模糊规则自适应学习的弹性图像配准

针对弹性图像配准的特点和挑战,基于模糊逻辑推理规则构建了一个具有自适应功能的弹性变换模型.进一步地,提出了一种具有自适应学习功能的自动弹性图像配准方法.通过对医学图像进行配准试验来测试其性能,提出的新弹性图像配准算法显示出了很好的性能.     

航空影像自动配准技术浅析

图像配准技术正在被得到越来越广泛的应用,所涉及到的领域已经包含了遥感、自动目标识别、智能机器人和医学图像处理等等。通过在上述领域中的不断应用,图像配准技术受到了广泛的关注。鉴于此,本文选择航空影像自动配准技术为研究对象,针对相关问题进行了分析与阐释。文章首先分析了待配准影像坐标变换模型,然后阐述了仿射变换参数的最小二乘解,在分析航空影像图像重采样的基础上最后介绍了航空影像图像配准基本方法的步骤。希望本文的研究能够为航空影像自动配准技术的进一步研究和应用提供指导和帮助,同时对于相关领域的其他研究也能起到抛砖引玉的作用。     

模糊规则自适应学习的弹性图像配准

针对弹性图像配准的特点和挑战，基于模糊逻辑推理规则构建了一个具有自适应功能的弹性变换模型．进一步地，提出了一种具有自适应学习功能的自动弹性图像配准方法．通过对医学图像进行配准试验来测试其性能，提出的新弹性图像配准算法显示出了很好的性能．     

一种新的图像配准分类方法的研究

为了更好的理解和分析图像配准技术,本文基于图像配准结果和目的的不同,提出了一种新的图像配准分类方法,将其分为运动估计和融合两类,突破了传统的基于算法分类方法的界限,站在一个全新的角度去理解图像配准技术,在每一个分类下,分别阐述了常用算法,以及提出当前新颖的研究方法,并分析了每一分类的具体应用,为后续的图像处理、拼接、重建等工作做出详细的准备。     

一种新的图像配准分类方法的研究

为了更好的理解和分析图像配准技术,本文基于图像配准结果和目的的不同,提出了一种新的图像配准分类方法,将其分为运动估计和融合两类,突破了传统的基于算法分类方法的界限,站在一个全新的角度去理解图像配准技术,在每一个分类下,分别阐述了常用算法,以及提出当前新颖的研究方法,并分析了每一分类的具体应用,为后续的图像处理、拼接、重建等工作做出详细的准备。     

基于模板的颅脑图像基准点自动定位方法

基于标记的图像配准是现实中最常用的配准方法之一。在配准过程中,一般使用完全固定在头骨皮肤上的外部基准标记。基于模板的全自动图像配准的关键在于无需人工选择即可确定基准点的坐标。提出了一种基于模板的颅脑图像自动基准定位算法和技术,具有快捷、自动、准确的特点,实施过程包括以下三个步骤:边缘图构建,基于曲率的候选基准点检测,基于模板的基准点检测。实验结果说明该方法有助于实现基于基准点的全自动图像配准,相较于专家人工选择,具有广阔的应用前景。     

基于样条小波和混合遗传算法的多源图像自动配准算法

为实现图像自动配准,需要确定初始变换参数,为此提出图像特征线和图像特征圆的概念,基于仿射变换模型,推导了确定图像自动配准初始参数的算法,并基于B样条小波和混合遗传算法求取最终的多源图像配准参数.实验结果表明,该算法可实现图像的自动配准,证明了该算法的有效性.     

弹性的二维医学图像配准算法

提出了一个弹性二维医学图像配准算法,该算法将基于像素浓度值配准算法和基于特征点的配准算法相结合,采用自动的特征点定位算法,使用薄板样条算法来提高配准的精度,从而可以对二维医学图像进行自动、准确的配准。首先,用基于像素浓度值的全局仿射配准实现对鲁棒配准的初始估计;然后,通过使用基于特征点的迭代配准算法,使得全局仿射配准结果在第2步配准算法中得到进一步的细化而使其配准结果具有更高的准确性。对二维PHANTOM图像的实验结果表明,该算法具有鲁棒性。     

多传感器遥感图像配准方法研究

目的对来自多传感器的同质或异质遥感图像进行自动配准。方法对传统的相关系数相似性量度进行深入分析,通过对其推广,提出一种也适用于异质遥感图像相似性度量的基于联合概率的方法,并通过具体的图像进行实验验证。结果利用基于联合概率的相似性度量方法分别实现了同质图像间、异质图像间的配准。结论利用基于联合概率的相似性度量方法可以很好地对多传感器异质图像进行自动配准,并且自动寻找同名点的精度,使其可达到子像素级。     

一种用于多模态心脏图像配准的统计形状模型构建方法

统计形状模型构建的关键在于训练集样本形状的构造和形状特征点的自动提取.针对多模态心脏图像的配准问题,提出了一种统计形状模型的构建方法.模型的构建过程主要通过图谱标签图像训练集的建立、模板标签图像形状特征点的提取和模板形状到待标记图谱形状特征点的自动传递来完成.并在此构建方法的基础上,建立左心室统计形状模型引导多模态图像配准过程.为评估构建方法的有效性,使用心脏CT和MR图像数据集进行多模态配准实验验证.结果表明,基于统计形状模型约束的方法较仅靠互信息的方法在配准精度上有明显提高.     

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。     

小样本学习在高分遥感影像分类与识别中的应用

遥感影像分类与识别是近年来深度学习以及图像分类与识别研究的热点,其中一个关键问题是因样本数据集的数据较少而极易出现过拟合。许多图像分类的模型和方法并不完全适用于遥感影像分类,将小样本学习与遥感影像处理结合起来,实现遥感影像数据增强和识别模型优化是一个可行的思路。根据小样本学习的发展现状,针对特征提取、模型分类方法,归纳总结了典型学习方法的原理及其在相关领域的应用; 分析遥感影像处理的现状和存在问题,基于适用场景、优缺点对各方法进行了比较; 通过分析小样本学习在高分遥感影像分类与识别上的应用,发现引入注意力机制和迁移学习后,小样本学习能够用于样本数据量小的遥感影像分类。     

可调型Ising模型及其在高分辨率影像主干道提取中的应用

结合基于随机场理论的影像分类技术,提出高分辨率影像的主干道提取算法.在影像分类时,通过Ising模型将像元空间上下文关系融入到分类中.为避免由Ising模型的边缘模糊现象,对该模型进行了改进,并提出可调型Ising模型.新模型通过对边缘处和区域内的像元施以不同强度的类型平滑操作,不仅避免了边缘模糊现象,而且还有效地屏蔽了主干道区域内噪声和细节信息的干扰,提高了分类结果中该区域的完整性.最后,根据几何形状特征在分类结果中对主干道进行提取.结果表明:相比基于K均值聚类法和基于Ising模型分割算法的提取结果,本文算法在区域完整性和边缘类型判别精确性等方面均有较大程度的提高.     

基于注意机制和循环卷积神经网络的细粒度图像分类算法

细粒度图像分类是计算机视觉中非常热的研究方向.由于同一个大物种的子类别之间具有相似的外观,相似的颜色,所以差别非常细微.因此,细粒度图像分类非常具有挑战性.为了解决这个挑战,该文提出一种基于注意机制的循环卷积神经网络用于细粒度图像分类.首先,根据注意机制循环提取一幅图像中的显著性物体区域;然后,对原始图像和每次提取的显著性区域分别进行分类;最后,融合分类层得分,进行最终分类.在非常有挑战性的公共数据集CUB-200-2011,Stanford Dogs和Stanford Cars上进行实验,与比较先进的实验方法进行比较,实验结果表明该文提出的方法非常有效.     

图像边缘检测研究进展

 图像边缘是图像的最基本和最重要的特征之一,它包含了位置、轮廓等许多有用的信息,为人们描述或识别目标及解释图像提供了一个重要的特征参数。边缘检测是图像处理、图像分析和计算机视觉领域中最经典的研究内容之一,是进行模式识别和信息提取的基本手段。已有的图像边缘检测方法很多,但每种方法都尚有不足之处,在某些情况下仍不能检测到目标物体的最佳边缘,未形成一种普遍适用的边缘检测方法。因此边缘检测一直是图像处理与分析技术中的研究热点,其新理论、新方法不断涌现。对已有方法进行改进,或是按照具体要求设计新方法,是目前边缘检测领域研究的主导方向。本文阐述了边缘检测的研究意义,总结了图像边缘检测的基本思想和检测出的边缘的一般要求,回顾了边缘检测的各种方法,分析了这些方法的优点和存在的不足,总结了边缘检测的最新发展方向。最后分析了现有的边缘评价方法的特点,为边缘检测进一步的研究和应用提供参考。     

光照条件变化下的图像生成方法

提出了两种图像生成的方法：(1)由图像分割、三维重建和投影生成构成。该方法考虑了图像中各部分表面发射模型的差异，通过将图像各区域向1分成朗伯表面和镜面反射，分别进行三维重建，然后融合两结果，改变光照方向和强度，投影生成新的图像；(2)将Shape from shading和Shape from texture技术融合起来。采用Gabor滤波器将图像中的纹理成分和阴影成分区分开来，再用两种方法各自生成三维立体图像，依据它们的特性在频域融合两个三维图像，然后再改变视角和光照的强度、方向，生成仿真的二维图像。实验表明，由该两种方法恢复出的形状优于传统的估计方法，生成的图像真实感强。     

我国植被数量分类和排序研究进展

植被数量分类和排序是现代植被研究的重要手段。在过去的２０多年中,我国植被数量分类和排序不仅在应用领域有了很大发展,而且在新方法的探索中,也取得了长足的进步。本主要论及我国植被数量分类和排序的研究概况,着重评述近年来出现的新方法及其应用,并对我国植被数量分类和排序的发展前景及目前所存在的问题进行了分析。     

面向细粒度分类的预测属性引导的注意力研究

细粒度图像分类任务比一般图像分类任务更具有挑战性,其通常需要对类间差异小、类内差异大的样本进行分类.现有细粒度分类方法主要依赖视觉特征进行分类,而人类可以根据文本描述等属性描述来辅助识别图像类别.该文提出了一种通过预测属性引导的通道注意力模块,该模块可以插入到任意的卷积神经网络中,从而让模型学习到更高级的特征表示.最后,该算法在CUB-200-2011数据集上测试,在使用Resnet-50、VGG-19、Bilinear-CNN作为主干网络训练时的精度分别达到87.1%、82.1%、85.5%,精度得到显著提升.     

基于分层时序模型的步态识别算法

以隐马尔可夫模型和动态纹理模型为代表的动态贝叶斯网是描述步态序列的重要方法,但都存在一些不足之处.提出了一种新的动态贝叶斯网——分层时序模型,该方法采用分段线性逼近非线性和用各段的动态纹理模型作为隐状态,将隐马尔可夫模型和动态纹理模型做了结合,充分发挥了其优势.该方法在CMU Mobo步态数据库和CASIA步态数据库B上做了评估,结果充分显示了分层时序模型的高性能.     

基于全变差和P-Laplace模型的混合图像修复算法

图像修复是近年来图像处理研究的主要问题之一.在基于偏微分方程的修复算法中,全变差(total variation,TV)模型能够很好地保护图像边缘信息,但其各向异性扩散方式在平坦区域容易产生阶梯效应;而在图像平坦区域具有良好修复效果的P-Laplace模型,其各向同性扩散方式不适于修复图像边缘信息.将TV模型和P-Laplace模型有机结合起来,提出了一种混合图像修复算法.提出的扩散控制参数k能够根据待修复像素所在区域调节两种信息扩散方式的重要程度,实现混合图像修复.实验结果表明,所提算法获得了更好的修复结果.