全偏振参量低秩稀疏分解伪彩色图像融合

偏振图像伪彩色融合对提高视觉感知和目标判读具有重要意义,利用空间调制型全偏振参量矩阵的低秩和稀疏特性,提出基于贝叶斯概率鲁棒性矩阵分解融合方法。首先,根据偏振调制和解析算法构造偏振参量矩阵,同时合成强度图像;其次,对参量矩阵进行基于改进的贝叶斯概率参量矩阵分解,降低背景噪声和亮度变化等干扰,分别获得参量图像的稀疏和低秩成分;然后利用方差、清晰度和信息熵进行模糊积分,获得显著性参量图像,与合成强度图像一起进行像素级增强;最后,经直方图规定化和IHS颜色映射,得到伪彩色融合结果。实验选择多种材质与目标的仿真和实测数据进行验证,通过主观视觉效果和客观指标比较,验证了其有效性。     

基于神经网络的图像描述方法研究

自动识别和描述图像的内容是人工智能中一个重要的研究方向,它涉及计算机视觉和自然语言处理技术。针对这一难题,提出了一种由深层神经网络模型生成自然语言句子来描述图像内容的方法。该方法提出的模型由卷积神经网络(Convolution Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)组成,其中,CNN用来提取输入图像的特征生成固定长度的特征向量,该特征向量初始化RNN来生成句子。在MSCOCO图像描述数据集上的实验结果表明了该模型所生成句子的语法准确性和语义准确性,且优于先前的基线模型。     

基于漫水填充的图像骨架提取方法

针对当前图像骨架提取存在毛刺现象和骨架冗余的问题,提出基于漫水填充的图像骨架提取方法。对目标图像预处理,得到阈值化二值图像,分割出前景和背景;构建掩模图像和轴线图,为后续运算过程提供数据来源和判断依据;通过遍历水平面灰度直方图,模拟漫水过程,收缩掩膜图像的前景轮廓,根据邻域连通分量变化,确定是否为骨架特征点,待轮廓收缩完毕,得到图像骨架。实验验证表明,该方法可以有效地提取图像骨架,毛刺现象和冗余结构明显减少,执行速度快。     

基于背景重建的高光谱图像异常检测

针对高光谱图像异常检测中背景信息与异常目标信息难以有效区分,背景预测精度不佳的问题,提出一种新的基于背景重建的高光谱图像异常检测算法。通过字典学习方法获取高光谱图像背景光谱字典,并利用该字典对待检测图像进行稀疏重建,得到预测背景图像。将预测背景图像与原始图像做差后得到残差图像,进而利用局部RX检测算法对残差图像进行遍历,实现异常目标检测。通过对真实高光谱图像场景进行实验,证明了算法的有效性。     

形象思维在医学英语术语命名中的应用

形象思维在医学英语术语的命名中发挥着重要的作用。借助植物、动物、自然现象、物品、古希腊罗马神话中的人物形象对医学英语术语进行命名,可以增加医学英语术语的美感、趣味性和准确性,利于理解和记忆。     

多任务深度卷积网络的CT图像方向校正

针对医学电子计算机断层扫描(CT)图像方向校正问题,提出一种并行卷积回归(PCRN)多任务深度学习网络.通过侧旋角度正回归和翻转概率逻辑回归,求得校正参数来精准地校正图像.进一步,针对医学图像训练样本稀缺的情况,提出一种串行回归(SCRN)的深度学习架构,弥补并行卷积回归网络在小样本情况下校正精度不足的问题.实验结果表明:在样本充分,并行卷积回归网络和样本稀缺情况下,串行卷积回归网络对小角度偏转、大角度偏转和翻转的腹部CT图像校正结果都优于传统的配准方法.     

基于Java跨平台数字图像处理技术的塞曼效应实验软件改进

基于Java跨平台数字图像处理技术,对塞曼效应实验CCD图像处理软件进行了开发与改进.测试结果显示,所开发的图像处理软件能很好地实现跨平台作业,且由于采用多点拟合代替原系统中的3点拟合,进一步提高了实验精度.     

基于支持向量机和用户反馈的图像检索算法

针对当前图像检索算法存在精度低、 实时性差等不足, 为了获得更理想的图像检索结果, 提出一种基于支持向量机和用户反馈机制的图像检索算法. 首先采集大量图像, 提取图像检索的相关特征, 建立图像检索特征库； 然后采用支持向量机计算待检索图像特征与图像检索库特征之间的相似度, 确定图像类别, 实现图像的初步检索； 最后引入用户反馈机制对图像的初步检测结果进行精细比对, 并与经典图像检索算法进行对比实验. 实验结果表明, 该方法的图像检索精度超过90%, 图像检索误差远小于经典图像检索算法, 提高了图像检索效率.     

快速和尺度稳健的纹理图像识别

传统的纹理图像识别方法很难同时获得较好的识别精度、实时性和尺度稳健性,不利于实际的工程应用.因此,提出一种快速和尺度稳健的纹理图像识别方法.该方法首先利用高斯滤波构造一个纹理图像的多尺度空间,然后利用完备的局部二值计数(Completed Local Binary Count,CLBC)算法对多尺度空间中的每个图像提取局部二值特征,并跨尺度提取局部二值特征的最大值,再将多个分辨率的特征相结合作为纹理图像的最终特征描述,最后利用最近子空间分类器(Nearest Subspace Classifier,NSC)判定纹理图像的类别.在基准纹理图像数据库上的实验表明,该方法在识别精度、实时性和尺度稳健性方面获得了很好的综合性能,有利于实际的工程应用.     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.