range-dependence. In addition, it is also steadier when the sensor error exists. Experimental simulation demonstrates the correctness and feasibility of this method.     

Registration based compensation method based on adaptive subspace tracking

The registration based compensation (RBC) method is an effective method to compensate the range-dependence of the main-lobe clutter and side-lobe clutter in the same time. However, the compensation performance of the RBC degrades because of the mismatch of prior information and the loss of degree of system freedom. Moreover, the RBC is not very suited for real-time implementation because of the enormous computational complexity and memory usage of eigenvalue decomposition. In this paper, a novel clutter range-dependence compensation method using the modified maximum likelihood adaptive subspace estimation algorithm, which is named the MRBC method for short, is proposed. The eigenvectors matrix and eigenvalues matrix of the clutter covariance matrix are estimated by iterative tracking instead of temporal and spatial smoothing, spectrum calculation and eigenvalue decomposition. Compared with the traditional RBC method, the proposed method can reduce the computational complexity significantly and maintain the performance of clutter range-dependence compensation. In addition, the proposed method can also achieve good performance when the system error exists because of no use of prior information. Experimental simulations demonstrate the validity of this method.     

基于模拟退火算法的三维人脸匹配方法

基于模拟退火算法,利用深度信息对三维人脸进行匹配和识别。通过具有全局优化能力的模拟退火算法搜索获取全局极值,选择合适的适应度函数MLESAC和SIM控制匹配过程获得识别结果。基于“由粗到细”的思想,分3步匹配三维人脸,并对精准匹配阶段进行改进,通过选择合适的区域和分类器能够更好地应对表情的影响。实验结果表明,模拟退火算法跳出了局部最优解而获得了全局优化解,同时通过选择MLESAC和SIM作为不同匹配阶段的适应度函数能够有效控制匹配过程,提高了识别精准率。