基于加权Schatten p范数最小化的磁共振图像重构方法研究

本文提出了一种基于加权Schatten p范数最小化（Weighted Schatten p-Norm Minimization,WSNM）的磁共振图像重构算法,该方法利用磁共振图像的非局部自相似性,并结合Schatten p范数和不同秩元素重要性的加权因子,实现磁共振图像重构过程的低秩约束.此外,采用交替方向乘子算法（Alternating Direction Method of Multipliers,ADMM）来求解基于WSNM磁共振图像重构的非凸最小化问题.实验结果表明,相比于最近的磁共振重构算法,基于WSNM的磁共振图像重构方法具有更好的重建效果,可获得更高的峰值信噪比（Peak Signal to Noise Ratio,PSNR）和更好的结构相似性（Structural Similarity,SSIM）.     

基于改进循环生成式对抗网络的图像风格迁移

图像间的风格迁移是一类将图片在不同领域进行转换的方法。随着生成式对抗网络在深度学习中的快速发展,其在图像风格迁移领域中的应用被日益关注。但经典算法存在配对训练数据较难获取,生成图片效果差的缺点。该文提出一种改进循环生成式对抗网络(CycleGAN++),取消了环形网络,并在图像生成阶段将目标域与源域的先验信息与相应图片进行纵深级联;优化了损失函数,采用分类损失代替循环一致损失,实现了不依赖训练数据映射的图像风格迁移。采用CelebA和Cityscapes数据集进行实验评测,结果表明在亚马逊劳务平台感知研究(AMT perceptual studies)与全卷积网络得分(FCN score)两个经典测试指标中,该文算法比CycleGAN, IcGAN, CoGAN, DIAT等经典算法取得了更高的精度。

     

一种基于全变差模型的欠采样图像重构方法

基于全变差范数最小化模型,构造了一种新的图像重构算法;利用欠采样域内的融合信息,结合构造的图像重构算法,提出了一种基于压缩感知理论的图像融合模型.数值实验表明,构造的重构算法与传统算法相比,在一定程度上减少了所需的采样数量;提出的融合模型对多类图像具有较优的融合效果.     

基于生成式对抗网络的遥感图像半监督语义分割

高分辨率遥感图像的语义分割问题是目前遥感图像处理领域中的研究热点之一。传统的有监督分割方法需要大量的标记数据,而标记过程又较为困难和耗时。针对这一问题,提出一种基于生成式对抗网络的半监督高分辨率遥感图像语义分割方法,只需要少量样本标签即可得到较好的分割结果。该方法为分割网络添加全卷积形式的辅助对抗网络,以助于保持高分辨率遥感图像分割结果中的标签连续性;更进一步,提出一种新颖的能够进行注意力选择的对抗损失,以解决分割结果较好时判别器约束的分割网络更新过程中存在的难易样本不均衡问题。在ISPRS Vaihingen 2D语义标记挑战数据集上的实验结果表明,与现有其它语义分割方法相比,所提出方法能够较大幅度地提高遥感图像的语义分割精度。     

基于遗传算法的零范数压缩感知图像重构方法研究

近年来由Donoho和Candes等人提出的压缩感知图像处理有效地解决了图像高速采样与压缩重构之间的瓶颈问题,使得采样与压缩同时进行,并有效利用采样所得到的数据,用于后期的图像重构中。目前文献中使用的重构算法很多,如最优l1范数法、匹配追踪等贪婪算法、迭代阈值法等,但这些方法都是次优化算法,没有从压缩感知最初需要解决的问题出发。在此给出的算法是从压缩感知重构的最初需要解决的问题出发,寻找一种能够解决最优l0范数的多峰优化问题的算法。实验结果也证明了该方法的可行性。     

基于压缩感知的OMP图像重构算法改进

阐述了压缩感知相关理论以及信号的重构算法,围绕其中的匹配追踪系列算法展开研究,同时在正交匹配追踪算法(OMP算法)的基础上引入了几种改进算法,并结合OMP算法本身耗时长、速度慢的问题,给出了一种OMP的改进方案,该方案将图像进行分块再处理,从而大幅降低了OMP算法迭代的矩阵规模。在相同条件下该算法的主客观重建效果均优于原来的算法。     

基于GAN和CNN-ELM的监控图像智能修复及检测方法

针对目前石化危险品装车过程中海量监控视频图像人为处理效率低下、模糊图像识别率低等问题,提出一种基于生成式对抗网络(GAN)和卷积神经网络(CNN)与极限学习机(ELM)相结合的监控模糊图像智能修复及检测方法.首先,使用深度学习网络作为 目标检测框架,利用GAN网络中生成器与判别器间的零和博弈对模糊图像进行复原,得到清晰完整的作业图像;其次,利用CNN自适应学习图像特征的能力,对修复后的图像进行自主特征提取;最后,将提取的图像特征输入ELM分类器中进行目标识别与分类,判断作业过程是否存在违规行为.试验结果表明:所提方法图像修复速度快,视觉效果自然,且目标识别准确率高,具有很好的泛化能力.     

一种特征自我保留的弱光图像增强方法

现有的多数图像增强方法通常整体增强亮度通道,会导致过度增强、细节丢失及颜色失真等问题.为克服这些问题,提出一种基于生成式对抗网络(Generative Adversarial Networks,GAN)和特征自我保留的弱光图像增强方法SFPGAN.首先从颜色、亮度及纹理3个方向评判生成图像的真实性,其次引入特征自我保留...     

基于改进混合范数的图像重构算法

压缩感知理论利用图像稀疏表示的先验知识,通过少量的测量值精确地恢复出原始图像信号。DTCWT凭借其更好表达图像边缘特征的特点,结合贪婪算法和凸优化算法的优点,在双树复数小波变换为稀疏基,局部哈达玛矩阵为观测矩阵的基础上提出改进的快速二步迭代混合范数算法。该算法的图像重构质量优于FIST算法以及IST算法,实验表明改进的混合范数的图像重构算法具有更好的图像重构质量和重构速度。     

基于二进小波变换的磁共振图像增强算法应用研究

在结合磁共振图像特点的基础上对二进小波变换的图像增强方法进行研究和改进,并应用到磁共振图像的对比度增强实验中。实验结果表明,改进后的算法比原算法有更好的增强效果,在增强对比度和抑制噪声两方面都取得了较好的效果。     

一种基于小波高斯去噪声方法的迭代算法

针对核磁共振医学图像中常出现的Rician噪声,提出了一种有效地去噪算法。和高斯噪声不同,Rician噪声和信号本身具有一定的相关性,但考虑到噪声与高斯噪声的联系,提出了一种基于小波高斯去噪声方法的迭代算法,实验证明,这种方法可以非常有效的去除Rician噪声。     

数据压缩的FCM算法用于人脑MRI图像的分割

针对模糊C均值聚类（Fuzzy C—means clustering，FCM）算法在人脑磁共振成像（Magnetic Resonance Imaging，MRI）图像分割中存在的计算量大、运行时间过长的问题，提出一种加速方法。首先利用边界跟踪法对人脑MRI图像进行预处理，剔除颅骨和肌肉等非脑组织；然后通过数据压缩，即通过对相近的像素进行量化并聚合来减少像素个数；最后用FCM算法对大脑结构进行分割，结果得到脑白质、灰质和脑脊液图像区域。该方法能够使数据量大为减少，从而使FCM在图像分割中更加快速有效。     

Simulation Study of the Dendritic Effect on Direct MRI Detection of Neural Electric Event

Currently hemodynamic-based functional MRI technique is of limitation in temporal resolution. As neural activities in the brain accompany with current induced neuronal magnetic fields （NMF）, it is possible to utilize MRI to detect NMF directly thus to improve the temporal resolution. In this work, the contribution of dendrite branch to NMF is investigated by numeric simulation. The results indicate that the existence of dendrite branch may enhance the detectability of NMF by MRI directly.     

基于T_1的磁共振成像实时无创测温的研究

利用磁共振成像(MRI)开展无创测温方法研究,探讨了基于T_1加权成像无创测温的理论和方法;在实验数据的基础上建立了相应的理论温度模型,并对样品所得理论温度与数字温度计实测温度进行了对比.结果表明,基于T_1加权成像无创测温方法能够较准确测量生物组织的温度,所需时间在5s以内,可以实现实时无创温度监测.     

基于双支路特征融合的MRI颅脑肿瘤图像分割研究北大核心CSCD

针对磁共振成像(magnetic resonance imaging, MRI)颅脑肿瘤区域误识别与分割网络空间信息丢失问题,提出一种基于双支路特征融合的MRI脑肿瘤图像分割方法。首先通过主支路的重构VGG与注意力模型(re-parameterization visual geometry group and attention model, RVAM)提取网络的上下文信息,然后使用可变形卷积与金字塔池化模型(deformable convolution and pyramid pooling model, DCPM)在副支路获取丰富的空间信息,之后使用特征融合模块对两支路的特征信息进行融合。最后引入注意力模型,在上采样过程中加强分割目标在解码时的权重。提出的方法在Kaggle_3m数据集和BraTS2019数据集上进行了实验验证,实验结果表明该方法具有良好的脑肿瘤分割性能,其中在Kaggle_3m上,Dice相似系数、杰卡德系数分别达到了91.45%和85.19%。     

一种基于全变分正则化低秩稀疏分解的动态MRI重建方法

针对应用迭代软阈值(IST)算法对基于低秩稀疏矩 阵(L＋S,low rank and sparse)分解模型的动态磁共振成像(MRI)图像 进行重建存在重建精度一般和重建速度慢的问题,提出在矩阵L＋S分解模 型的基础上引入全变分(TV)正则项,达到进一步去噪声和去伪影,提高重建精度目的;利用 非精确增广拉 格朗日算法(IALM)达到快速重建的目的。通过对心脏灌注动态MRI成像和心电影MRI成 像的仿真实 验表明:对于L＋S低秩稀疏矩阵分解模型的重建,IALM比IS T算法速度更快,精度更高;模型引入TV正则项 后再利用IALM重建,重建速度虽然比之前的IALM有所降低,但依然优于IST算法, 并且重建精 度高于之前的IALM。在L＋S分解模型中引入TV正则项 提高了MRI重建精度,运用IALM进行求解加快了重建速度,结合TV正则项和IALM达到了 快速、高精度重建的目的。     

基于结构保持的MR图像运动伪影快速抑制方法

目前核磁共振图像运动伪影的校正方法普遍是基于K空间数据的方法,本文提出一种直接对核磁共振图像进行伪影校正的后处理方法.基于非局部均值总变差去噪的思想设计构造了结构保持的运动伪影校正模型,该模型由非局部均值正则项和块相似保真项构成,正则项可以有效去除运动伪影和噪声的同时保持图像的结构;将各向异性结构张量作为块相似保真项中的权函数,实现在不同区域有不同的扩散方式,在去除图像运动伪影的同时保留图像的细节信息.模型的数值求解采用分裂Bregman方法实现.本文提出的方法充分考虑了图像的几何结构特性,实验结果表明,该方法能有效去除运动伪影并保留有价值的图像细节信息,同时提高了运算速度.     

生物电磁学研究进展

本文介绍了近年来生物电磁学研究的最新进展,讨论了电磁场生物热效应、非热效应和累积效应及其生物机理,详细阐述电磁场生物效应在医学界和食品保存等方面的综合应用状况,最后分析了时域有限差分法等电磁场数值计算技术在生物电磁场学研究中的作用.本文的工作,将有望为后续的研究工作提供一定的帮助.