基于区域生长和聚类的主动脉CTA图像序列分割算法

针对人体主动脉CTA序列图像的特点,提出了一种基于区域生长和聚类的序列分割新算法.在确定好合适的分割阈值范围后,结合基于区域生长的算法对主动脉的目标区域进行轮廓提取,然后对得到的目标轮廓在基于isodata的算法上进行聚类处理,由于主动脉在空间上的连续性,可以将聚类后得到的目标区域的聚类中心作为下一幅CT图像新的种子点再进行区域生长,从而实现仅在选择单幅图像种子点的情况下一次性完成整套CT序列图像的分割.实验结果表明,本文算法计算量小,分割精度高,可以完整准确地将主动脉从CT序列图像中分割出来.     

基于显著点的感兴趣区域提取及评价

为降低数据规模,提高图像处理的效率,针对感兴趣区域（ROD提取的问题,提出了一种基于显著点的ROI提取算法．利用视觉注意模型（VAM）得到显著图,聚类显著图二值化后提取到的显著点,同时将原图像二值化,并以聚类点作为种子点填充,提取原图像的二值化图轮廓后与原图像掩膜,得到图像的ROI．实验结果表明：该算法的总体效果良好,运算速度可与显著点的个数成线性关系．同时以眼动实验数据为参照进行分析与评价,该算法ROI漏分率至少降低50％,而误分率无明显增加．     

基于深度图像与分水岭的平面点云分割方法

根据目前点云数据分割的研究现状以及分水岭算法在图像处理中的应用,提出一种基于深度图像和分水岭算法的建筑物平面点云分割方法.该方法首先将平面点云数据生成深度图像并给像素赋予灰度值,再使用双边滤波算法进行滤波去噪,然后使用分水岭算法进行图像分割,得到分割结果后索引回原始点云数据,得到点云分割结果.为验证方法的可靠性与准确性,利用区域增长法、RANSAC算法以及欧式聚类法进行对比实验.通过对实验结果的对比分析,能有效地将不同点云面片分割出来,并且具有良好的准确度和完整度,分割结果质量较高,为点云的分割提供了新的思路与方法.     

基于快速聚类索引的图像检索系统

为了提高基于内容的图像检索系统的检索速度,提出了一个基于快速聚类索引的图像检索算法,并将其应用于视频新闻检索系统中.该算法采用Fastmap算法实现图像高维特征向量降维,并用改进后的模糊C均值聚类算法对降维后的图像进行聚类,生成图像索引.该算法用于图像检索,检索时间不会随着图像数据库中图像数量、特征向量维数的增加而增加,极大地提高了系统的检索效率,有效地解决了聚类中心初试值的选取问题.同时利用该算法构成的系统还具有动态删除、分裂、合并、插入等功能.实验结果表明,与顺序扫描算法相比,该系统不仅大大提高了检索速度,而且在图像数目和特征向量空间维数增大的条件下,仍能够获得良好的检索性能.     

一种基于图像内容的自适应色彩量化算法

色彩量化是数字图像分析与处理领域的基本问题之一.笔者以K-均值聚类为基础,提出了一种新的自适应色彩量化算法,该算法首先依据图像内容确定初始聚类中心,并对所有像素进行归类处理;再结合图像局部区域平滑度,修改聚类中心颜色;最后对所有聚类进行分裂和合并运算,并生成量化图像.实验结果表明,该算法具有较好的色彩量化效果（即色彩量化误差较小）,整体性能优于K-均值聚类色彩量化方案.     

基于改进的模糊c均值聚类水凝胶图像分割

基于实验图像中目标与背景区域具有明显的色差和形状差异且其直方图有明显双峰的特性,提出一种改进的模糊c均值聚类和数学形态学相结合的算法,将目标图像有效地分割出来.首先依据像素邻域间的约束属性以及二维直方图对角线元素含有稳定图像信息的特点,在模糊c均值聚类算法基础上对聚类目标函数进行改进,并将二维直方图对角函数引入隶属度函数中,最终将目标区域有效地分割出来.实验结果表明:该方法具有识别精度高、计算量小、去噪能力强的特点.     

基于脉冲耦合神经网络的超声图像病理区域检测算法

超声图像的病理区域检测对辨别疾病的良恶性具有极其重要的价值.针对超声回声大、粒状斑点多的特点,提出了基于脉冲耦合神经网络的区域自动检测算法.首先脉冲耦合神经网络对图像进行点火处理,经过形态学闭运算、二值反相、区域标记等操作,自动提取出种子点;以种子点为种子像素对图像进行区域增长,提取出感兴趣的区域,经过伪彩色编码增强后,凸显病理区域,便于医学临床诊断观察与超声图像的进一步量化分析处理.     

基于谱聚类的边缘检测算法

区分高频噪声点和边缘点是提取噪声图像边缘的难点之一,为了得到噪声图像的清晰边缘,提出一种基于谱聚类(spectral curvature clustering,SCC)的边缘检测算法.该方法通过将边缘检测问题转化为分类问题,利用图像边缘点、平滑点和噪声点位于不同子空间的性质,在有效地聚类平滑点和边缘点的同时,SCC能够较好地抑制噪声点.另外,该算法通过编辑聚类标签并将其转换为二值图像,对二值化图像进行简单的处理即可得到图像的边缘,成功地避免了传统算法中的阈值选择问题.相比于传统的边缘检测方法,实验结果证明了所提算法的有效性.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于网格序列法和端点量化的等值线生成算法

为了提高等值线生成率,高效直观地绘制衍射极图及其他相应等值线图,根据晶体结构数据的特点和对等值线绘制的要求,提出了一种基于网格序列法的等值线生成算法NSVD_GA(Grid Scan and Vertex Digital_Generation Algorithm of Contour Lines Drawing)。该算法基于网格序列采用对网格端点量化后进行数字比较的方法绘制等值线,既避免了网格无关法等值线追踪起始点选取困难、网格出口判断复杂的问题,又有效地减少等值线值与端点的判断次数。该算法思路清晰,简洁高效,非常适合晶体结构等科研数据的等值线图表达及其他类似情况的等值线生成。     

基于关联矩阵的频繁项集挖掘算法

根据经典Apriori性质和算法思想,提出了一种基于关联矩阵的挖掘频繁项集的算法.应用实例分析表明,该算法在挖掘过程中,只需扫描一次数据库,有效地减少了扫描数据库的次数,提高了算法的效率.     

多目标优化问题的研究

针对传统方法求解多目标优化问题的局限性,应用一种新的算法求解。遗传算法从问题解的串集开始搜索,覆盖面大,可以同时处理群体中的多个个体,利于全局择优,减少陷入局部最优的风险,而最小生成树具有过程简单清晰、适用性广泛的特点,结合两者的优点,构造了基于生成树的遗传算法。首先通过加权目标规划法求出最优解,然后通过遗传算法和基于生成树的遗传算法求解,结果表明,对于小规模的多目标优化问题,两种算法都可以求出最优解,在求解时间方面,基于生成树的遗传算法比遗传算法更优越。     

改进花朵授粉算法

智能系统试图模拟人类专家来解决复杂的现实问题。问题的领域从工程、工业到医学、教育都各不相同。在大多数情况下,系统需要根据多个输入进行决策,但是搜索空间通常很大,因此很难使用传统的算法进行决策;元启发式算法可以用作寻找最优解的一种工具。因此,改进元启发式技术和现有算法是必要的。本文介绍了一种改进的花朵授粉算法(FPA)。将标准的FPA与克隆选择算法(CSA)结合,应用到23个优化基准函数上,并对其进行测试。将改进算法与五种著名的优化算法(模拟退火、遗传算法、花授粉算法、蝙蝠算法和萤火虫算法)进行比较。实验结果表明,相比标准FPA和其他四种方法,改进花朵授粉算法能够找到更精确的解。     

基于关系代数的关联规则挖掘算法

目的提出基于关系代数理论的关联规则挖掘算法。方法利用数据预处理方法，剔除无关属性、获得相应的目标特征子集。结果基于目标特征子集，利用关系矩阵及相关运算给出了搜索大项集的基于关系代数理论的优化的关联规则挖掘算法，该算法只需扫描数据库一次。结论克服了经典的Apriori算法需要多次扫描数据库的缺点，同时算法具有良好的并行性和可伸缩性。     

链码表和线段表在计算机图像处理中的应用

针对图像进行准确数字化描述是计算机图像处理的关键问题。在图像特征提取过程中,采用链码表和线段表描述特征向量的数据结构。首先进行轮廓跟踪,用行扫描得到图像轮廓起点,然后采用链码跟踪技术得到封闭的轮廓信息--链码表,直到所有的轮廓跟踪完毕为止。再通过线性转换得到线段表,最后根据链码表和线段表分别求出周长和面积等特征。此方法已在Visual C＋＋平台实现,经验证,采用链码表和线段表两种结构可准确求出图像几何形状特征。     

两类近似邻近点算法的比较及其推广

邻近点算法(PPA)是求解单调变分不等式的一种常用的有效方法。然而在许多实际应用中,用PPA算法精确求解子变分不等式花费很大。为了保持PPA算法的优点,同时又解决上述困难,人们采用近似临近点算法(Approxim ate Proxim al PointA lgorithm)来求解。通过对两类APPA算法的收敛性的证明和进一步探讨,从理论上证明了算法二在通常情况下比算法一收敛性好。文中所要讨论的算法一是基于对Forward-backward Sp litting方法的推广;算法二是基于对外梯度方法的推广。     

基于混沌遗传算法的航迹优化研究*

在实际作战环境中,如何选择最优的航迹路线是无人机任务规划系统中最重要的问题之一。首先,在有效巡查区域中建立以总路程最少和时间均衡度最小的双目标航迹优化模型,然后提出一种基于混沌遗传算法的航迹规划;该算法利用Logistic混沌序列确定遗传算法交叉和变异点,保证了算法收敛精度,削弱了因交叉强度大而产生的抖振问题,并将该算法应用到了航空规划问题上进行实验仿真,仿真结果表明该方法提高了遗传算法的精确度。     

基于ADMM的TV图像重建算法研究：设计、实现及评估

稀疏重建是当前CT(computed tomography)领域的研究热点,其实质是用稀疏视角下的投影来重建图像,以减少扫描过程中对病患的辐射剂量。随着压缩感知理论的提出,稀疏重建算法已经被广泛应用到了医学CT中。TV(total variation)算法是可以实现稀疏重建的一种有效方法。本文设计了一种基于ADMM(alternating direction method of multipliers)的TV算法,先将非约束的优化问题转换为约束形式,然后引入乘子,最后通过交替方向法实现迭代过程。该方法将复杂的优化问题分解为了若干个具有闭合形式的子优化问题,故迭代速度较快。仿真实验表明,与传统的滤波反投影算法相比,该算法可以实现稀疏角度下的高精度图像重建。同时还初步探讨了平衡因子在不同噪声情形下对重建精度的影响。     

一种不产生候选项集的关联规则挖掘算法

在挖掘关联规则的过程中，关键步骤是产生频繁项集．基于频繁项集支持矩阵的思想，提出一种有效的频繁项集挖掘算法-FIMA，并给出了算法的基本设计思想和算法描述．本算法利用矩阵挖掘频繁项集，不需要产生候选项集，且只需扫描数据库一次。所以此算法是非常有效的．