激光共聚焦序列图像基于特征的分割方法

采用fluo-4标记的乳鼠心肌细胞钙离子实时激光扫描共聚焦光学切片呈现为点状分布的荧光图像,并且受到噪声的严重干扰,细胞荧光图像在分布上没有连续的边缘;而采用处理静态荧光图像的方法处理这种图像存在很大的困难。该文就心肌细胞Ca2+离子定量研究过程中遇到的问题,提出一种基于马尔可夫场和空间点模式特征聚类相似性测度的自适应图像分割算法。该算法能以统一的标准从不同深度的光学切片中分割出需要分析的细胞钙离子活动区域,对其他利用激光共聚焦技术做动态分析的研究有很好的参考价值。     

三维虚拟物体表面重建的研究

在激光扫描共焦显微三维成像，CT成像，MRI成像，以及在图象处理和识别中，三维物体的显示是必不可少的，目前，最流行的显示方式是虚拟物体的三维重建，通常虚拟物体三维重中以采用体素级重建，可也以采用切片极重建，由于切片级重建仍需要解决物体轮廓对应，分叉曲面，轮廓拼接等关键性问题，为此，提出了一些新的方法，在这些方法中，轮廓的对应采用OR运算和AND运算来确定，如果两个轮廓的OR和ND运算结果满足预先设置的准则，则这两个轮廓相对应；分叉曲面采用数字形态学方法来分解，其由形态学方法生成的边界就是分叉曲面的分割线，轮廓拼拦则是将对应轮廓经多边形简化后，由三角形接拼法来构成表面，且三角形是根据最小轮廓跨接边准则来构建的，通过对这些方法进行的实验结果表明，理论与实际完全相符，这些方法的优点是编程简单，运算速度快。     

基于图像细节子块的分形编码压缩方法

针对现有方法在编码含丰富细节信息的图像时编码时间长,编码小尺度子块时压缩率不高的缺点提出改进方法。该方法是基于Jacquin编码的理论,采用对编码子块划分为细节和非细节部分子块的方法,从而减少编码子块的数量,缩短编码时间,提高在小尺度子块划分下图像的压缩率。结果证明,对于含丰富细节信息的图像,子块数量减少到1/3,编码时间缩短1/3。     

采用贝叶斯决策概率型DT-MRI的脑白质纤维追踪成像

弥散张量磁共振成像(DT-MRI)的脑白质纤维追踪成像可无创重建脑白质纤维的三维结构,而现有追踪成像方法一般仅考虑局部纤维的弥散倾向,对纤维束几何结构的综合考虑不足,为此提出一种贝叶斯决策概率型的纤维追踪成像算法.该算法通过纤维束当前体素的弥散张量方向和纤维束几何结构信息,利用贝叶斯决策理论估算追踪下一体素的方向概率分布;按照概率分布对纤维束进行加权采样,重建纤维束的三维结构图像.最后利用文中算法在合成弥散张量数据上进行了成像仿真,在真实脑部DT-MRI数据上进行了成像实验.仿真和实验结果表明,该算法能实现预期的脑白质纤维追踪成像,比现有追踪成像方法结果更可靠,可重复性更强.     

岩石样本孔隙和颗粒二维图象的三维重建研究

在石油地质图象分析和模式识别中,三维物体重建是很重要的研究。该文研究了岩石样本孔隙和颗粒二维图象三维重建的一种新方法。这种方法利用从二维薄片取得的岩相学图象信息,用图象处理理论技术和数学形态学的方法生成了岩石的三维模型,对重建的三维微观结构和实际砂岩的表面细微结构进行了定量比较,比较显示,这种重建方法得到的三维模型孔隙率与原始图象基本一致,其水平面/纵切面/横切面上的颗粒长径分布与实际岩石有较好的相关性。     

光栅投影图像的3D表面重建

为了克服全患和双目表面重建的某些弱点，利用光栅投影生成二维图像之几何特性，建立投影二维平面图像和三维空间图像的对应关系，并由此确定三维物体表面点的空间坐标，最后利用计算机图形学和虚拟现实的理论与技术绘制出三维物体表面。     

一种改进的偏微分扩散方程的医学超声图像去噪方法

研究了偏微分扩散方程在医学超声图像去噪中的应用。首先对各向异性扩散模型的进行分析,为了更好地去除噪声并保留图像的边缘等重要信息,提出了构造新的各向异性加权系数和优化的迭代次数的改进方法,并通过实验证明可达到更好的去噪效果。     

基于Verilog的无刷直流电动机控制芯片设计

简要介绍了无刷电动机的基本控制原理;着重介绍了如何用Verilog语言并应用DDS技术生成3相正弦波,准确控制无刷电机速度、转矩等关键参数.自顶向下的模块设计方案,使得各模块有很好的扩展性和移植性.经过仿真和实际硬件调试,达到设计要求,为无刷电机的控制提供了一种新的思路和实现方案.     

基于奇异值分解动态寻找最佳压缩比的方法

针对奇异值分解变换在对图像进行压缩时,其压缩比是动态可调的,从而提出了一种新的方法,在图像压缩过程中能自适应的寻找最佳压缩比。文章引入能量差Q的概念,利用Q与奇异值个数q之间的关系,通过确定合适的Q值,动态寻找最佳的q值,从而达到动态图像压缩的目的。经过对多幅灰度图像的压缩实验证明,该方法切实可行,具有一定的应用前景。     

基于核典型相关分析的字符识别

介绍一种基于核典型相关分析(KCCA)的字符识别方法.首先选取核函数将低维数据映射到高维空间,再利用典型相关分析(CCA)的思想对数据进行降维,最后利用分类器对降维后的数据进行分类识别.通过对MINST手写数字字符库的实验结果表明,利用KCCA对特征数据进行降维后,能够在新的特征空间中寻找到较好的线性模型,即新特征能够被较好地分类识别.