基于体数据变形的自适应移动立方体算法的研究

 移动立方体（Marching Cubes）算法是一种经典的三维重建方法,但是对采样稀疏的体数据进行重建时,不能满足所需的精确度要求。提出了一种基于体数据变形的自适应移动立方体算法。该算法通过自适应地改变体素顶点的位置,使得体素包含更多的图像信息从而使体素内的三角面片更加逼近等值面;同时,采用了区域增长策略对体数据进行分割从而避免了对整个体素空间的运算;对算法的并行优化提升了算法的三维重建效率。实验证明使用该算法对稀疏体数据进行三维重建,提高了重建的精确度,并且保证了重建的实时性与交互性。     

医学图像体分割的特征聚类算法

为提高三维医学数据场的分割效率和准确率,本文利用特征聚类技术,提出了一种新的基于改进K-means聚类的三维医学数据场的体分割算法.根据医学数据的物理意义和医学特征分析,对数据场进行预处理,以加快后继处理速度;分析推导了基于改进K-means聚类的分割算法,并改进了算法采样技术,减少需要计算的像素数目以进一步提高处理速度.实验结果表明本算法不仅能够提高三维医学组织的聚类分割精度至96％,而且能够提高66％的模型处理速度.     

基于收缩方法的稳健自适应波束形成算法

针对有限采样数据样本中含有期望信号时自适应波束形成器性能下降的问题,提出了一种不需要任何参数设定的稳健自适应波束形成算法.该算法利用收缩方法得到一个增强的协方差矩阵估计值,替代传统的采样协方差矩阵,提高了算法的性能.为了克服信号导向矢量存在误差时对波束形成器性能的影响,对算法进行进一步的扩充,使其既能改善小快拍时协方差矩阵的估计值又能克服期望信号导向矢量的失配.仿真结果表明:该方法不仅能够改善小快拍情况下波束形成器的性能,而且还能克服期望信号导向矢量失配带来的不利影响.     

基于舍弃采样的光线投射加速算法

光线投射法是一种重要的体绘制算法,但直线上采样点的确定和采样值计算是非常费时的,也是影响体绘制实时性的重要因素.针对这个问题,该文利用对象空间的相关性,采用舍弃贡献不大的射线段参与采样的方法,加快了绘制速度.同时利用平面簇的交点可以快速求得直线上的采样点及其特征值,结合自适应采样方法,提高了绘制图像的质量.改进以后的算法复杂度明显降低,实验结果证明绘制速度可以提高20%左右.     

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.     

基于工业机器人的未知曲面测量算法研究

在装甲装备维修保养作业中,为实现对车辆底盘部分零部件的自动装卸载,首先应解决CAD模型未知的零部件自动扫描测量和模数重建的问题。提出基于工业机器人的非接触自适应测量曲面重建方法。在测量过程中,将激光测距传感器安装于工业机器人法兰并转换坐标,根据被测零部件上的已测点,由提出的曲线圆弧预测自适应算法,得到下一个预测点矢量及测头轨迹点矢量,拟合成B样条曲线,规划合理的测量路径,进而指导工业机器人自动采集被测零部件上的真实三维点。通过仿真和试验结果表明,该方法能够根据此类零部件曲面特征获取采样点,减小了由测量入射角的存在和算法本身缺陷而导致的精度损失,有效地提高了CAD模型未知曲面数字化采样的精度,为模数重建提供了良好的点云数据。     

基于样点拓扑近邻的散乱点云曲面拓扑重建

提出一种基于样点拓扑近邻的散乱点云曲面拓扑重建算法,对点云数据构建动态空间索引结构,采用动态扩展空心球算法查询样点k近邻,通过对样点的k近邻数据进行偏心扩展和自适应扩展获取样点的拓扑近邻参考数据,从中查询样点的拓扑近邻,从样点的同层拓扑近邻中获取符合Delaunay条件的匹配点,生成局部Delaunay三角网格,并通过增量扩展实现整个散乱点云的曲面拓扑重建.实例证明,该算法可对无隙、有边界等任意模型的散乱点云进行合理的曲面拓扑重建,有效解决了r-dense恰当采样点云中非均匀区域易产生非工艺孔洞的问题.     

使用矢量量化技术压缩SAR原始数据

该文研究基于矢量量化技术的合成孔径雷达（SAR）原始数据压缩算法，提出了块自适应树型矢量量化（BATSVQ）算法和块自适应球形矢量量化（BASVQ）算法。与块自适应矢量量化（BAVQ）算法相比较，该文提出的算法采用约束型矢量量化技术，能够充分利用SAR原始数据经过自适应块处理后在较小的范围内具有稳定高斯分布的特性。采用以上算法对SAR实测数据进行了验证，并比较图像及其性能参数，结果表明BATSVQ算法和BASVQ算法能够获得算法性能和实现复杂度之间的合理折衷。     

利用小波系数上下文建模的Bayesian压缩感知重建算法

针对目前压缩感知图像重建算法没有充分利用图像小波系数尺度内相关性的缺点,提出一种上下文建模的Bayesian压缩感知重建(CBCS)算法.该算法假定图像的小波系数服从参数未知的spike-and-slab概率模型,先通过一种新的上下文建模方法得到待估计小波系数邻域内的上下文矢量,然后根据待估计系数与上下文矢量的相关性及其父亲系数的状态,推测待估计系数为显著系数的概率,最后根据待估计系数的概率,采用马尔科夫链-蒙特卡洛采样的Bayesian推理从观测向量中恢复出图像的小波系数,进而得到重建图像.实验结果表明,CBCS算法可以自适应于图像内容的变化,与仅利用尺度间相关性的小波树结构的压缩感知重建算法相比,在0.9的采样率下,重构性能最大可提高近2 dB.     

一种平滑运动矢量场的扩散型矢量中值滤波器

提出了一种新的扩散型、自适应加权的矢量中值滤波器(PAWVM)，用于对三维递归搜索(3-D RS)块估计算法产生的矢量场进行调整。该滤波器将前一步估计中所采用的块分解为4个小块以精确地估计物体边界处的运动，并沿扫描方向扩散改进后的矢量；在考虑矢量场本身平滑性的同时，利用各候选矢量的匹配误差，通过一个无特征区域开关进一步控制各矢量权值的计算，提高了反映真实运动的矢量扩散的可能性。试验结果表明，该算法更好地平衡了运动矢量场的一致性和最终的预测误差，使矢量场更接近真实的物体运动。     

基于多层分块自适应压缩感知的图像编解码方法

压缩感知中,测量矩阵对图像进行单一采样率的压缩采样。传统的测量矩阵虽然能够获得比较好的重构效果,但因采样数目较多,故而资源耗费也较多。为了解决上述问题,提出了多层分块自适应编码算法(multi-layered block adaptive coding algorithm,MLBA)以及多层分块自适应压缩感知编解码方法(multi-layered block adaptive compressed sensing codec method,MLBACS)。MLBACS编解码方法基于MLBA编码算法,能够根据图像局部结构进行不同层数和大小的分块,并自适应分配采样率。仿真结果表明,在同等重构性能的前提下,相对于单一采样率下的压缩感知,MLBACS编解码方法能够不同程度地降低重构图像所需的采样数目。     

受限视角投影图像重建的压缩恢复算法及改进

讨论了用于受限视角投影的压缩恢复算法的局限性,并指出其固有缺点是采样极不均匀,形成混迭,且不能靠增加投影数克服。提出改进的压缩恢复算法,先利用压缩恢复法求出初始图像,再估算缺失的投影数据,后者与原有的受限投影数据一起形成完全投影数据,并用熟知的卷积反投影法重建最后的图像。计算机仿真结果表明,用改进后的算法重建,其成像质量明显提高。     

改进基于小波变换的PCNN图像融合算法

以小波变换为基础，针对小波分解后高频域和低频域的特点，分别在低频域采用基于PCNN（脉冲耦合神经网络）的融合方法，在高频域采用改进的PCNN融合算法．仿真图像和评价指标结果显示：改进的PCNN融合算法，有效地提高了图像在边缘、纹理、保留更多源图像信息等方面的综合性能。     

小波取样定理在断层CT的ART方法中的应用

小波分析技术在工程技术领域发挥着越来越重要的作用.CT技术是医学影家诊断领域的一个划时代的贡献.本文通过将一维小波取样定理推广到二维,对现有的断层CT的ART方法进行了改进、计算机模拟结果也表明,本文提出的图象重建的小波分析方法有着十分优越的特性.     

影响超分辨力信号复原能力因素的分析

分析目标、成像系统及算法等诸多因素对超分辨力复原效果的影响.以一维方波信号的超分辨力复原为对象,分析物体的空间范围、点扩散函数、采样率、噪声及先验约束等对超分辨复原能力的影响.分析表明,物体的空间范围及噪声越小,所复原信号的超分辨能力越强;离散采样信号的复原效果与采样率和系统截止频率有关.一维信号的分析结果可以推广到二维情况,图像的超分辨力分析对研究新型超分辨力复原算法和改善现有算法具有实际意义.     

基于Shear-Warp的预合成体绘制方法

为提高用Shear-Warp重建的三维医学图像的质量,提出了一种改进的基于Shear-Warp的预合成体绘制算法IPVR.该算法采用预合成体绘制技术,在重采样过程中,结合体绘制方程和光照模型,确定最终的重采样值并合成中间图像,从而消除标准Shear-Warp算法中因欠采样而产生的混淆现象.实验证明该方法满足实时体绘制要求,显示效果较好.     

基于流形学习和梯度约束的图像超分辨率重建

将改进的基于流形学习的超分辨率重建与基于梯度约束的正则化重建结合起来,提出一种新的单帧图像超分辨率重建算法.该算法首先针对基于流形学习的超分辨率重建,提出新的特征提取方法,联合归一化亮度与平稳小波变换细节子带系数两个特征矢量,提高重建性能;然后将学习得到的高分辨率图像作为初始估计,将其梯度作为目标梯度域,进行基于梯度约束的正则化重建,得到最终的高分辨率图像.与现有的一些算法相比,文中算法无论在视觉效果还是客观评价上都具有较好的重建性能.     

利用投影数据重排进行锥形束体积重建的改进算法

针对锥顶轨迹为单圆的锥形束体积重建问题,提出了一种基于平板检测器的T-FDK算法．不同于传统的FDK算法,该算法首先将锥形束投影数据重排为倾斜平行投影数据,然后再经过加权滤波和反投影重建,最后重建出待测物体的三维结构．数据仿真实验结果表明,该算法在保持与传统FDK算法有相同的计算复杂度的同时,重建图像的质量有了明显的提高,可以确保在较大的锥角范围内获得满意的重建图像．因而该算法在医学成像和无损探伤等领域具有重要的实用价值．     

抽样间距和投影数对卷积滤波法图像重建质量的影响

利用卷积反投影算法对图像进行重建时，要降低成本，提高成像效率，就必须选取合理的抽样间距和投影数，作者在分析抽样间距和投影数对图像重建质量影响时发现，在噪音比较大的情况下，抽样间距过小，会使重建图像的质量下降，而投影数的变化对重建图像质量的影响则相对较小。