超声肝图像SOFM网络识别方法

通过基于空间灰度独立矩阵的特征提取方法,采用自组织特征映射神经网络对正常肝脏、肝硬化和肝癌三类肝脏超声图像进行分类识别。实验结果表明神经网络分类器对3种肝脏超声图像的分类可以达到87%的正确率,其结果对实际辅助诊断提供了理论基础。     

基于特征融合与稀疏表示的肝病识别

由于肝脏超声图像具有回声不均匀、边缘模糊等缺点,肝脏疾病的无创诊断易受到影响,考虑到单个特征的局限性,提出了一种基于HOG-LBP特征融合和稀疏表示的肝病识别算法。首先使用HOG-LBP特征融合方法将肝脏超声图像中相应区域的图像特征提取出来,并将训练样本集所提取的特征构建字典,然后使用字典学习算法对测试样本特征矩阵构成稀疏表示,最后根据稀疏表示分类原理进行分类识别。通过对取自青岛大学附属医院肝胆科的包括正常肝脏、肝硬化和脂肪肝的共900个样本进行分类,平均识别率达到85.76%,实验结果表明,所提方法的准确率高于传统方法,有助于临床诊断。     

基于图像特征的智能肺癌识别

提出一种基于图像特征进行计算机辅助医学诊断的智能算法。该算法使用神经网络技术有效地从彩色细胞切片图像中识别出肺癌细胞。首先，通过图像预处理和图像分割技术提取出切片图像中细胞的形状和颜色特征。接着，将这些图像特征输入训练好的肺癌分类识别神经网络，智能地识别出肺癌细胞。     

BP神经网络在茶叶病害多分类识别中的应用研究

随着物联网技术的不断发展,农业逐渐走向网络信息化,而利用物联网技术对农作物进行病害识别已经成为当前的一大研究领域。为能科学、精准的识别农作物的病害,本研究利用计算机图像处理技术和BP神经网络算法,以茶叶病害为研究对象,运用图像分割法对病斑图像来进行分割,通过提取经过图像处理后的病害茶叶的形状特征并分类,再利用MATLAB实现BP神经网络模型进行分类检测,最终得到非常高的识别率。     

用自适应谐振网络进行图像纹理的分类与识别

分析了逢适应谐振神经网络模型的模式分类能力，并利用该网络来进行图像纹理的分类和识别，对６类自然景物的纹理图片分类和识别结果难验证了方法的有效性，对心脏超声图片的分类也取得一些初步成果。     

遥感影像的分类与识别技术在土地资源调查中的应用

遥感图像记录了地物在空间域、时间域、光谱的域的变化信息,利用图像的分类技术,能够识别土地利用类型,计算机遥感分类识别原理,是利用地物的光谱能量特征差异性和结构特征差异性来识别地物信息,根据北京某地遥感图像实例资料,将土地利用类型分为监督分类、非监督分类、最大似然法分类、神经网络分类等,不同的分类方法有各自的特点且分类结果也有一定的差别,其中神经网络分类与真实情况最为接近。     

基于多特征融合和ELM的肝病多分类识别

针对在肝病多分类识别中分类精度较低的问题,提出一种基于多特征融合和ELM的肝病多分类识别方法。从肝脏超声图像中选定感兴趣区域,分别对其提取LBP特征、GLCM特征和Gabor特征,将得到的三种特征进行融合,得到鲁棒性更强的特征,通过超限学习机进行分类。实验结果表明,新提出的方法可以有效提高肝病多分类识别的识别率,并且时间效率较高,有助于肝病的临床诊断。     

基于SIFT的车标识别算法

针对车标识别过程中匹配阈值难、识别速度慢的问题,提出一种基于尺度不变特征变换(SIFT)的特征匹配车标识别算法.利用SIFT算子对图像的视角、平移、放射、亮度、旋转等不变特性进行提取,并采用BP神经网络算法自主选取车标图像特征进行分类、匹配和识别.仿真实验结果表明,简单车标和复杂车标的识别率平均值均达90%以上,该算法识别速度较快、识别率较高,能满足实际应用的需要.     

基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。     

基于级联卷积神经网络的公路路基病害识别

针对当前公路路基病害识别中探地雷达(GPR)技术的数据分析还依赖于人工识别,识别效率低、准确性差问题,建立了级联卷积神经网络来实现自动识别探地雷达图像所反映路基病害的任务。级联卷积神经网络系统由2个卷积神经网络组成,分别用于识别低分辨率和高分辨率探地雷达图像。神经网络的建立包括训练、验证和测试3个步骤。通过训练和测试的结果验证了级联卷积神经网络系统的稳定性,并将级联卷积神经网络和Sobel边缘检测,K值聚类分析进行比较,以论证其优越性。结果表明:级联卷积神经网络在路基病害分类训练中的识别准确率为97.46%,验证中的识别准确率为95.80%,其识别路基病害的精度较高;级联卷积神经网络对发射频率300、500、900 MHz的图像分类准确率分别为94.20%、93.89%、94.57%,对不同公路结构的图像分类准确率分别为94.80%、94.78%、94.28%、94.21%,可见级联卷积神经网络的识别准确性不受雷达发射频率和路面结构的影响;当图像分辨率较低时,Sobel边缘检测和K值聚类分析无法准确提取路基病害几何特征信息,级联卷积神经网络可通过分类器2准确识别;当图像分辨率较高时,Sobel边缘检测和K值聚类分析仅能提取路基病害的部分特征,后续病害类型的识别需要人工完成。可见级联卷积神经网络较其他算法在路基病害识别方面更准确、高效。     

分维方法在肝癌超声图像纹理识别中的性能比较研究

研究描述超声肝图像纹理特征的分维方法。用14幅正常肝样本图像和14幅原发性肝癌样本图像检验并比较评估4种分维方法。用布朗运动方法、毯子法、傅里叶功率谱法和差分盒计数法4种方法得到的分维作为特征进行ROC(Receiver operating characteristic)分析,以SVM作为模式分类方法的分类正确率进行分析。研究结果表明:除了分数布朗运动方法外,由毯子法、傅里叶功率谱法和差分盒计数法获得的描述正常肝图像感兴趣区域的分维值明显小于描述原发性癌图像感兴趣区域的分维值;采用傅里叶功率谱方法得到最大的ROC曲线下的面积;用SVM(Support vector machine)方法进行分类也取得了与ROC分析类似的结果,即用傅里叶功率谱方法进行分类准确度最高,分数布朗运动和差分盒计数方法效果较差,毯子方法效果居中;傅里叶功率谱方法是描述超声肝图像纹理特征最适合的方法。     

基于粒子群优化算法的多模态医学图像刚性配准

提出了一种基于轮廓特征点及利用PSO(粒子群优化)求解多模态医学图像自动配准新方法．首先采用数学形态学中腐蚀和膨胀算法对图像进行预处理,用区域生长法提取图像的边缘;再用subtractive聚类算法提取出轮廓特征点,将两个特征点集的均方根极小值作为配准准则,然后用PSO算法求解空间变换参数．该算法适用于多模态医学图像配准,与其他算法相比,PSO算法具有操作方便、可靠性好、不易陷入局部极值等优点。     

数字图像多区域复制粘贴盲检测方法

随着网络技术和图像处理技术的发展,篡改图像变得越来越容易。特别是图像文件内部的复制粘贴篡改,更不容易察觉。如何快速有效的盲检测出复制粘贴区域,成为一个急需解决的问题。现有的盲检测技术对单区域复制粘贴盲检测效果较好,但对多区域复制粘贴的漏检率较高。本文提出一种基于特征点和k-Rg2NN算法的数字图像多区域复制粘贴盲检测方法。该方法首先对图像进行SURF特征点提取,生成特征描述子,采用本文提出的k-Rg2NN算法对描述子进行匹配,通过RANSAC算法计算图像中源区域与目标区域之间的单应变换,准确定位复制粘贴区域。实验结果表明,该方法能有效检测多区复制粘贴,达到较高的准确率。     

基于超声散斑的HIFU监控B超图像配准

 高强度聚焦超声（HIFU）治疗系统中B超监控图像由于存在伪像和噪声而很难实现图像配准,给靶区定位带来了困难,基于此,提出利用基于超声散斑的相位相关对B超图像进行配准并验证其可行性。首先,根据超声散斑原理和散斑伪随机性,在Matlab 7.0软件环境下,利用基于超声散斑的相位相关对从B超图像中提取出散斑图像进行配准,根据得出的位移值配准对应的B超图像;其次,为了与基于超声散斑的图像配准进行对比,对B超图像进行直接相位相关配准;最后,观察配准结果并进行相似度测定。结果显示,基于超声散斑的相位相关算法能够实现对存在伪像和噪声的B超图像的配准,具有较高的精确性和鲁棒性,优于对B超图像直接相位相关算法;同时也验证了基于超声散斑配准B超图像的可行性。     

基于深度残差网络的医学超声图像多尺度边缘检测算法

为提高医学超声图像在临床诊断的效果, 需先对图像进行优化检测和识别, 提出一种基于深度残差网络的医学超声图像多尺度边缘检测算法. 首先, 通过对原始医学超声图像进行自动标注, 构建医学超声图像灰度分布矩阵, 利用分布矩阵完成医学超声图像的多尺度分割; 其次, 构建医学超声图像多尺度边缘的轮廓模型, 提取多尺度图像边缘特征; 再次, 构建深度残差网络结构, 采用深度残差学习算法进行超声图像的底层图像信息融合; 最后, 对融合后的边缘图像数据进行多尺度边缘检测. 实验结果表明, 该算法的图像分割精度高, 特征提取准确率达80%以上, 图像边界中间断区检测效果较好, 边缘点查全性较高, 算法检测耗时短、收敛性强.     

脂肪肝超声图像的定量分析

脂肪肝定量分析是对脂肪肝诊断的一种客观方法，可减少定性分析中人为因素所带来的偏差。对多例B超图像提取特征参数，并进行肝肾对比，从而在统计意义上分析正常肝与脂肪肝的参数差异性。     

B超图象的纹理识别

根据肝脏B超图象的特点 ,提出利用分形特征配以和差直方图提取特征参数进行纹理识别 ,实验结果表明 :该方法分类精度高且计算速度快 ,克服了它们各自作为特征对肝脏B超图象进行纹理识别时 ,其识别率较低的缺点     

Land cover classification of RADARSAT-2 SAR data using convolutional neural network

In this paper, we propose a convolutional neural network (CNN) based on deep learning method for land cover classification of synthetic aperture radar (SAR) images. The proposed method consists of convolutional layers, pooling layers, a full connection layer and an output layer. The method acquires high-level abstractions for SAR data by using a hierarchical architecture composed of multiple non-linear transformations such as convolutions and poolings. The feature maps produced by convolutional layers are subsampled by pooling layers and then are converted into a feature vector by the full connection layer. The feature vector is then used by the output layer with softmax regression to perform land cover classification. The multi-layer method replaces hand-engineered features with backpropagation (BP) neural network algorithm for supervised feature learning, hierarchical feature extraction and land cover classification of SAR images. RADARSAT-2 ultra-fine beam high resolution HH-SAR images acquired in the rural urban fringe of the Greater Toronto Area (GTA) are selected for this study. The experiment results show that the accuracy of our classification method is about 90% which is higher than that of nearest neighbor (NN).