基于图像对齐和不确定估计的深度视觉里程计

基于深度学习的视觉里程计方法（deep visual odometry,DVO）通过神经网络直接估计单目图像的深度和相邻图像之间的相机运动,在保证精度的同时大大提高了运行速度。但这是基于灰度不变假设,作为一个很强的假设,灰度不变假设在现实场景中往往难以满足。为此,提出一种基于图像对齐（image alignment,IA）的直接视觉里程计方法AUDVO（aligned U-CNN deep VO）,通过不确定性估计网络（uncertainty CNN,U-CNN）引入正则项进行约束,使得估计的结果更具鲁棒性。为了处理大面积纹理缺失区域上因估计不准确带来的空洞,在设计深度估计模块时通过嵌入超分辨率网络进行上采样。在公开的KITTI数据集上的实验证明了AUDVO在深度和相机位姿估计上的有效性。     

近红外舌下图像的舌下静脉分割方法

为了尽可能多地获取舌下静脉的形态信息,采用近红外舌下静脉图像采集仪获取近红外舌下静脉图像,并提出对应的舌下静脉分割方法.根据所采集到图像的特点,首先使用分水岭法去除舌下静脉周围的舌质背景等干扰信息;然后使用动态灰度阈值法在已获得的有效舌下区域进行二值化,并结合近红外舌下静脉图像的灰度信息确定舌下静脉候选区域;最后根据舌下静脉区域的灰度一致性进行自适应的区域生长,获得舌下静脉轮廓.实验结果表明,该方法能有效地分离舌下静脉与环绕在其周围的舌质背景,并能准确地定位舌下静脉的完整边界.     

一种近红外舌下静脉提取方法

舌下静脉是中医舌诊中一个重要的诊断依据，介绍了使用近红外舌下静脉图像采集仪采集到的近红外舌下静脉图像，并提出了从这种近红外舌下静脉图像中提取出舌下静脉轮廓的方法，根据所采集到的近红外舌下静脉图像的特点，首先使用基于分水岭的射线法获得舌下区域整体轮廓，去除舌下区域周围的干扰信息．然后使用动态灰度阈值法在已获得的有效舌下区域进行二值化，并结合近红外舌下静脉图像的灰度特征确定舌下静脉候选区域，进而根据舌下静脉区域的灰度一致性，进行自适应地区域生长，并获得最终静脉轮廓，实验结果表明，该方法能有效地分离舌下静脉与周边的舌质背景，并能准确定位舌下静脉的完整边界。     

基于贝叶斯决策论的自适应舌脉分割方法

提出了一种新型舌脉轮廓分割技术.建立了基于大量已标注舌下图像样本基础上的舌脉颜色模型,该模型由贝叶斯决策论结合CIEYxy颜色空间构成.在舌脉分割过程中,将每次通过阈值化得到的舌脉部分与非舌脉部分作为两个独立的类,它们的类内离散度与类间离散度将用于定义相似性量度,以辅助舌脉分割过程.通过实验证明,该分割方法对舌脉及其背景颜色对比度较小的正常人舌脉轮廓提取有较好效果.     

舌下静脉血管提取的初步研究

为了深入地研究舌诊中舌下络脉,在HSI空间中,首先利用色度对饱和度信息的约束对舌下静脉血管进行了粗提取,然后分别用LUM滤波器和基于先验知识的像素聚类区域成长法进行去噪和最终轮廓提取.对150幅舌下图像的实验结果表明,其中113幅图像得到了较准确的提取结果,证明了本文所述方法的有效性.