用于图像分割的自适应距离保持水平集演化

Li等人提出的距离保持水平集方法有传统变分水平集方法不具备的许多优点,然而,它有初始曲线必须包围目标物体或完全置于目标物体内部或外部的缺点.提出一种自适应距离保持水平集方法,它无须初始曲线包围目标物体或完全置于目标物体内部或外部,即初始曲线可以置于图像的任何地方.它能够解决原方法所不能解决的一些图像分割问题,例如,能够从任意选取的一条初始曲线出发自动检测目标物体的内外轮廓,检测多目标物体以及深度凹陷区域的边缘,并能较好地提取目标物体的弱边界.对几幅具有不同目标边界形态的合成图像和自然图像进行了实验,结果都取得了预期的分割效果.     

自适应模型的水平集图像分割方法

水平集广泛应用于图像分割。给出基于传统C-V和GAC模型的水平集方法,在此基础上,介绍了一种结合C-V模型和GAC模型并根据图像特征选择性融入图像局部信息的自适应模型的水平集分割方法。通过实例分析,证明了该方法对分割弱边缘和灰度渐进的图像是有效的,并且抗噪声性能较好。     

选择性自适应水平集演化模型

自适应距离保持水平集演化模型是在无需初始化模型基础上引入了可变权系数,从而很好地摆脱了演化曲线对初始位置的依赖。该模型存在着一些明显的不足:一是对噪声比较敏感;二是对灰度不均图像分割不准确。基于自适应距离保持水平集演化模型,引入了一个新的可变权系数,据此定义了一个新的边缘停止函数。实验表明,新的自适应距离保持水平集演化模型较好地克服上述两点不足。     

基于水平集接力的图像自动分割方法

为了实现图像的完全分割,基于无须重新初始化的水平集方法提出了一种接力水平集方法.该方法在待分割图像中自动交替地创建嵌套子区域和相应的初始水平集函数,使水平集函数在其中演化并收敛,然后重复这个过程直到子区域面积为0.与原始算法及经典的基于区域的水平集方法相比,该方法具有如下优点:1) 自动完成,无须交互式的初始化;2) 多次分割图像,能够比原始算法检测到更多的边缘;3) 对于非匀质的图像,能够取得比经典的基于区域的水平集方法更好的分割效果;4) 提供一个开放的分割算法框架,其他单水平集方法稍作修改后也可替换这里所使用的单水平集方法.实验结果表明,此算法对人造图像和医学影像实现了无须交互的完全分割,对非匀质图像分割表现出更好的鲁棒性.     

无需重新初始化的自适应快速水平集演化模型

水平集方法已被广泛地应用在图像分割中,传统的水平集方法需要通过周期性的初始化水平集函数使得它一直保持在符号距离函数附近,然而初始化与水平集理论和实现相违背。最近,Li C等人提出一种完全不需要初始化的变分模型,该模型的主要不足就是单方向演化,即演化曲线或收缩或扩张到目标边界。针对二值图像提出一种新的基于距离保持水平集方法的活动轮廓模型,它不依赖于初始位置,演化曲线准确地收敛在目标边界,更重要的是曲线演化只需一次迭代。     

距离保持水平集演化模型的快速实现算法

针对梯度下降法收敛性较差、对局部极小值比较敏感的问题，提出一种改进NAG算法，并以此替换距离保持水平集演化（DRLSE）模型中的梯度下降算法，进而得到一个基于NAG的图像快速分割算法。首先，给出初始水平集演化方程；其次，用改进NAG算法计算梯度；最后，对水平集函数进行不断更新，从而避免水平集函数陷入局部极小值。实验结果表明，与DRLSE模型中的原算法相比，所提算法迭代次数减少了约30%，CPU运行时间减少了30%以上。该算法实现简单，能够对实时性要求较高的红外图像、医学图像进行快速、有效的分割。     

距离保持水平集演化模型的快速实现算法

针对梯度下降法收敛性较差、对局部极小值比较敏感的问题,提出一种改进NAG算法,并以此替换距离保持水平集演化（DRLSE）模型中的梯度下降算法,进而得到一个基于NAG的图像快速分割算法。首先,给出初始水平集演化方程;其次,用改进NAG算法计算梯度;最后,对水平集函数进行不断更新,从而避免水平集函数陷入局部极小值。实验结果表明,与DRLSE模型中的原算法相比,所提算法迭代次数减少了约30%,CPU运行时间减少了30%以上。该算法实现简单,能够对实时性要求较高的红外图像、医学图像进行快速、有效的分割。     

基于改进C-V模型的图像分割方法

传统C-V模型分割图像利用图像区域特征,忽略 了边缘等能够反应图像细节的特征。为了达到更好的图像分割效果,对于这些细节信息的处理则显得尤为重要。图像的梯度信息在边缘区域具有较大幅值,在同质区域具有较小幅值,因而可以用图像梯度来反映图像的边缘信息。把边缘信息融入C-V模型,利用同质区域信 息和边缘信息控制曲线演化,则可以达到更好的分割效果。本文提出的新模型克服了C-V模型的一些 缺陷,对背景灰度不均匀或含弱边缘的图像能够获得更好的分割效果。     

在图像分割中对水平集函数应用的研究

图像分割是从图像处理到图像分析的关键技术,几何活动轮廓模型是为解决图像处理和计算机视觉领域广泛存在的图像分割问题而提出来的。水平集函数是在研究几何活动轮廓模型时将界面或者演化曲线看成高一维空间中某一函数山原型。文章在分析传统水平集函数和距离保持水平集函数优缺点的基础上,引入图像相依的权系数v（I）代替常值权系数,提出了一种自适应距离保持水平集函数。然后通过对水平集函数求其偏微分方程,经过数值实现并求出其解,从而得出图形界面的基本形状和特征。     

改进的多目标图像的水平集分割模型

Guo等人利用n个水平集方程构造n个区域提出一种改进的CV模型（简称MCV模型）,该模型需要的迭代次数很少,提高了图像分割的效率,但其分割结果受初始曲线位置的影响较大,极易陷入局部最优,无法分割复杂图像,且利用传统的Heviside函数无法得到准确的均值信息,因此无法保证数值的稳定性。本文对MCV模型进行改进,先对图像进行预分割得到初始曲线以提高分割效率且能保证分割结果全局最优,构造新的符号函数取代传统的Heviside函数改进MCV模型以保证数值稳定性。对MR图像进行的分割实验表明,其在保证迭代次数较少的同时分割更加准确。     

MODEL SET IDENTIFICATION IN FREQUENCY-DOMAIN AND ITS APPLICATION TO JOINT DESIGN WITH ROBUST CONTROL

In this paper, we propose a new model set identification method for robust control, which determines both nominal models and uncertainty bounds in frequency-domain using periodgrams obtained from experimental data. This method also gives less conservative model sets when we have more experimental data, which is one of the distinguished features compared with the existing model set identification methods. To this end, first, we construct a new noise model set in terms of periodgrams, which consists of hard-bounded (or deterministic) noises but takes account of a low correlation property of noise signals, simultaneously. Then, based on the noise model, we show how to compute the nominal models and the upper bounds of modeling error via convex optimization, which minimize given cost functions. Furthermore, by introducing a weighting function compatible with control performance criterion into the identification cost function, we consider a joint design method of the proposed model set identification and H_∞ control. Numerical examples show the effectiveness of the proposed method.     

结合图像过渡区的变分水平集模型

为解决无需重新初始化水平集演化模型对初始轮廓敏感的问题,基于过渡区提出一个变分水平集模型。首先从形态学角度提取图像的过渡区,从而获得分割图像的阈值;然后根据这个阈值,加权面积项前的尺度参数修改为一个函数,它在感兴趣的目标内外有相反符号,水平集函数可初始化为一个常值函数。提出的模型不但从根本上解决了对初始轮廓敏感的问题,而且能够实现对图像的快速分割。对合成和真实的图像的实验验证了该模型的有效性。     

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.     

基于形状约束的LBF模型的水平集分割

由于LBF模型是通过高斯核函数来拟合局部内外的区域信息,是典型的局部区域模型。此外医学图像的复杂性且分割经常出现类似特定形状的目标。为了更快地找到局部的区域特征形状(如圆或椭圆),提出将初始水平集与椭圆方程的差异作为形状能量项融入到LBF模型中,在演化过程中无需经过仿射变换来更新相应的形状,只需对初始轮廓和形状水平集差异能量函数进行迭代计算。在实验结果中,选取4幅眼睛图片分别对LBF模型和加入形状项的LBF模型进行比较分析。结果表明,所提出的模型能够准确地检测图像中椭圆状的目标,且分割准确率达到了96%,也解决了图像灰度不均匀、对噪声敏感的问题。     

离散系统的鲁捧约束方差估计及应用──模型噪声强度不确定情形

考虑离散随机系统在模型噪声强度不确定及估计误差方差受约束情形下的一类鲁棒状态估计问题，即希望找到这样的滤波增益，使得当模型噪声强度在一定范围内变动时，每个状态分量的估计误差方差始终不大于预先指定值。文中给出了这种滤波增益的设计方法，并以一类机动目标跟踪问题为例，说明这种设计方法的直接性与有效性。     

基于贝叶斯分类模型的双水平集算法的大脑图像分割

针对大脑图像中灰质和白质边界结构的复杂性以及拓扑细长部分目标和弱边界目标分割存在的问题,提出了基于贝叶斯分类模型的双水平集分割算法.鉴于传统的水平集有分割过度、泄漏边界的缺点,可通过贝叶斯分类模型计算出水平集曲线位于边界的概率,并将此概率相关联的区域决策因子添加在水平集函数方程中,从而实现利用图像的区域信息提高水平集曲线识别边界能力的目的.将基于贝叶斯分类模型的双水平集算法应用到大脑图像的分割,通过内外两条水平集共同演化作用,得到了比贝叶斯分类模型的单水平集方法更完整的分割效果,并明显提高了分割效率.     

Vague集向Fuzzy集的转换函数

给出了两类Vague集向Fuzzy集的转换函数,并讨论了其性质;指出了现有的Vague集的模糊熵概念的不足,最后给出了模糊熵的新的约束条件.     

基于水平集的PSO算法的改进

粒子群优化算法PSO(Particle Swarm Optimization)目前仍存在着早熟收敛和收敛速度较慢的难题,提出一种新的PSO改进算法.该算法利用水平集对PSO的每一代粒子按照适应度进行划分,把与目标相关的所有信息结合在一起,改变了原有的PSO进化公式,提高了算法的收敛速度;其次,对于每一代的某个个体进行变异,使其变异到粒子密度低的空间中去,从而提高了粒子的多样性,减少早熟发生的机会.实验证明,这种算法是有效的.     

高级综合中工艺单元VHDL模拟模型的建立方法

针对在实现ＨＬＳ／ＢＩＴ系统时,需建立工艺单元的延时模型,面积模型及其ＶＨＤＬ模拟模型库进行讨论,并给出建立上述诸模型的方法,用此方法建立的ＶＨＤＬ模型可嵌入到大多数ＶＨＤＬ模拟器,从而实现工艺相关的“后模拟”,这对高级综合器的使用才十分有用,因此,本方法具有一定普遍意义。     

机器人鲁棒模型跟踪控制

本文根据非线性系统模型参考控制理论,提出了一种连续的机器人控制方法.这种方法可以保证跟踪误差的有界性,消除不连续控制中的高频颤动现象,同时继承了不连续控制中的鲁棒特性。