一种基于双重网络模型的单幅图像超分辨率方法

本文对深度学习领域中的高效亚像素卷积神经网络（efficient sub-pixel convolutional neural network,ESPCN）算法进行了改进,通过加入残差网络知识,调整原有的ESPCN构造结构,提出了一种双重网络模型下单幅图像超分辨率重建方法。通过实验证明：该算法能够有效地提高单幅图像超分辨率重建的精度,丰富重建后的细节信息。     

基于稀疏表示和块匹配的图像超分辨率重建方法

针对图像的超分辨率重建问题,提出一种基于稀疏表示和块匹配的重建方法.首先,根据图像退化模型将HR图像退化成LR图像.然后,通过训练获得过完备字典,对图像重建问题进行稀疏表示,并对此进行求解.最后,利用重叠块技术缓解块效应,利用反向投影技术保证全局一致性,最终获得重建的HR图像.另外,将该方法扩展到多帧图像重建中,利用块匹配技术从多帧图像中选择出一个目标图像,以此实现重建.实验结果表明,该方法的重建图像具有较低的峰值信噪比.     

基于深度残差网络和双向GRU的图像语义分割

在图像语义分割领域中,大多数方法是基于CNN网络构建的,由于CNN很难对全局上下依赖关系进行建模,从而影响语义分割的结果。为此,本研究提出基于深度残差网络和双向GRU的图像语义分割模型ResNet-BiGRU,该模型充分利用CNN局部特征学习的能力和双向GRU全局建模的优势,在Weizmann Horse数据集上进行试验,得到分辨率高、边界清晰的语义分割结果。     

术前计划系统中CT造影图像的配准

肾脏术前计划系统首先需要实现肾脏CT造影信息的融合,实现该信息融合需要进行以肾脏为中心的腹部三维CT造影图像的配准.本文首先采用基于DDCM可形变模型的半自动分割方法从CT扫描图像中分割出肾脏轮廓线,然后对轮廓线进行重建得到肾脏的二值体数据,该二值体数据膨胀后与原CT扫描图像重建出的灰度体数据求交,即得到完全包含肾脏的灰度体数据,最后采用互信息最大化的方法对重建得到的肾脏体数据进行配准.本文分析了配准过程中初始化参数对局部极值产生的影响,并应用几何矩的性质进行参数初始化,避免陷入局部极值.实验结果表明,本文方法能够实现以肾脏为中心的术前CT造影图像的配准,并且配准的精度和速度能够满足实际应用的需要.     

三维重建及3D打印技术在肺部外科手术中的应用

因肺部CT图像的三维重建在医学影像分析领域需求较大且难度较高,单独使用一种分割算法的去噪声效果不理想,故提出了将总变分模型与模糊C-均值聚类方法相结合,对CT数据进行分割去噪的方法。将分割后的图像导入自主研发的三维重建软件TM_MIS,它以VTK工具包为基础,使用MC算法和光线投影法对平滑去噪后的CT图像进行三维重建,得到三维虚拟模型。再用3D打印生成肺部血管及病灶的3D模型,代替传统的医生查看CT片的方法,为术前方案的制定及手术过程的模拟提供了更加科学的依据。实验表明,将肺部CT数据通过总变分模型进行去噪平滑,再结合模糊C-均值聚类方法进行分割得到的图像更加清晰,重建后的模型效果更理想。     

基于多组耦合字典及交替学习的图像超分辨率重建

本文提出多组耦合字典及其交替学习算法,实现图像超分辨率重建. 在字典学习阶段将训练图像视为高分辨率图像,将它先缩小再放大得到低分辨率图像. 两图像之差为残差图像. 从残差图像块和低分辨率图像块特征的联合数据中学习耦合字典,得到残差图像和低分辨率图像间的映射关系. 针对图像块具有不同纹理和结构以及
字典学习效率的问题,提出多组耦合字典和字典交替学习算法. 在重建阶段先将输入图像插值放大,视为低分辨率图像. 求出低分辨率图像块对于每组耦合字典中低分辨率部分的稀疏表示误差,取表示误差最小的耦合字典中残差部分重建残差图像,与低分辨率图像融合得到高分辨率图像. 实验结果表明该方法具有良好的重建效果.     

一种区域统计信息的格子波尔兹曼图像分割模型

格子波尔兹曼(lattice Boltzmann, LB)分割模型具有算法简单、运算快捷的优点,但对于低对比度和受到噪声污染的图像,经常产生欠分割或者过分割现象.为此,引入图像局部区域统计信息,构建了一种新的格子波尔兹曼图像分割模型.为验证该模型及算法的分割性能,在相似性系数和豪斯多夫距离等评价技术指标下,利用真实脑磁共振图像作为实验数据进行分割,并与现有LB分割模型以及水平集分割模型进行对比.实验结果表明,该模型在分割精度方面比现有LB模型提高10倍,在计算速度方面比传统水平集分割模型提高3倍.     

利用深度残差网络的高分遥感影像语义分割

遥感影像分割是影像解译与分析的必要过程,随着深度学习在特征表达上的优势逐步显现,以深度网络为基础模型的影像语义分割已成为自动分割的主要研究趋势.该文提出了一种基于深度残差网络的多尺度语义分割模型,旨在针对小样本遥感影像数据集,提高具有不同尺度分割对象的遥感影像分割精度.首先将深度残差网络以全卷积网络形式进行微调,实现端到端语义分割模型结构构建;然后针对全卷积网络粗糙分割输出的问题,引入Atrous卷积精细化模型上采样过程,进而提高输出标签图精度;最后针对小样本数据进行随机多尺度数据增强,通过样本扩充提高模型分类精度和鲁棒性.试验基于ISPRS 2D Vaihingen语义分割数据集,影像分割结果的分类精度达到89.7%,尤其在小尺度对象上具有较好分割效果.     

基于级联残差对抗生成网络的超分辨重建

图像超分辨率技术在遥感领域的应用越来越多,卷积神经网络(Convolutional neural network, CNN)在图像超分辨率任务方面取得了比传统方法更显著的改进。为了解决超分辨重建算法重建图像细节不清晰的问题,对基于对抗生成网络的超分辨重建算法进行了研究,以恢复接近人眼感知质量的超分辨重建图像。对抗生成网络分为生成器子模块和判别器子模块,生成器模块提取的低频图像特征在进入残差块前进行分组卷积,达到了降低参数量的目的。每3个残差块构成一个级联块,级联块通过级联的方式聚合不同级联块之间图像的特征,以实现信息流传递到更加深层的网络中,经过上采样完成生成器中的图像重建过程。判别器网络用于判别是否为生成器重建图像和真实的高分辨率图像,在真实高分辨率图像的判别过程中提高模型能力。同时,研究了加入感知损失对超分辨重建图像的影响,使重建图片纹理细节更加丰富。实验结果表明,重建图像的峰值信噪比较原来算法提高了0.48 dB,结构相似度提高了0.023,该模型在主观视觉评价和客观量化评估上有所提升。     

基于图象分割子集法的人工神经网络在两相流层析成象仿真中的应用研究

提出了基于图象分割子集的神经网络对管道内两相流进行电容层析成象的方法.解决了神经网络的输出单元数与重建图象精度之间的矛盾.研究了成象的分割网络模型及其实现步骤.给出了系统误差E和图象仿真结果.结果表明该方法能够更精确和快速地重建出两相流体的断层图象.     

基于图象分割子集法的人工神经网络在两相流层析成象仿真中的应 …

提出了基于图象分割子集的神经网络对管道内两相流进行电容层析成象的方法。解决了神经网络的输出单元数与重建图象精度之间的矛盾，研究了成象的分割网络模型及其实现步骤。给出了系统误差Ｅ和图象仿真结果。结果表明该方法能够更精确和快速地重建出两相流体的断层图象。     

基于深度卷积网络的红外遥感图像超分辨率重建

针对红外遥感图像的超分辨率重建问题,提出了一种深度卷积残差学习网络。通过加深网络来扩大感受野,使在重建过程中能够利用到更多的邻域信息,提高了重建图像质量。使用残差网络,使模型能够更好的学习到先前信息,在提高数据稀疏性的同时,提高了算法效率,在亚像素卷积层提高红外遥感图像的尺度。实验结果表明,与常用深度学习网络相比,该网络得到的重建图像具有更好的重建效果。     

嵌套网络模型下的相似图像检索方法

对深度学习领域的稠密卷积网络（dense convolutional network,DenseNet）进行改进,提出了一种嵌套网络模型下的相似图像检索方法。该方法主要通过嵌入压缩和激励网络（squeeze-and-excitation network,SENet）,调整原DenseNet网络结构,优化特征提取模块,从而提高图像检索的准确率。在整个深度学习的过程中,给图像特征通道设置合理的权值,抑制图像中的无效特征,能够进一步提高图像的检索速度。实验结果表明,所提算法能够加强图像有效特征的传递,无论从精度和速度方面均可得到较好的图像检索结果。     

嵌套网络模型下的相似图像检索方法

对深度学习领域的稠密卷积网络（dense convolutional network, DenseNet）进行改进，提出了一种嵌套网络模型下的相似图像检索方法。该方法主要通过嵌入压缩和激励网络（squeeze-and-excitation network, SENet），调整原DenseNet网络结构，优化特征提取模块，从而提高图像检索的准确率。在整个深度学习的过程中，给图像特征通道设置合理的权值，抑制图像中的无效特征，能够进一步提高图像的检索速度。实验结果表明，所提算法能够加强图像有效特征的传递，无论从精度和速度方面均可得到较好的图像检索结果。     

MRI的脑部肿瘤分割及其三维重建

脑部肿瘤精确分割和三维重建的研究对脑部肿瘤疾病的诊断具有重要意义.提出一种全自动的脑肿瘤分割方法,该方法首先利用人脑结构信息的对称性,通过区域生长法实现脑肿瘤的粗略分割,然后将粗分割区域作为初始水平集轮廓,利用改进的测地线活动轮廓(geodesic active contours, GAC)模型进一步精确分割.经实验分析可知,该模型具有良好的分割灰度不均匀的弱边缘能力.最后对分割出的脑部肿瘤序列图像进行面绘制重建及其可视化,以此为脑肿瘤研究提供更多维度的信息.     

木材缺陷重建图像的多核模型研究

针对基于应力波技术的木材无损检测算法中,重建后的木材缺陷图像与真实的木材缺陷图像差距较大,不能够准确地反应出真实情况下木材内部缺陷的大小和形状这一现状,采用多核模型进行优化重建算法,提高重建图像的准确率。以含有空洞的椴树木材为实验样本,利用多核模型优化重建的缺陷图像,提高重建图像的拟合度。根据采集到的数据建立点速度模型,对得到的点速度模型用多核模型进行优化,将多核模型优化的重建缺陷图像阈值分割处理,得到轮廓平滑、拟合度高的缺陷重建图像。研究结果表明,利用多核模型优化可以更加准确地反应出木材内部真实缺陷的情况,通过和其他方法的比较,证实了多核模型比其他模型更能准确表示木材内部缺陷,重建图像的拟合度更高,为提高木材缺陷重建图像提供了可行性方法,可为木材缺陷检测装置的设计提供参考。     

基于三维脉冲耦合神经网络模型的医学图像分割

该文将脉冲耦合神经网络模型从二维平面扩展到三维空间,同时提出一种新的乘积型互信息算法,将其作为脉冲耦合神经网络分割算法的最优分割准则,并将两者结合实现三维医学图像的整体自动分割. 利用该文提出的算法对三维CT肺部图像进行分割实验,结果表明,该算法在保证分割精度的基础上显著地减少了分割运行时间,提高了分割效率,具有应用于医学图像分割的潜在价值.     

一种基于自适应高提升滤波的遥感影像的阴影处理方法

利用遥感影像的颜色特性,基于亮度的阈值检测方法,将阴影区和光照区进行分割;通过高提升滤波方法对阴影区域进行补偿处理.实验证明,对分割出的遥感影像的阴影区域进行补偿处理后,区域内形状信息更加明显.经如上方法预处理后,明显提高了遥感图像超块分割的精确度,进而提高目标物体提取的精度.     

基于奇偶交叉卷积的轻量级图像语义分割网络

传统轻量级图像语义分割网络中的跨步下采样卷积导致感受野呈现刺状分布，使得像素点利用率出现系统偏差，影响分割精度的提升。为此，针对传统的轻量级图像语义分割网络设计一种奇偶交叉卷积的下采样模块，在跨步奇数卷积模块前增加单步偶数卷积模块，在一定程度上缓解了刺状分布带来的不良影响，消除了分割网络中不同空间位置上像素利用率的偏差，最终提高了模型对像素点的分割精度。通过7种不同轻量级图像语义分割网络的对比可以看出，所提模型可以明显消除刺状分布，使分割网络的精度进一步提高，同时也证明了该模型适用于不同的轻量级网络，具有普适性。     

基于奇偶交叉卷积的轻量级图像语义分割网络

传统轻量级图像语义分割网络中的跨步下采样卷积导致感受野呈现刺状分布，使得像素点利用率出现系统偏差，影响分割精度的提升。为此，针对传统的轻量级图像语义分割网络设计一种奇偶交叉卷积的下采样模块，在跨步奇数卷积模块前增加单步偶数卷积模块，在一定程度上缓解了刺状分布带来的不良影响，消除了分割网络中不同空间位置上像素利用率的偏差，最终提高了模型对像素点的分割精度。通过7种不同轻量级图像语义分割网络的对比可以看出，所提模型可以明显消除刺状分布，使分割网络的精度进一步提高，同时也证明了该模型适用于不同的轻量级网络，具有普适性。