局部熵驱动下的脑MR图像分割与偏移场恢复耦合模型

核磁共振图像受成像机制的影响往往导致图像中含有噪声以及偏移场,使得传统的图像分割方法很难得到较好的分割结果.为此,提出一种基于局部熵的分割与偏移场恢复耦合模型,首先在小邻域内构建基于模糊C均值(FCM)聚类模型的局部统计项并将偏移场信息耦合到模型中,以恢复图像偏移场;其次采用非局部信息来构建邻域正则项,使得模型在降低噪声影响的同时能有效地保留图像结构信息;最后在对局部能量项进行全局积分时引入局部熵信息,使得模型具有各向异性,从而对噪声和偏移场影响更具鲁棒性.实验结果表明,本文方法可以得到较准确的分割和偏移场矫正结果.     

脑MR图像分割和偏移场矫正的耦合水平集模型

脑核磁共振(MR)图像因需要偏移场矫正,传统分割方法很难获得准确的分割结果。针对这一问题,首先构造一组基函数拟合偏移场以保证偏移场的光滑特性,再将其融入到高斯概率密度函数中,结合统计分类准则建立脑MR图像的分割和偏移场矫正的能量方程,最后将该能量方程引入到三相位水平集的变分框架中得到脑MR图像的分割和偏移场矫正的耦合模型。实验表明该方法在得到准确的分割结果同时还可以得到较好的恢复结果。     

一种各向异性Wells算法脑核磁共振图像分割模型

核磁共振图像分析已经成为主要的医疗辅助手段之一.然而,由于偏移场的影响导致该类图像的分析较为困难,去偏移场已成为图像分析的必要步骤.Wells算法将图像分割和去偏移场放入同一个框架内并取得较好的结果.然而该算法没有考虑像素间的位置信息,因而导致该算法对图像噪声比较敏感.为了克服其局限性,利用Gibbs理论和图像结构信息构造各向异性Gibbs随机场,并将其引入到Wells算法的框架中,完善其分类效果,使其克服噪声影响的同时还能够保持细长拓扑结构区域信息以及角点区域信息.实验证明提出的算法可以得到较好的分类结果.     

基于优化BP神经网络的销售预测算法研究

已知国内房屋售价具有一定的不完整的规律性,其会因季节变换、人群流动、国家相关政策等一系列因素而呈现一定的规律。与此同时,该规律性并没有确定的单一因子可以直接影响,故其售价与全部因素之间的关系也是非线性的。针对这一问题,利用神经网络输入量的非线性、冗杂性和可不完整性,对一段时期内的房屋售价进行预测是一种合理的预测方法。基于BP神经网络传输阈值的不确定性,利用时间序列方法对因子数据进行平行预测,再利用遗传算法和BP神经网络对所得结果进行二次优化,以达到接近实际的精准预测的目的。经过使用某房地产企业的历史销售数据进行反复仿真实验,其结果表明所提出的优化算法模型预测精度逼近于实际销售结果,达到了精准预测的目标。     

结合相似性拟合与空间约束的图像分割

目的 图像中的目标一般含有很多子类,仅仅利用某个子类的特征无法完整地分割出目标区域。针对这一问题,提出一种结合相似性拟合与空间约束的图像交互式分割方法。方法 首先,通过手工标记的样本组成各个目标的字典,通过相似度量搜寻测试样本与各个目标的字典中最相似的原子建立拟合项;再结合图像的空间约束项,构建图像分割模型;最后利用连续最大流算法求解,快速实现图像分割的目的。结果 通过对比实验,本文方法的速度比基于稀疏表示的分类方法的速度提高约13倍,而与归一化切割(N-Cut),逻辑回归(logistic regression)等方法相比,本文方法能取得更稳定和准确的分割结果。此外,本文方法无需过完备字典,只需要训练样本能体现各个子类的信息即可得到稳定的图像分割结果。结论 本文交互式图像分割方法,通过结合相似性拟合以及空间约束建立分割模型,并由连续最大流算法求解,实现图像的快速准确的分割。实验结果表明,该方法能够胜任较准确地对自然图像进行分割以及目标提取等任务。     

基于时空连续约束的4D脑图像分割模型

纵向分析脑解剖结构的变化可以预测脑组织的生长或萎缩状态,为临床治疗和科学研究提供必要的依据.但由于成像设备或模式不同以及成像时间间隔较长,3D的分割方法得到的结果无法体现脑组织在时间维上缓慢变化的特征.针对这一问题,提出一种基于时空约束的4D脑图像水平集分割模型.该模型包含了由全局以及局部信息组成的数据拟合项、空间平滑项以及时间平滑项.其中数据拟合项体现了各个时间点的图像灰度信息,空间和时间平滑项则能保证分割结果在时空维上体现其缓慢变化的特性.实验结果表明本文方法既能保证准确的分割结果又能保证空间维以及时间维上的连续性.     

基于PDSSD改进型神经网络的小目标检测算法

SSD卷积神经网络一直对较小目标检测精度不佳。对此在SSD网络结构的基础上引入空洞卷积(Dilated Convolution),并组建空洞金字塔模块(Pyramid Dilated Convolution)和特征空洞金字塔模块(Feature Pyramid Dilated Convolution)融入SSD中,提升了网络浅层特征层的语义信息,提高了深层特征层的感受野和特征提取能力,构建了新型网络结构Pyramid Dilated SSD(PDSSD)。实验结果表明,PDSSD在PASCAL-VOC数据集上的检测mAP(Mean Average Precision)值高达82.1%,检测精度和小目标检测能力明显高于SSD,并且网络训练速度和mAP值领先于其他主流算法。     

基于区域信息的水平集模型

水平集模型在对具有细长拓扑结构和弱边界的核磁共振图像分割时得不到真实解,针对这一问题,提出一种新的基于区域信息的水平集分割模型.首先运用形态学方法预估计初始背景,采用差分算法提取最终背景,原始图像与背景图像作减法得到含有待分割目标的图像,定义一个新的相似度以及基于相似度信息的水平集速度函数取代传统水平集的速度函数.结果表明这种方法具有很好的分割效果.     

基于参数化互信息的脑MR图像分割与偏移场矫正模型及快速算法

脑核磁共振(Magnetic Resonance简称MR)图像中存在灰度不均匀现象使得传统方法很难得到理想的分割与偏移场矫正结果.针对这一问题,本文首先提出Legendre基函数拟合偏移场下的参数化互信息度量,建立脑MR图像的分割与偏移场矫正的变分模型.最后,给出了基于分裂Bregman迭代方法的快速分割与偏移场矫正算...     

基于学生t分布的鲁棒分层模糊算法及其在图像分割中的应用

著名的模糊C均值算法（FCM）一直被视为图像分割应用中一个强有力的工具.然而,由于FCM中距离函数选择问题使得其对图像噪声的鲁棒性不足.本文提出了一个新的分层模糊C均值算法,使得传统的模糊C均值算法对于图像噪声和离群点有更好的鲁棒性.在此基础上引入了一个更加灵活的函数,即将距离函数本身看作是一个子学生t分布函数.使分层模型具有更好的通用性和灵活性.本文提出的算法可以扩展到其他基于FCM模型的算法实现,以获得更优的鲁棒性.实验结果表明本文提出新的分层模糊C均值算法的鲁棒性确实有效.