基于二维离散小波的生成图像鉴别方法

针对传统基于神经网络的计算机生成图像鉴别方法中存在鉴别难度大和准确率低的问题, 提出一种采用基于小波变换的计算机生成图像鉴别方法. 首先在进行图像多维小波特征提取时, 通过一次分解二维离散小波变换提取图像小波特征, 根据图像小波特征进行n级小波分解提取图像多维小波特征向量; 然后通过三维变换域波去噪算法（BM3D）提取计算机生成图像噪声特征; 最后采用支持向量机(SVM)分类器对计算机生成图像进行鉴别, 通过SVM分类器对图像多维小波特征和噪声特征进行分类, 以解决两种特征融合形成线性不可分的高维特征问题, 从而实现计算机生成图像的准确鉴别. 实验结果表明, 该方法在鉴别计算机生成图像时具有更高的准确性和稳定性.     

基于改进局部二值模式和梯度特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法存在的计算复杂度高及检测率低等问题, 提出一种改进局部二值模式和梯度特征的计算机生成图像鉴别算法. 该算法主要基于图像的局部纹理特征, 先提取计算机生成图像和自然图像的特征向量, 再将该特征利用SVM分类器进行分类. 实验结果表明, 该算法可有效地鉴别计算机生成图像和真实图像.     

基于卷积神经网络的病理细胞核分割

针对病理图像中细胞核的精准分割问题,结合全卷积网络框架和高分辨率网络框架的特点,提出一种卷积网络对细胞核进行自动精准地分割;基于稀疏非负矩阵分解的方法将具有严重颜色分布差异的病理图像进行颜色分布归一化,以归一化后的图像为输入,利用所提出的卷积网络对细胞核进行分割;该网络通过减少下采样算子的使用,使图像信息在前向计算过程中不会过分丢失,并使用扩张卷积扩大深层神经元的局部感受野尺度大小;所采用的分割方案在2017年MICCAI病理数字图像分割数据集中达到0. 848的平均dice分数;实验表明,融合全卷积网络框架和高分辨率网络框架的卷积网络在病理图像中实现了细胞核自动精准的分割,可以有效减轻影像医师的工作负担。     

一类复平面内二阶微分方程解的渐近式

针对如何求解一类复平面内满足一定初始条件下的二阶微分方程的通解和特解,以及微分方程特解及其导数在不同区域内渐近表达式的问题,提出了利用积分方程理论和微分算子中特征值和特征函数渐近理论推导并证明了相关结论;通过在积分方程中引入满足特定条件的积分核的方法证明了积分方程解的有界性和连续性,从而为后续结论的推导证明提供了理论支撑,另外通过引入一类性质很好的广义积分函数并通过迭代逼近的方法给出了微分方程特解及其导数在特定区域内的渐近表达式;根据所得结果可知,微分方程特解的渐近式的精度得以提高,同时探讨了进一步提高微分方程特解的渐近式精度的方法.     

不同预处理方法结合特征的食管癌图像分类

为了探讨不同的预处理方法,结合形状和纹理特征,对新疆哈萨克族食管癌图像的分类效果,通过采用锐化、中值滤波结合锐化和中值滤波结合直方图均衡化三种方法对溃疡型和缩窄型食管癌图像进行预处理;然后提取Hu不变矩形状特征和灰度共生矩阵纹理特征;最后用K最近邻(KNN)分类器分类,以验证预处理方法对图像的功效和特征的分类效率。结果表明:锐化预处理后图像的Hu不变矩、灰度共生矩阵和混合特征分类准确率分别为93. 27%、73. 35%、92. 91%。可见锐化方法能突出图像细节,提高特征的代表性; Hu不变矩形状特征的分类效率优于灰度共生纹理特征的分类效率,锐化滤波结合Hu不变矩形状特征更适合新疆哈萨克族食管癌的分类研究。     

基于非凸范数的低维图像去噪问题研究

基于传统低秩去噪模型,利用非凸函数对模型中的秩函数进行替换,取得了对秩函数更好近似的效果.对于非凸问题的求解,利用凹函数超梯度定义,对原始问题进行松弛,得到松弛问题的显式解.实验表明,提出的非凸去噪方法相比传统方法具有更好的去噪效果.     

基于傅里叶描述子的图像检索技术研究

物体的形状分析和识别是模式识别的重要研究方向,其中傅立叶描述子是其重要方法之一,归一化傅立叶描述子具有旋转、平移、放缩不变性和对起始点的选取不敏感的特点.利用傅里叶描述子对二值图像轮廓进行处理得到特征向量,在获得特征向量后,对待检索图像的特征向量和数据库中的图像用过使用相关系数的度量方法进行相似性比较.在P100数据库上进行实验,通过对实验结果进行分析,表明傅里叶描述子在图像检索准确率方面与保留傅里叶描述子点个数的多少有很强的相关性.     

面向多模态图像的广义辅助相关投影方法

多模态图像是同一目标的多种图像,面向多模态图像的子空间投影是机器视觉领域的热门研究课题,然而已有的多模态子空间投影仅仅利用投影方向来实现测试样本的子空间投影,忽略了测试和训练样本间的近邻关系,这种关系能够有效增强识别性能。为此,基于相关分析理论和图的光滑性准则,提出了一种新的广义辅助相关投影方法,即多模态广义辅助相关分析,该方法能够从多模态训练样本中学习每个模态对应的相关投影方向,并利用光滑性辅助的广义优化模型,显示地嵌入了测试和训练样本之间的局部结构信息,从而有效增强了相关特征的鉴别力。大量的实验结果已经展示了该方法的优越性。     

紫色土彩色图像的H阈值分割

【目的】将研究对象紫色土自然断面图像从复杂背景中分割出来,以消除复杂背景的影响,为对紫色土视觉图像进一步分析处理、识别打下基础。【方法】通过对紫色土自然断面图像统计分析,证明它的H域有良好的聚集特征,且在95%和97%置信点近似于正态分布;因此,根据正态分布确定紫色土壤自然断面的H阈值,分割紫色土壤自然断面图像。【结果】用获得的二值分割图像与原图像计算哈达玛积,分割提取出了完整的紫色土自然断面区域图像。【结论】算法分析及仿真实验显示:相对于对比算法,新的算法分割速度更快,分割提取出的紫色土自然断面图像更完整;该算法有效。     

基于深度学习的图像超分辨率重建方法综述

图像超分辨率重建(super-resolution, SR)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在目标检测、医学成像和卫星遥感等领域都有着重要的应用价值.近年来,随着深度学习的迅速发展,基于深度学习的图像超分辨率重建方法取得了显著的进步.为了把握目前基于深度学习的图像超分辨率重建方法的发展情况和研究热点,对一些最新的基于深度学习的图像超分辨率重建方法进行了梳理,将它们分为两大类(有监督的和无监督的)分别进行阐述.然后,在公开的数据集上,将主流方法的性能进行了对比分析.最后,对基于深度学习的图像超分辨率重建方法进行了总结,并对其未来的研究趋势进行了展望.