医学图像融合技术研究综述

介绍医学图像融合的意义和医学图像融合的方式，提出图像数据转换，图像数据相关，图像数据库和数据理解是实现医学图像融合需要解决的关键技术和技术难关，重点介绍图像配准的方法及其研究现状，并结合作者的经验，分析如何利用小波变换技术对图像进行信息融合，直观地从整体上阐述医学图像融合技术。     

用于图像检索的稳健Hash

针对图像检索应用，提出一种稳健的图像Hash方案，先规格化图像尺寸，然后对图像作非负矩阵分解得到可近似表示图像的一个基矩阵和一个系数矩阵，将系数矩阵各列元素累加，并对和进行量化得到构成图像Hash序列的1bit信息，图像Hash长度等于系数矩阵的列数，实验结果表明该方案对JPEG压缩、低通滤波、缩放、亮度和对比度调整具有良好的稳健性，对图像场景的局部变化不敏感，能较好地区分不同图像，因而可用于面向对象的图像检索。     

图像自动配准初始参数确定

为了实现图像自动配准，需要确定初始变换参数，为此提出了图像特征线和图像特征圆的概念。以仿射变换作为图像配准变换模型，由Harris角点检测法确定图像特征点，由图像特征点求取图像特征线和图像特征圆，根据该特征线和特征圆洋细推导了图像自动配准初始参数的确定算法。根据以上算法实现了图像自动配准，证明了该算法的有效性。     

矩阵分解理论在数字图像处理中的应用

本文以矩阵与图像处理的知识为基础，结合一些已有的图像变换和图像加密的方法，针对图像变换和图像加密的方法做一些深入的研究和改进，争取能在图像变换和图像加密的方法上有所突破。     

机械图像的识别与重构

为了得到机械图像的准确识别和重构，在研究机械图像相互转换原理的基础上，提出了基于知识和邻接关系的机械图像综合识别方法和机械图像的等间距３次样条重构方法，并针对机构图像的特点，对其３次样条重构方法进行了修正。最后，对典型的时域机械图像和频域机械图像实例进行了识别和重构。研究结果表明，该方法是准确和有效的。     

一种基于服务机器人的视觉系统设计

通过采用图像传感器0V7635采集图像，帧存储器AL422B进行数据缓存，CPLD控制时序，DSP进行图像处理，构建了一个图像采集的硬件系统．在图像软件处理中，采用闽值向量判断法和改进的种子填充法来完成彩色图像的识别和分剖，在分割中计算图像的几何矩，利用全局图像的几何矩特征量构建图像雅可比矩阵，并用推导的图像雅可比矩阵完成一个图像反馈与目标运动自适应补偿的视觉跟踪系统．系统采用了TFT液晶来直观显示视觉识别和跟踪的效果．     

基于灰度与边缘的图像分割方法

提出一种基于多图像信息的图像分割方法，利用Ｂａｙｅｓ分类准则，根据每个像的多图像信息向量将其分为目标或背景，并对动态图像组成的图像序列或静态图像的分割给出了不同的像素分类准则，同时给出了硬件实时实现的原理。该方法适用于图像序列，低对比度图像和其它难于用一种图像信息分割的图像，实验证明了该方法的有效性。     

基于图像块鲁棒抑制式模糊C均值图像分割

考虑到无损检测图像具有易受噪声干扰且目标占图像面积较小的特性，以图像块为基本单元，提出一种较强鲁棒性和自适应性的抑制式模糊C均值算法用于无损检测图像的分割.首先，对图像块内像素的权重进行自适应确定，其权重受图像块内像素的空间距离和灰度值大小的影响；然后构建了图像块的模糊不确定性模型，并以图像块为基本单元将其引入至新的目标函数并进行求解，给出算法的执行流程；最后采用无损检测图像进行实验，结果显示所提出的算法具有较好的鲁棒性和有效性.     

基于GAN的浮选泡沫图像压缩与超分辨率重建

为了解决浮选过程中由于浮选泡沫图像像素高导致的工业现场无法大量保存离线泡沫图像数据的问题，提出了先进行有损压缩图像储存，再对其进行超分辨率重建的方法。该方法采集浮选槽泡沫的无损图像，通过下采样降低图像的分辨率，使用JPEG压缩算法对图像进行压缩。重建时，先使用低分辨率图像和高分辨率图像对生成对抗网络(GAN)进行训练，然后使用GAN对有损图像进行超分辨率重建，恢复图像细节特征，在得到能够满足工业生产所需要的图像质量的同时，大幅减少图像储存所需的存储空间。     

图像工程及在中国的研究状况和文献分布

文章对图像工程这一新学科的定义和内容作了介绍，对图像工程的理论和图像技术的应用给出了详细的分类。本文在此基础上就近五年我国图像工程有关重要文献作了统计和分析，概括了图像工程在我国的发展现状、研究趋势和应用范围，对从事图像工程研究和图像技术应用的人员提供信息和参考。     

基于残差神经网络的高强度运动超分辨率图像重构

针对实际拍摄的亚像素信息较少的低分辨率运动图像,重构图像通常较为模糊,甚至不能分辨。为此,提出一种新的基于残差神经网络的高强度运动超分辨率图像重构方法。令沿运动方向的亮度保持恒定,通过光流场匹配实现高强度运动图像的运动估计;根据运动估计结果和超分辨率重构的基本思想,将BP神经网络看作残差神经网络的基础建立残差神经网络,对残差神经网络进行训练,参照训练样本将经插值法放大若干倍的待重构高强度运动图像作为输入,将高分辨率图像和输入图像间的残差作为输出,把输入和输出累加获取超分辨率图像,实现若干放大倍数高强度运动超分辨率图像的重构。实验结果表明,所提方法运动估计准确,重构图像清晰、质量佳。     

Surface Quality Evaluation of Fluff Fabric Based on Particle Swarm Optimization Back Propagation Neural Network

Aiming at the problem that back propagation(BP) neural network predicts the low accuracy rate of fluff fabric after fluffing process,a BP neural network model optimized by particle swarm optimization(PSO) algorithm is proposed.The sliced image is obtained by the principle of light-cutting imaging.The fluffy region of the adaptive image segmentation is extracted by the Freeman chain code principle.The upper edge coordinate information of the fabric is subjected to one-dimensional discrete wavelet decomposition to obtain high frequency information and low frequency information.After comparison and analysis,the BP neural network was trained by high frequency information,and the PSO algorithm was used to optimize the BP neural network.The optimized BP neural network has better weights and thresholds.The experimental results show that the accuracy of the optimized BP neural network after applying high-frequency information training is 97.96%,which is 3.79% higher than that of the unoptimized BP neural network,and has higher detection accuracy.     

忆阻神经网络图像处理综述

忆阻神经网络能有效改善传统神经网络电路复杂、不易集成以及能耗大等不足。概述了忆阻器与忆阻神经网络,以及目前忆阻神经网络在图像处理方面的应用。基于忆阻特性,实现神经网络突触的动态可变,使忆阻神经网络比传统神经网络在图像处理领域具备更多优势且应用范围更广。同时,展望了忆阻神经网络未来发展前景。     

基于卷积神经网络的高光谱图像谱-空联合分类

随着深度学习的发展,卷积神经网络在各种视觉任务中都具有优越的性能;特别是在二维图像分类上,更是获得了很高的分类精度。针对于高光谱图像分类问题,设计了一种新的卷积运算;利用高光谱图像谱-空联合信息建立三维卷积神经网络对其进行分类;并针对高光谱图像样本不均匀性,在网络输出不同类别加入不同的权重加以训练。通过对两个公开高光谱图像数据集的测试,相对于传统方法,能够得到更高的分类精度,表明卷积神经网络对高光谱图像具有更强的特征表达能力。     

基于深度神经网络的手写数字识别模拟研究

当前图像识别大多采用基于特征提取的传统机器学习方法与卷积神经网络的方法,但传统图像识别技术需要手动提取图片特征,而卷积神经网络对硬件要求高,训练时间长等。针对以上问题,本文提出基于深度神经网络模型的手写体图像识别方法,让机器自动学习特征,并在此基础上,通过改进成本函数,加入dropout防止过拟合,来提高手写数字识别的识别率。仿真实验对比结果表明,基于深度神经网络模型的方法比当前传统算法的识别率提高了3.41%,有效解决了人工识别费力耗时问题,对手写数字的研究具有重要意义。     

基于神经网络的小波变换矢量量化图像压缩

根据神经网络的特性，提出了一种基于小波变换的矢量量化图像数据压缩方法，基本思路是利用小 变换实现图像的多分辨率分解，用矢量量化（VQ）对分解后的图像进行编码，利用神经网络做矢量量化编码器，从而实现通过神经网络的鲁棒性来加强对某些非典型矢量的容错能力，结果表明，该方法提高了整个系统的性能，最终提高了重构图像的质量。     

基于卷积神经网络的图像分类研究进展

基于卷积神经网络的图像分类算法的优势是传统方法无法比拟的。卷积神经网络利用其设计好的网络结构和权值共享的特点,能够从数量庞大的训练数据中学习图像底层到高级语义的抽象特征,而且端到端的学习省去了在每一个独立学习任务执行之前所做的数据标注。多年来,卷积神经网络经过科研人员的探索和尝试,从最开始的多层神经网络模型,演变出多种优化结构,性能不断提高。本文介绍了基于卷积神经网络图像分类算法的研究进展,叙述了卷积神经网络在图像分类中的经典模型和近年来的改进方法,并对各个模型进行分析,展示各种方法在ImageNet公共数据集上的性能表现,最后对基于卷积神经网络的图像分类算法的研究进行总结和展望。     

基于细胞神经网络超混沌特性的图像加密

 细胞神经网络是高度非线性动力学系统,四阶细胞神经网络能够产生超混沌行为.利用四阶细胞神经网络产生的超混沌特性应用于图像加密.实验结果表明,本方法加密效果好同时具有非常高的安全性.     

The Recognition of Silk Fabric Defects Based on Biorthogonal Wavelet Analysis and SOM Neural Network

A feasible approach fog the recognition of silk fabric defects based on wavelet transform and SOM neural network is proposed in this paper, the indispensable processes of which are defect images denoising and enhancement, image edge detection, feature extraction and defects identification. Both geometrical and textural feature panuneters are extracted from the edge image and the enhanced defect image, and utifize SOM neural network to recognize the common defects which silk fabrics have, including warp- lacking, weft-lacking, double weft, loom bars, oll-stalin. Experimental results show the advantages with high identification correctness and high inspection speed.     

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。