一种基于区域分割的多传感器图像融合方法

针对传统像素级图像融合方法割裂像素间联系的问题，提出一种基于区域分割的图像融合方法．在图像配准的基础上进行区域分割，提取显著性因子和可见性因子作为区域特征，自适应地确定融合权值以得到融合图像．该方法克服了传统像素级融合方法中融合图像模糊、对噪声敏感等不足，尤其适用于图像没有严格配准的应用场合．实验结果表明，与小波变换融合方法相比，均方根误差减小了33％～36％，灰度标准差提高了0．9％～53％，互信息提高了39％～42％，空间频率提高了0．3％～38％，客观评价准则与目视效果吻合良好．     

基于二维灰度直方图的最小模糊熵分割方法

本文在一维最大模糊熵分割方法的基础上，根据图像目标和背景内部像素灰度值的一致性和集中性，提出了一种新的图像分割隶属度函数，从而得到最小模糊熵分割方法．本文还针对传统的基于一维灰度直方图的模糊熵分割方法不能反应图像的空间信息，抗噪声能力差的缺点，提出了基于二维灰度直方图的模糊熵分割算法．本实验结果证明，最小模糊熵分割方法对于某些图像的分割效果要好于最大模糊熵分割效果，而二维分割方法对于绝大多数图像，都具有很强的鲁棒性和抗噪能力，分割效果明显优于一维的方法，而且方便地推广到其他的一维熵分割方法中。     

山苍子带芽茎段的组织培养

以山苍子(Litseacubeba)带芽茎段作为外植体进行组织培养实验。实验以MS为基本培养基,按不同比例添加激素,配制成3种培养基:MS+2,4-D0.5mg/L+6-BA2.0mg/L,MS+2,4-D1.0mg/L+6-BA2.0mg/L,MS+2,4-D0.5mg/L+6-BA3.0mg/L,MS+2,4-D1.0mg/L+6-BA3.0mg/L,MS培养基作为空白对照,在暗培养和光照培养条件下进行愈伤组织和芽的诱导分化。结果显示:MS+2,4-D1.0mg/L+6-BA2.0mg/L为诱导愈伤组织的最好培养基,诱导率最高,达55.6%;MS+2,4-D0.5mg/L+6-BA3.0mg/L为最好的萌芽培养基,萌芽率最高,达60%;MS+2,4-D1.0mg/L+6-BA3.0mg/L为最好的丛生芽增殖培养基,增殖系数达8±1.4。     

龙牙蕉离体培养与植株再生的研究

为龙牙蕉短期内能获得大量种苗,应用离体培养技术进行种苗快繁,获得龙牙蕉(Musaspp.Longyajiao)吸芽离体培养试管植株,在MS+6 BA8mg·L-1+ADS30mg·L-1培养基中,诱导不定芽的分化效果较好,且生长正常.不定芽在1/2MS+6 BA2-3mg·L-1+NAA0 1mg·L-1培养基中诱导生根.在假根移植中,组培苗全部移栽成活.     

组织培养过程中污染和褐化的防治

分析了植物组织培养过程中造成污染(真菌污染、细菌污染和潜伏性污染)和褐化的主要原因，同时提出了克服污染和褐化的若干具体措施．     

一种基于背景记录和变化检测的视频对象分割算法

MPEG—4引入视频对象的概念，以支持基于内容的操作．视频对象分割是MPEG—4成功与否的关键因素之一．该文提出了一种基于背景记录和变化检测的视频分割算法．通过背景记录，它可克服常规的变化检测算法存在的对阴影和亮度变化敏感的缺点．实验结果表明，它可应用到各种视频序列，并能快速得到准确的分割结果．     

仿生物组织透射光偏振特性的实验研究

该文在实验上研究了线偏振光经生物组织的传输后偏振特性的变化。选择Intrialipid悬浮液作为实验用仿生物组织样品，并利用Beam Profile2350测量了线偏振的He—Ne激光照射不同浓度、不同厚度的仿生物组织样品时透射光经过检偏器后的光场空间分布。根据不同的检偏角度下透射光的空间分布状况，分析了透射点位置坐标、样品浓度和厚度对透射光退偏程度的影响。     

运动车辆图象序列的分割与跟踪

结合现代通信手段，提供了诸如查量导航，交通监控，辅助驾驶和智能收费等多种服务，解决了如何从系列图象中进行车辆的提取，跟踪车辆以及运动参数的估计，道路车辆的状态信息的获取问题，有利于帮助提高道路的设计方案，规划路线，缓解车辆阻塞，减少出行时间。     

基于Snake模型的图像目标轮廓自动跟踪方法

针对实验数据像素灰度的分布特点，提出了一种对目标轮廓线进行有效和可靠的搜索和跟踪策略．由于数据中病变组织与其邻近组织像素灰度差别相对明显，首先通过来用一种改进的轮廓自动跟踪方法对目标轮廓进行跟踪，将得到的轮廓线经采样得到其离散控制点作为Snake轮廓搜索和跟踪算法的输入，既克服了Snake方法对初始轮廓线控制点分布的局限性，又避免了采用单一轮廓跟踪方法跟踪目标轮廓线的不确定性，提高了分割病变组织的速度和准确性，此方法具有较高实用意义。     

Classification of Medical Brain Images

Since brain tumors endanger people‘s living quality and even their lives, the accuracy of classification becomes more important. Conventional classifying techniques are used to deal with thosedatasets with characters and numbers. It is difficult, however, to apply them to datasets that include brain images and medical history (alphanumeric data), especially to guarantee the accuracy.For these datasets, this paper combines the knowledge of medical field and improves the traditional decision tree. The new classification algorithm with the direction of the medical knowledge not only adds the interaction with the doctors, but also enhances the quality of classification. The algorithm has been used on real brain CT images and a precious rule has been gained from the experiments. This oaoer shows that the ahzorithm works well for real CT data.