基于QPSO-MIL算法的图像标注

在多数现有图像标注图像库中,关键字只标注在图像级而非区域级,使有监督学习方法在图像标注中难以应用.基于量子粒子群优化算法(quantum-behaved particle swarm optimization,QPSO)提出了一种新的多示例学习(multi-instance learning,MIL)算法--QPSO-MIL算法,在多示例学习的框架下将基于区域的图像标注问题描述成一个有监督的学习问题.该方法将图像当作包,分割的区域当作包中的示例,利用多样性密度(DD)函数,定义了粒子的适应度向量.在示例空间,利用QPSO方法在各个维度上同时搜索DD函数的全局极大值点,作为关键字的概念点,然后根据Bayesian后验概率最大准则(MAP)对图像进行标注.通过ECCV 2002图像库的实验结果表明,QPSO-MIL算法是有效的.     

基于Simulink的信道编码模块封装与仿真

利用Matlab软件的Simulink软件包提供的功能，封蓑了通信系统中常见的信道编码模块，并做了基于这些模块的通信系统仿真．本文所做的工作可为基于Simulink的通信系统仿真提供参考与支持。     

交互式图像推荐系统研究

随着互联网信息的快速发展,图像信息已经成了一个重要的信息来源,但是对用户来说很难找到自己需要的特定的图像,构建了一个交互式的图像推荐系统,用颜色直方图特征或者Gabor纹理特征来表示图像的内容,根据图像的视觉特征采用一种基于核的K均值聚类方法将图像聚成多类,采用hyperbolic显示技术,将图像按照视觉特征显示在屏幕的不同区域。结果显示该方法可以有效快速地帮助用户在图像数据库中找到自己需要的图像。     

基于再模糊理论的无参考图像质量评价

针对目前无参考图像质量评价算法依赖训练样本集、算法复杂性较高,难以应用于图像视频采集设备等问题,提出了一种基于有效再模糊的无参考图像质量评价算法(NRIQAVR)。首先研究了便携式设备采集图像的特点,然后在再模糊理论基础上通过计算最小和最大再模糊标准差,构造了与人类视觉感知相近的NRIQAVR算法,通过理论证明该算法可以反映自然场景图像模糊度。最后在多个公开数据集和头盔摄像机采集的图像上测试,对比其他流行算法,该算法性能稳定且无需训练,评价结果与主观感知之间的相关系数平均值高于0.92,离出率低于0.05,平均执行时间0.088 s。该算法符合人类视觉感知、不依赖图像内容、简单易行、可以达到11帧/s的处理速度,具有重要实际应用价值。     

基于示例选择的计算机辅助乳腺钙化簇检测研究

为了减轻传统计算机辅助检测系统中感兴趣区域标定的时间和精力,提出针对钼靶X光乳腺钙化簇检测的示例选择算法。以分块形式对图像打包,对所有负包示例进行纹理建模,并计算每个未知包中的示例与负包平均模型的距离,选取最大距离的示例作为可疑区域。实验结果表明,该算法在不需要人工标注感兴趣区域,不降低钙化簇检测性能的前提下,大幅度减少了运算时间和空间。     

结合超像素和U型全卷积网络的胰腺分割方法

为了提高现有胰腺图像分割方法性能,提出一种超像素和U型全卷积网络(U-NET)结合的胰腺图像分割方法.首先,提出一种胰腺CT图像的超像素分割方法;然后,依据分割结果对图像进行映射降维得到腹部视觉概要图像,再将其与超像素位置信息作为U型全卷积网络的输入;最后,得到分割好的胰腺器官.在NIH胰腺公开数据集上的实验结果表明,文中方法将戴斯相似系数(DSC)提高到87.9%,高于目前已有的胰腺图像分割方法.并且其运算速度高于U-NET.     

用FSVM-MIL算法实现图像检索

针对基于对象的图像检索问题,利用模糊支持向量机(FSVM)提出了一种新的多示例学习算法——FSVM-MIL算法.在标准的多示例学习问题中,一个包被标为正包,则它至少包含一个示例是正的,否则被标为负包.FSVM-MIL算法将图像当作包,分割后的区域当作包中的示例,若图像包含有感兴趣对象,则对应的包标为正,否则标为负,因为正包中的示例不全是正的,概念标号存在模糊性,本文利用多样性密度方法寻找概念点,根据noisy-or概率模型定义了模糊隶属度函数,为正包中的示例赋予不同的模糊因子,用FSVM求解多示例学习问题.在SIVAL图像集进行对比实验,结果表明FSVM-MIL算法是有效的且性能不亚于其它同类方法.     

层次化分类的离线中文签名真伪鉴别方法

为了改进中文手写签名真伪鉴别系统的性能,提出了一种混合极限学习机和稀疏表示的层次化分类方法。首先,利用极限学习机强大的泛化能力和鲁棒性,对较易识别的伪签名进行分类,如随机伪造的签名;接着,利用稀疏表示分类具有的精准描述性能,设计签名数据字典,对较难识别的伪签名进行分类,如熟练伪造的签名。实验结果表明,层次化分类的签名鉴别方法与前沿的两种方法相比总体准确率最高,达到了95.53%。     

基于多尺度特征和注意力机制的肝脏组织病理图像语义分割网络

针对肝脏组织病理图像分割中存在的正常组织和异常组织过渡区域较难分割和空洞较多的问题,设计基于多尺度特征和注意力机制的肝脏组织病理图像语义分割网络.在编码器中提取融合多尺度特征,改善正常组织和异常组织过渡区域的分割效果.同时利用注意力机制对空间维度和通道维度进行相关性建模,获得每个像素类内响应和通道间的依赖关系,缓解肝脏组织病理图像空洞较多对网络学习带来的影响.实验表明文中网络可较快速准确分割肝脏组织病理图像损伤区域.     

基于格式塔认知框架的腹腔CT多目标分割算法

为了解决腹腔软组织电子计算机断层扫描影像难于分割的难题,提出一种基于格式塔认知框架的多目标分割算法.通过借鉴格式塔认知框架中“邻近度、相似度”的思想,引入超像素算法处理电子计算机断层扫描图像处理,生成可视块.进一步地,在可视块粒度描述有向邻接关系,以软组织的相对空间位置约束聚类分割过程.在公开数据库上的实验结果表明,该算法降低了聚类的计算量,其结果比当前流行的算法准确率更高.