图像感兴趣区域检测技术

感兴趣区域（ROI）检测技术，是将图像中最能表现图像内容的关键区域提取出来的技术。论文对现有的静态图像ROI检测技术进行了讨论。在分析了ROI检测技术的产生背景之后，介绍评述了几种当前较具代表性的ROI检测算法。详细讨论了基于视觉特征的ROI检测算法，最后列举了主要的ROI应用方向，并对ROI检测技术的发展前景进行了展望。     

基于双字典自适应学习算法的低采样率CT重建

在医疗诊断中,稀疏采样能减少CT扫描过程中辐射对患者的伤害.但直接对稀疏采样后的投影数据进行重建,会使CT重建后的图像出现失真、伪影等问题.为保证低采样率下重建图像的质量,提出了双字典自适应学习算法,参照Sparse-Land模型的双字典学习框架,将K-SVD算法与双字典学习算法框架相结合得到补全投影数据,利用FBP算法进行重建得到高质量的重建图像.实验结果表明,在低采样率下使用所提方法进行CT重建的图像质量优于COMP双字典学习算法和MOD双字典学习算法,并且此方法有效提高了CT图像重建在低采样率时的性能.     

图像感兴趣区域自动提取算法

感兴趣区域提取技术在图像处理和分析领域中有着重要地位。提出了一种ROI的自动提取算法,在显著度图和相对位置指示图的基础上,采用基于子区域的区域生长法,以像素点的显著度、相对位置及颜色纹理信息作为生长条件,颜色、纹理信息的权重可以根据图像的内容自适应调整。实验结果表明,该方法与现有算法相比,在速度和ROI提取的准确性方面均有提高。     

一种新的针对感兴趣区域的CT扫描模式及其重建公式

在工业和生物医学成像应用中,经常会遇到所谓"感兴趣区域成像问题",即仅需对被测物体的一部分区域进行成像.文中对转台具有旋转和平移运动功能的CT设备,设计了一种新的针对大物体感兴趣区域的CT扫描模式,并提出了相应的反投影滤波(BPF)型的重建公式.此公式是扇束BPF重建算法的一个推广,其中CT转台在旋转过程中其旋转中心沿与探测器平行的方向移动.仿真结果表明:重建公式可以正确重建大物体的感兴趣区域的图像.     

阻抗CT图像重建算法的研究

经过严密的理论推导,提出了一种阻抗CT图像重建的新方法,它利用一系列等位线将场域分割成若干相互独立的区域,通过对这些区域单独进行分析,使得Jacobi矩阵稀疏化,既大大减小了内存量,又减小了计算量。在用等参四边形有限元法作正向问题计算的基础上对方法进行了实现和初步的计算机仿真计算,并同其它方法进行了比较。在求解线性超定方程时,应用了松弛型Hildreth区间规划算法,有效地克服了稀疏后的Jacobi矩阵非零元分布的不规则性和方程的不相容性。     

基于感兴趣区域的图像检索方法

提出了一种基于感兴趣区域的图像检索方法。在显著度图和相对位置指示图的基础上结合图像的颜色纹理信息,采用基于子区域的区域生长法提取图像感兴趣区域,对图像的特征描述采用感兴趣区域特征和图像整体特征相结合的方法,加入了对图像背景信息的考虑,同时也削弱了分割不准确带来的影响。实验证明该方法对于前景较为清晰或背景具有较大面积单色的图像具有较好的检索效果。     

基于字典学习的低剂量X-ray CT图像去噪

介绍了一种基于字典学习的去噪方法,并将其应用于降低低剂量CT图像噪声水平的研究.针对体模图像和病人图像,分别选择低剂量CT图像和正常剂量CT图像作为训练样本,采用K-SVD算法,通过迭代学习构建图像字典;然后,结合正交匹配跟踪算法,实现图像稀疏表示,稀疏成分对应于图像的有用信息,其他成分对应于图像噪声;最后,依据图像的稀疏成分重建图像,达到去除噪声的目的.实验结果表明:字典的大小、稀疏表示的约束条件等参数会显著影响所提算法的去噪结果;相比低剂量CT图像,将正常剂量CT图像作为训练样本可以得到更好的去噪结果;在相同的噪声水平下,所提算法与传统图像去噪算法相比可以更好地去除图像噪声,且保留了图像的细节信息.     

Curvelet感兴趣区域相关图的纹理图像检索

提出了一种基于感兴趣区域纹理图像的检索方法.对纹理图像进行Curvelet多尺度分解,根据各层子带的能量分布提取感兴趣区域,并量化感兴趣区域Curvelet系数,计算颜色自相关图而构造图像的特征向量.在Brodatz纹理库中的实验结果表明,与原有基于Curvelet的纹理图像检索方法相比,所提出的方法对纹理图像检索的效果更佳.     

基于感兴趣区域和神经网络的图像检索

提出一种感兴趣区域的图像检索方法,该方法首先采用遗传FCM算法对图像进行分割,然后提取分割后的区域特征进行检索;为了缩小低层特征和高层语义之间的语义鸿沟,最后提出一种基于神经网络的相关反馈方法,实验表明,该方法具有较好的检索性能,系统具有较高的查全率和查准率.     

基于半耦合字典的快速图像超分辨率重建算法

为了提高图像超分辨率重建的效率与质量,考虑到高、低分辨率稀疏表示系数的不同,改进了锚定邻域回归算法,并结合半耦合字典学习算法提出了一种快速图像超分辨率重建算法.首先采用半耦合字典学习算法得到高分辨率字典、低分辨率字典及映射矩阵;再采用岭回归算法求解低分辨率稀疏表示系数,并根据高分辨率稀疏表示系数与低分辨率稀疏表示系数之间的映射关系,得到高分辨率稀疏表示系数;然后,根据输入图像块特征寻找字典中与其最相关的字典原子,计算该字典原子所对应的投影矩阵,进行超分辨率重建.仿真结果表明:提出的算法不仅在重建速度上表现更快,重建图像的质量也得到提高,在客观指标和主观效果上均取得更好的效果.     

基于L_1范数支持向量分类机的算法扰动设计

普通向量分类机算法普遍有效率低下、算法复杂的缺点,为了进一步降低计算量,提高算法效率,提出了支持向量机算法.该算法将二次规划问题转换为线性规划问题,同时可以进行优化降次.结果显示,在数据量较大的情况下可以迅速并较为准确地处理大量数据,面对较为困难的数据处理时可以实现数据的有效分类.     

基于改进MC和MT算法的CT图像三维重建

MC算法是医学图像三维重建的一种主要技术。传统的MC算法在拓扑结构上存在面二义性和体二义性问题,使得生成的三维图像存在空洞。而MT算法是MC算法的变形,该算法不存在面二义性和体二义性,但计算量相比MC算法更大。本文结合两种算法的优点,对单个立方体先使用MC算法抽取等值面,若不存在二义性,则继续用MC算法处理;否则使用MT算法对该立方体进行处理,并且使用一定的方法消除其带来的剖分二义性。这样既避免了MC算法的二义性问题,又解决了MT算法计算量太大的问题,是一种折中的方案。     

基于L_1范数最小化的逆协方差矩阵估计

由于在高维空间中,基于固定维数的经典方法和结果不再适用,样本协方差矩阵不可逆,估计逆协方差矩阵时存在不稳定、计算成本高和非精确等问题,提出了一种L1范数最小化方法来有效估计高维逆协方差矩阵即精确矩阵.当总体分布满足指数类型条件或者多项式类型条件时,所提估计方法在各种范数下的收敛速率优于其他现存的方法.经分析验证,所提方法为凸优化问题,可采用交替方向乘子算法来解决.之后通过R语言在模拟数据和实际数据下进行仿真分析,并与Glasso方法对比逆协方差的估计性能和图恢复性能,结果表明所提估计方法准确率高、计算成本低.最后,将所提估计方法用来分析白血病数据集,并运用聚类分析对白血病人进行分类.     

法向约束的多幅点云数据融合算法

针对光学测量中多幅点云的数据融合,提出了一种基于法向约束的多幅点云融合算法.该算法首先对多幅点云法向滤波,通过2幅点云的双向查找来寻找种子点,在点的法向方向寻找2幅点云中对应的k邻域,计算邻域点的加权和,而融合点是种子点沿其法向移动的结果.与平均聚类法相比,该方法获得的模型表面更加光顺,特征更明显,点的分布也更均匀,对于包含粗大匹配误差的多幅点云模型的融合具有较好的效果.     

基于子空间追踪的稀疏信号重构算法

信号重构算法是压缩感知理论中的重要环节,其优劣影响压缩感知的重构效果.基于子空间追踪算法,对经稀疏表示和测量矩阵压缩后的信号进行重构验证,理论分析和实验结果表明,子空间追踪算法能使信号在较高压缩比下保持良好的重构效果.     

基于L1范数的总变分正则化超分辨率图像重建

设计了一种基于L1范数的总变分正则化超分辨率图像序列重建算法.采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘并且提高了运算速度;运用设计的算法对模拟的低分辨率图像序列进行重建,分别从主观效果和客观衡量指标两方面与基于L2范数的总变分正则化的超分辨率重建结果进行比较,实验结果表明该算法在保持图像边缘的同时,提高了超分辨率重建算法的运算速度.     

基于Mimics平台的CT图像三维重建算法研究

为充分挖掘CT图像中的医学诊断信息, 提高CT图像的三维重建效果与可视化程度, 研究了基于Mimics平台的CT图像三维重建算法。将腹部16排螺旋CT图像导入Mimics系统, 利用系统图像分割、 蒙版编辑和区域增长等功能模块, 将脾脏器官由腹部CT切片图像中完整分离出来, 并可进行任意角度的放大, 缩小等操作。与传统方法相比, 其实现的对人体器官、 骨骼和组织的CT图像的三维重建与可视化处理结果, 更加接近于真实器官的生理解剖结构。     

基于GA和过完备原子库划分的MP信号稀疏分解算法

信号稀疏分解计算量大是阻碍其实时应用的主要因素.研究基于匹配追踪(Matching Pursuit)方法实现的信号稀疏分解算法,提出了基于过完备原子库集合划分的、分两阶段搜索的、遗传算法快速寻找MP过程中每一步分解的最佳原子,在稀疏分解重建信号质量不变的条件下,提高了稀疏分解的速度.算法的有效性为实验结果所证实.