一种CT图像的肺实质分割方法

为了实现计算机辅助诊断,解决自动化CT图像处理的问题,文中提出一种肺实质分割的算法.采用求直方图峰值间极小值的方法获取最优阈值,实现图像分割;在此基础上,采用空间滤波以及连通域标记法去除干扰得到肺实质区域.结果表明该方法能实现肺实质分割,解决了肺结节检测的预处理问题.     

复杂场景下隧道电缆图像分割算法

目的 分析图像空间分布和灰度分布特征,改进区域生长图像分割方法,解决光照不均,墙面多种不利因素影响造成的电缆图像分割耗时长、效果差的问题。方法 首先按照墙面不利情况对图像进行分类,采用灰度均值方向投影法分析各类图像灰度分布特性,利用包络拟合离差获取电缆ROI,结合ROI空间分布信息,进行种子点初始化和终止准则设定,大大降低待处理数据量,同时避开光照不均和墙面不利因素的影响,并与K–Means聚类、全局区域生长、Unet语义分割等方法进行对比。结果 对于大小为1 000×1 800的图像,文中方法平均分割时间为0.42 s,对于各类数据集,最大误检率和漏检率只有4%。结论 文中方法有效克服了区域生长分割效果差、耗时长的缺陷,能同时解决光照不均和各种墙面不利因素影响下电缆准确分割的问题,分割效果好、耗时少。     

应用模糊Hamming网络进行企业客户信用评估

根据资信评估理论，结合我国企业实际，设计企业客户信用评估的指标体系，提出用模糊Hamming网络进行客户信用等级评定，实证结果表明：与传统方法（BP网络，模糊C－均值算法）相比，前者具有学习速度快，结果稳定，特别适合于具有模糊性概念的信用评估问题。     

一种改进码本的运动目标检测方法

针对运动目标检测中存在的阴影及背景噪声和树枝摇摆等问题,提出一种改进型码本模型检测方法。该方法对YUV空间分通道进行处理以解决阴影问题,针对干扰和噪声等影响,在背景差分图像的基础上,对视频帧进行二维网格区域划分,然后再对各个区域进行处理。与原始码本算法及经典检测方法的对比实验表明,该算法检测效果更好,并能满足实时检测需要。     

一种改进的图割目标分割算法

为了减少图像目标在分割过程中受到噪声、复杂背景等因素的影响,将图像的多特征信息引入到图割算法中,提出了一种结合图像的多特征信息图割目标分割方法。该方法先选取像素点的多种图像特征组成特征向量,并对已做好标记的目标和背景种子点的特征向量分别进行FCM聚类,然后分别计算各像素点与这两类种子点的各聚类中心的最短欧式距离,并据此信息完成对能量函数的构造,最终运用最大流/最小割的方法得到图像分割的结果。其与传统图割算法相比,分割结果有了明显改善。实验结果表明,该算法具有有效性。     

H.264整像素快速运动估计算法研究

通过对H.264参考模型JM11.0中整像素运动估计算法的分析,提出了一种新的快速运动估计搜索算法：基于方向预测的菱形-T形搜索算法（Direction Based Diamond-T Search,DBDTS）。改进算法在保证视频序列各分量信噪比和输出比特率的同时有效地减少了运动估计时间。分别应用FS、EPZS、UMHexagonS和改进算法对典型序列进行测试。测试结果表明,新算法在保证编码性能的同时,有效地提高了运动估计速度。     

基于改进水平集方法的粘连细胞分割

传统水平集方法对粘连细胞分割效果差,同时在分割过程中需要不断地重新初始化水平集函数。为了解决传统水平集方法在粘连细胞分割上的不足,提出了一种基于颜色特征的水平集方法。该方法将能够约束水平集函数与符号距离函数之间偏差的变分公式作为内部能量项,从而无需重新初始化水平集函数;把结合图像颜色特征信息的能量函数作为模型的外部能量项,以改进粘连细胞的分割效果。实验结果表明,该方法能有效地分割粘连细胞,算法实现比较简单。     

基于协方差矩阵的复杂背景中目标检测

在视频的运动目标检测中,有很多经典方法,但是大部分都不能完整地从复杂背景中检测出运动目标。提出了一种运动目标检测的新算法——协方差矩阵算法,它集成了像素级和区域级2种不同的层次。在像素级中,空间的属性主要来之于像素的坐标值、亮度、纹理和梯度等。在区域级中,通过计算一个像素周围矩形区域的协方差矩阵来表示像素间的特征相关性。实验结果表明,该方法具有较强的鲁棒性,明显优于传统的目标检测算法。     

基于模糊Hamming网络的模式识别的研究

探讨了一种模糊Hamming网络,它通过设置阈值对隐含层的神经元进行择优来代替模糊ART网络的搜索循环过程,克服了模糊ART网络在处理大样本问题时搜索时间长的问题,同时保持了模糊ART的良好性能.对该网络进行了模式识别实验,并与模糊ART进行了比较性试验,结果表明,该网络具有良好的分类能力和较高的学习效率.     

基于稀疏表示的超分辨率图像重建

针对单幅低分辨率图像的超分辨率重建,提出一种基于稀疏表示的改进算法。通过联合输入低分辨率图像块和对应生成的高分辨率图像块,求解其在高低分辨率字典对上的稀疏表示系数,再将系数与高分辨率字典结合,修正输出的高分辨率图像块。仿真实验表明,文中提出的算法有效提升了重建图像的质量。