基于混合统计模型的DNA序列压缩算法

基于专家模型算法(XM算法)原理和有限上下文混合统计模型估计DNA序列每一个符号的概率,提出一种基于混合统计模型的DNA序列压缩算法.将采用混合统计模型计算出的概率估计应用于算术编码中,对标准DNA序列集的符号位进行压缩编码.实验结果表明,文中提出的混合统计模型能得到比原有限上下文模型更好的压缩效果,且能比其他经典DNA序列压缩算法产生更大的压缩率,弥补基于统计信息的当前较先进的XM算法用于标准DNA序列集时一些数据的不足,但对高通量DNA系列的压缩效果有待提高.     

一种基于NSCT和图像融合的多视点图像编码方法

提出了一种基于相邻视点图像融合的多视点图像编码方法。该方法首先将多幅同一场景的多视点视频图像进行融合,得到一幅含有大部分信息的融合图像、边信息和视差矢量。之后对融合图像作基于NSCT的类SPIHT编,对边信息和视差矢量进行熵编码。该编码方案,通过图像融合,有效降低了多视点视频图像传输和存储过程中的信息量。解码后的图像视觉质量和实验结果表明,该方法能更有效地表示图像的边缘信息,获得比传统编码方法更高的峰值信噪比,具有实践意义。     

几何型哈什法和图象的快速合成

提出用图象特征点的不变量阿芬变换和哈什表索法,实现两幅邻近图象的快速合成,并用实验证明其有效性。     

基于特征层融合和随机投影的行为识别算法

提出一种基于特征层融合和随机投影的行为识别算法;该方法提取视频序列的时空梯度特征和Gabor特征;然后进行特征层融合,得到分类能力更强的特征,有效地表征人体行为;同时,使用随机投影对融合后的特征进行降维;最后,为了解决主题模型参数估计迭代复杂的问题,将贝叶斯参数估计法应用于LDA(latent dirichlet allocation)主题模型中,对视频中的行为进行分类。在公开的KTH和Weizmann数据集上进行了实验,结果表明方法不仅比单一局部时空特征描述符识别性能好,而且在相同实验设置下,也优于其他基本分类器。     

数字式胎儿心率计的设计与实现

提出一种对胎儿心动信号做实时处理的方法。利用快速傅氏变换在频域上直接从多普勒信号中求得胎儿心率、采用该方案的袖珍式胎儿监护仪具有较强的抗干扰能力,硬件简单、适应性强,应用结果表明本方法具有检测成功率高和运算快速的特点。     

基于视觉注意力模型的FCM法在医学诊断中的应用

基于人类视觉注意模型得到局部视觉显著图,然后以注意焦点初始化聚类中心进行模糊C均值聚类,从而实现图像ROI的提取.实验证明基于图像视觉注意力模型的FCM方法应用于计算机辅助诊断中可以提高医学诊断的有效性和快速性.     

基于离散多小波变换的医学图像融合

研究了基于多小波的医学图像融合,在分析了CT图像和MRI图像特性的基础上,提出了基于离散多小波变换的图像融合框架模型。详细阐述了如何使用GHM多小波对2D图像实现分解———融合规则选择———多小波重构。与单小波不同,多小波分解前需要对图像进行预处理,以及重构后的后处理。文章的最后比较分析实验结果,证实了基于离散多小波变换图像融合相比于单小波融合方法的优越性。     

用于MIMO-OFDM系统盲信道估计的斜投影子空间法

为实现多输入多输出-正交频分复用(MIMO-OFDM)的盲信道估计,文中提出了斜投影子空间法,在满足算法识别系统的条件下,将接收信号空间划分为"过去"、"现在"、"将来"3个子空间,然后将"现在"子空间分别向"过去"、"将来"子空间进行斜投影,可以有效降低多径效应给接收系统带来的影响.文中给出了信道模糊矩阵的估计方法,采用了奇异值分解方法来提高算法的抗噪性能.通过与噪声子空间算法的比较,发现文中算法在牺牲少量估计精度的情况下可以大大降低计算复杂度.仿真结果表明该算法能有效地完成信道估计.     

基于NSCT和FCM聚类的SAR图像分割

为了实现对SAR(合成孔径雷达)图像的无监督自动分割,提高分割精度和计算效率,提出了一种基于非下采样Contourlet变换(NSCT)和模糊c均值(FCM)聚类的SAR图像分割方法.该方法首先采用一种基于NSCT的去噪算法对SAR图像进行去噪预处理,以保护细节纹理信息;然后采用保边缘灰度特征提取方法和灰度共生矩阵来提...     

基于DeblurGAN和低秩分解的去运动模糊

为研究出一种快速且有效的图像去模糊方法,基于DeblurGAN提出一种利用条件生成对抗网络实现的端到端图像去运动模糊方法。该方法将DeblurGAN的标准卷积层改成瓶颈结构,并对瓶颈结构中的卷积进行低秩分解,且添加两个残差对称跳跃连接,以加速网络收敛。为解决DeblurGAN复原图像不够清晰这个问题,向网络损失函数添加互信息损失和梯度图像L1损失,通过最大化输入图像和其隐含特征间的互信息,使所提取的隐含特征能很好地表征输入信息,从而利用隐含特征还原出清晰图像,而L1损失有利于使复原图像的边缘更明显。同时,通过实验对该方法的有效性进行了验证,并与其他已有的同类算法进行了比较。结果表明:相比DeblurGAN,文中方法峰值信噪比更高,两者的结构相似性指标相当,且文中模型参数量压缩至DeblurGAN的3.25%,去模糊速度提高3倍,模型性能优于已有的其他同类算法。