磁共振弥散加权成像涡流失真系统性矫正算法研究

针对基于EPI扫描序列的弥散加权成像技术中存在的涡流失真现象,给出一种基于图像配准的系统性失真矫正方法.矫正过程以非弥散加权图像为参考图像,利用二值蒙版分割图像消除高b值图像脑脊液区域对比度差异影响,在迭代互相关ICC算法基础上结合相邻层的变形参数进行平滑得到系统性配准参数.比较实验表明,结合相邻层信息能减少两两配准带来的矫正误差,得到更好的矫正效果.     

基于NMF图像摘要的Web商品图像检索

提出了一种基于非负矩阵分解图像摘要的图像检索方法.算法首先进行平滑、边框裁剪等图像正规化处理,然后利用非负矩阵分解其灰度图像得到特征系数矩阵,再将其量化构造图像摘要,最后基于最短图像摘要的汉明距离进行图像相似性检索.实验分析结果表明,该摘要对图像多类修改均表现出良好健壮性,查全率和查准率都较基于颜色直方图和基于SIFT特征的方法有较大提高,可较好地满足Web商品图像检索要求.     

多媒体拼图式在线网页编著平台

基于RIA的自由定位界面技术和树型层次性存储技术,设计和实现了一个多媒体拼图式在线网页编著系统,支持非专业用户以拼图的方式实现个人网页制作,以满足web 2.0以用户为中心的个性化服务需求.     

基于LBP-SR的复杂场景人脸识别算法

文章提出一种基于LBP-SR的人脸识别方法.算法首先对原始图像进行高斯滤波和下采样以构造图像金字塔,然后提取金字塔图像的LBP特征,构建由多级LBP金字塔图像的特征直方图组成的多尺度人脸特征,最后将人脸特征投影到谱回归子空间上以完成降维.实验分析表明,LBP金字塔特征具有较强的人脸描述能力,在复杂场景下该算法具有比经典算法更好的识别率,并且有较快的识别速度,可用于实时视频监控.     

一种基于维度约减的快速人脸检测方法

针对视频监控中的高维度和复杂环境的困难,文章提出一种基于主成份分析与Adaboost的视频人脸检测算法．该方法先使用PCA方法对特征空间进行降维,并以PCA特征建立误分率最小化弱分类器,最后使用Adaboost算法提升弱分类器性能,将所有已训练的弱分类器联合成一个强分类器．实验证明,在正面人脸样本和具有复杂表情变化的人脸测试集上,该方法可以得到很好的检测结果．     

多媒体拼图式在线网页编著平台

基于RIA的自由定位界面技术和树型层次性存储技术,设计和实现了一个多媒体拼图式在线网页编著系统,支持非专业用户以拼图的方式实现个人网页制作,以满足web 2.0以用户为中心的个性化服务需求.     

基于YOLOv5s和超声图像的儿童肠套叠特征检测模型

为帮助医生快速寻找到儿童腹部超声中肠套叠的病变特征并实现肠套叠超声诊后数据的快速质检,文章将目标检测算法应用于儿童腹部超声图像检测肠套叠“同心圆”征.首先探索了基于YOLOv5s的儿童肠套叠检测模型,发现该模型检测肠套叠“同心圆”征的精确度、召回率、F₁分数、mAP@0.5、FPS以及参数量等方面均优于Faster RCNN.进一步,为解决肉眼难以观察的“同心圆”征的检测问题,使用双向特征金字塔网络,并将注意力机制加入YOLOv5s网络,形成基于YOLOv5s＿BiFPN＿SE框架的儿童肠套叠“同心圆”征检测模型.该模型检测的精确率、召回率、F₁分数、mAP@0.5分别达到了91.33%、90.73%、91.03%、88.77%,性能更优于YOLOv5s.     

基于ARIMA与SVM混合模型的连续血压预测

由于血压时间序列数据受到多种因素影响,具有时变性、非线性和非平稳性特征,因此利用单一的时序预测模型难以准确描述血压的复杂变化规律.为了提高模型的预测精度,本文提出一种基于差分自回归移动平均(ARIMA)和支持向量机(SVM)的混合预测模型,并利用粒子群优化(PSO)算法优化SVM模型参数.利用养老院血压历史数据对模型进行验证.实验结果表明,基于ARIMA与SVM的混合模型预测精度高,更能全面描述血压时间序列的变化趋势.     

改进Stacking算法在妊娠期糖尿病预测中的应用

本研究提出基于妊娠早期体检、基因信息,结合集成学习的妊娠期糖尿病预测分类方法.设计了基于Stacking框架的改进模型ACS-Stacking.ACS-Stacking模型将基分类器输出的类别概率值作为基层输出结果,元层使用GBDT模型学习组合基层输出的类别概率结果,拓展了算法的层次结构.在基分类器层与元分类器层之间加入基分类器筛选层,通过CFS算法估计不同分类器集合中个体分类器准确性与多样性的权衡值,筛选出最佳基分类器集合,实现基分类器的自适应选择.研究结果表明,该模型F1值较单一模型提高约9%,较Stacking模型提高约7%,具有较好的预测准确性和稳定性.     

基于两阶段深度学习的表格结构识别方法

鉴于在图像中识别表格结构面临着表格样式众多、图像质量各异等难题,提出一种融合表格线与文字块信息的两阶段深度学习框架,以实现少线复杂表格结构的识别.首先,将残差结构引入U-Net语义分割网络中,增强网络传递表格线信息能力,完成表格线的识别;然后,加入文字块位置信息以提高模型识别无线或少线表格结构的能力.该方法在PubTabNet数据集上的树编辑距离(tree-edit-distance similarity, TEDS)评分达到95.95.实验证明,该方法在识别少线表或无线表时表现优秀,并能高效、准确地识别存在合并单元格的复杂结构表格.