基于近似相机内参数的精确三维欧氏重建算法

提出一种并不需要精确知道相机内参数情况下序列图像的精确三维欧氏重建算法,与传统分层重建策略相比,利用现有数码相机的技术参数估计初始内参数,对序列图像进行准欧氏重建,避免了复杂繁琐的自定标过程。虽然从严格意义上讲,准欧氏重建方法的初始结果仍为射影重建,但场景的结构已经非常接近欧氏模型,进一步通过基于最小化重投影误差的光束平差方法可以得到精确的三维欧氏模型,仿真数据以及真实图像的实验结果验证了算法的有效性和精确性。     

小波变换用于CT图像重建及处理研究

研究了小波变换多分辨率图像重建和局部区域重建算法。在算法中 ,小波滤波器直接修正重建滤波器 ,重建得到各种细节图像 ,并能快速地得到重建图像的轮廓。由于小波变换的局部性 ,使用局部数据能重建局部图像。通过小波多尺度分析和重构系数控制 ,提出一种简单算法 ,在重建中进行图像增强和噪声消除 ,该算法将图像重建与图像处理结合在一起。与通用的算法相比 ,能提高重建速度和图像质量     

电容层析成像系统传感器的仿真分析及遗传算法图像重建

本文采用了有限元法和归一化敏感场对传感器进行了仿真分析和计算,并提出了敏感场数值从有限元域到成像域的转换方法和一种新的基于遗传算法的ECT图像重建方法。该图像重建方法利用流型数据作为初始值在一定的范围内搜索最优解,能以较高的精度重建两相流体的断层图像,为ECT图像重建算法的研究提供了一个新的思路。     

CT自适应心率变速扫描研究

针对心脏运动导致CT图像的模糊,提出了自适应心率的CT变速扫描方法.该方法可根据心率和所需要的时间可分辨率自适应选择最优的扫描拔,获得理想的投影数据.为了验证该模型,通过分段线性和非线性变形模型仿真心脏运动,利用滤波反投影重建算法进行了心脏图像重建.重建结果表明:根据心率选择合适的扫描速度可得到理想的投影数据,有效地提高了心脏图像质量,从而为CT心脏成像提供新的模式.     

基于卷积神经网络的气液两相流流型识别方法

针对两相流流型识别率不高且存在主观性的问题,提出一种基于Landweber迭代图像重建算法和卷积神经网络相结合的流型识别方法.利用Landweber迭代图像重建算法来获取流型图像并构建出流型图像数据库,通过对 VGG16网络中不同的卷积层层数和不同尺寸及分辨率的数据集样本进行流型识别,确定了网络冻结卷积层和输入图片的参...     

基于模型的CT三维医学图像重建仿真

2DShepp-Logan头部模型是CT二维医学图像重建领域普遍采用的经典模型。提出一种思路—以3DShepp-Logan头部模型作为CT三维医学图像重建进行仿真实验和算法性能评价的基本参考模型。首先介绍3DShepp-Logan头部模型的设计以及仿真投影数据的计算,进而描述所设计的CT三维医学图像重建仿真计算过程。数值实验部分给出了基于3DShepp-Logan头部模型的CT三维医学图像重建仿真实例。实验结果表明了该思路的可行性和模型计算的准确性。     

心脏CT综合仿真模型及快速图像重建

首先介绍了胸部和运动两种CT(Computerized Tomography)心脏仿真模型,通过对原模型进行简化、改进和合并,定义了新的心脏综合模型.其次,通过坐标变换和心脏运动的简化实现了模型投影值的快速计算.最后,通过多周期采集模型的投影数据,由滤波反投影算法重建图像,仿真结果表明了模型及重建方法的有效性.     

基于联合聚焦/超分辨贝叶斯模型的雷达目标超分辨重建

针对合成孔径雷达(synthetic aperture radar, SAR)、逆合成孔径雷达(inverse SAR, ISAR)等雷达目标图像,提出了一种基于联合聚焦/超分辨贝叶斯模型的超分辨重建方法。该方法基于联合聚焦/超分辨和点扩散函数参数模型,采用Metropolis-Hastings迭代更新算法,产生一系列描述目标散射截面和散焦参数概率分布特征的样本,从而估计出最佳目标散射截面元和散焦参数,实现低分辨率图像的超分辨重建。以合成与实测图像数据为例,对该超分辨方法进行了演示并给出了重建结果。实验表明,本文提出的方法对雷达目标图像重建效果良好,可用于SAR、ISAR及实波束成像等雷达图像目标信息的开发。     

非局部正则化的压缩感知图像重建算法

压缩感知(compressed sensing, CS)图像重建算法是CS图像获取问题的一个研究重点。针对传统基于稀疏性先验的重建算法不能有效重建图像的各种结构特征,为了在测量值数量不变的情况下进一步提高图像的重建质量,在稀疏性先验的基础上,引入局部自回归模型和非局部自相似性作为图像额外的先验信息,建立了非局部正则化的CS图像重建模型,并给出了相应的数值求解算法。此外,对于重建模型中图像的自回归参数,给出一种基于非局部相似点的估计方法。实验结果表明,较之传统的稀疏性正则化重建算法和同类的MARX(model based adaptive recovery of compressive sensing)算法,所提算法能获得更高的图像重建质量。     

基于近似逐次超松弛预处理的自适应CQ算法

在处理基于不完全数据重建的不适定反问题时, 针对预处理CQ算法存在的不足, 提出了一种近似的逐次超松弛自适应预处理矩阵选择策略. 该方法利用近似特征值矩阵在处理矩阵相乘和求逆中的优势, 将正则化与超松弛预处理方法合, 通过迭代逐次逼近预处理矩阵, 并给出了算法的自适应步长. 结合稀疏角度CT图像重建问题, 给出了算具体实现步骤, 通过仿真可以验证: 该策略可以使预处理CQ算法有较快的收敛速度; 当存在噪声时,也可以较好地通过提前停止迭代来提高重建精度. 该策略为预处理CQ算法在不完全数据重建领域的应用提供了参考.     

多视图像的三维重建并行计算仿真平台

针对基于视频图像的三维重建所需设备复杂和计算量大的问题,提出基于CUDA的可视外壳并行计算仿真实验平台。用三维图形绘制管线中的视点模拟真实相机,应用相机参数将各图像中物体轮廓坐标统一转换到世界坐标系,利用CUDA并行计算可视外壳。在此平台上将基于体素的可视外壳生成算法转化为CUDA线程块并行计算,仿真实验表明加速效果明显。     

基于运动结构图的无人机序列影像三维重建

无人机序列影像具有重叠度高、拓扑联系强的特点。针对现有增量式三维重建算法在处理大规模无人机影像时效率低、输出不稳定的问题,提出基于运动结构图的无人机序列影像三维重建方法。顾及地理位置信息与IMU(Inertial measurement unit) 数据建立图像索引集,提高图像匹配效率,并使用随机抽样一致性算法计算相对运动;使用运动结构图表示影像之间的“ 关联”,采用闭环检测剔除错误边;借助李代数与李群的映射关系, 融合1 L 范式与M 估计一次性求解影像全局运动,期间只进行一次光束法平差,降低了计算复杂度。实验验证本文方法在效率和效果上得到了提高。     

物体三维重建中轮廓匹配的模糊模式识别方法

基于轮廓序列的三维重建需要解决不同层面的匹配与聚集问题,传统算法在复杂流型转换中匹配准确率较低.针对传统匹配算法匹配准确率较低等问题,采用对折线求平均距离、构造模糊集的方法,给出了一种模糊聚类的数学模型,将传统的匹配问题转化为类成员的隶属度问题,最后把该模型应用到电容层析成像三维可视化系统中,并通过仿真实验验证了方法的有效性.     

裂隙灯显微图像角膜的快速、自动三维重建

角膜病变大都与角膜的几何形状的改变密切相关,快速自动的显示角膜三维形状对角膜疾病的诊治具有重要意义。提出了一种基于裂隙灯显微图像的快速、自动的角膜分割、重建方法。基于蓝色分量水平投影累积量实现了角膜快速定位。采用颜色聚类分割出角膜部分。利用一种基于曲线拟合思想的方法去除大目标周围小噪声。对于病变严重的角膜我们采用面积最大的方法识别角膜,去除噪声。采用三次样条曲线插值角膜的内外表面。在基于模型的配准中,利用角膜的对称性,设计了配准模型。实现了面绘制的角膜重建。提出方法不需要人工交互,重建速度快。重建效果较好。     

水平集方法中窄带构造技术

提出了距离模板方法并从时间复杂度、窄带宽度以及零水平集点数对窄带生成的影响等方面与快进方法、快速扫描方法进行了比较;在分析快进方法的基础上,给出了一种窄带构造算法;改进了全局快速扫描算法,以用于生成窄带。2D图像分割与3D表面重建的仿真实验表明,距离模板方法能够较快地分割图像;快进和快速扫描方法适合于表面重建等3D应用。     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外，针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。     

基于组稀疏表示和加权全变分的图像压缩感知重构

传统的基于组稀疏表示(group sparse representation, GSR)的压缩感知(compressd sensing, CS)重构算法利用信号的稀疏性和非局部相似性来重构图像信号,但没有充分考虑图像的局部平滑特性,影响了算法的重构性能。考虑信号的稀疏性、非局部相似性、平滑性3种先验信息,提出一种基于GSR和加权全变分(weighted total variation, WTV)的图像CS重构算法,并针对传统的WTV采用全局加权会引入错误的纹理以及边缘状伪影的问题,利用一种新的WTV策略,只对图像的高频分量设置权重来保证图像重构质量。此外，针对硬阈值迭代法忽略低频的主分量系数,采用硬阈值-模平方方法来更好地保护非主分量系数。实验表明,相同采样率下,所提算法的峰值信噪比比非局部正则化全变分和基于GSR的CS算法平均分别提高5.4 dB和0.62 dB,验证了所提算法有效保护图像的细节信息。