矩在面部表情识别中的应用

将Zernike矩和小波矩运用于面部表情识别问题,分别计算了面部图像的Hu矩、Zernike矩、Haar矩、Shannon矩和B样条矩,以模式识别中常用的类间距作为依据,提取了面部图像的各种矩的最好特征和次好特征,并对Zernike矩和B样条矩的识别能力和抗噪性进行了比较.实验证明:用Zernike矩作为面部表情特征,其识别率在特征数取5个时能达到95%,B样条矩在特征数取2个以上时识别率能达到100%.     

利用基于内容的网格模型进行图像恢复

将基于内容的自适应三角形网格模型这种图像表达方法应用于图像恢复.在图像恢复过程中,首先提取图像的特征图,并利用Floyd-S teinberg算法和Delaunay三角化算法产生网格,用来表达图像;然后利用正则化方法对网格节点的灰度值进行迭代,从而恢复该节点的灰度值;最后利用已恢复的网格节点对像素点进行Lagrange插值,从而得到恢复后的图像.该方法能对含有噪声的图像进行有效地恢复,试验证明较有约束最小二乘方法性能更好.     

完备的Zernike矩不变量集的构造及应用

为了解决模式识别应用中传统的不变量特征之间的相关性问题,基于Zernike矩提出一种构造其完备的相似变换不变量集的新方法.首先,根据图像的Zernike矩与径向矩之间的关系,以径向矩为中间桥梁,建立原图像的Zernike矩和旋转缩放后图像的Zernike矩之间的关系,然后由原图像的同阶和低阶Zernike矩线性组合即可...     

肿瘤放疗并发症概率预测模型参数拟合方法

为了建立具有群体特异性的肿瘤放疗NTCP预测模型,提出了一种模型参数拟合方法.首先,基于NTCP模型的特点构建最大似然函数;然后,分别采用确定性优化方法和随机性优化方法对最大似然函数进行优化,分析优化过程的时间成本及优化结果,探讨用于拟合NTCP模型参数的最优方法.实验结果表明,用于拟合NTCP模型参数的最大似然函数是非凸的,存在局部最优解;遗传算法是一种最稳定的最大似然函数优化方法,其运行时间比模拟退火算法短,而且可以在每次优化结束后给出全局最优解,以作为NTCP模型参数.所提方法可以帮助肿瘤放疗工作者在临床随访数据的基础上建立具有群体特异性的放疗并发症预测模型.     

音频压缩中3种整数型MDCT变换的比较

为了快速计算整数型改进的离散余弦变换(IntMDCT),构造了基于提升变换、模变换以及无穷范数旋转变换的3种计算12点IntMDCT的算法.首先将12点MDCT转化为6点Ⅳ型离散余弦变换(DCT-Ⅳ),并将后者分解为7个Givens旋转变换的乘积;然后分别利用提升变换算法、模变换算法和无穷范数旋转变换算法实现Givens旋转变换的整数型近似计算;最后,对这3种算法在语音信号无损和有损压缩中的运行速度和计算精确度进行比较.实验结果表明,在这3种算法中,基于模变换的IntMDCT算法的运行速度最快;基于无穷范数旋转变换的IntMDCT算法的计算精度最高,并在有损音频压缩中获得的信噪比最高.     

一种新的活动轮廓模型算法

传统的活动轮廓模型具有处理速度慢，运算量大，对凹陷轮廓处理效果差等缺点．本文把小波多分辨率技术应用于主动轮廓算法，结合梯度矢量流(gradient vector flow，GVF)概念，首先在低分辨率的图像上进行处理，得到结果后，再在高分辨率层次上继续处理，由此解决了初始轮廓必须离真实轮廓很近的问题，提高了运算速度；同时利用小波分解的方向性，降低了搜索的范围，进一步提高了轮廓收敛的速度；由于使用了GVF所产生的外力场，对于凹陷轮廓同样可以保证正确的收敛．同时比原始的GVF方法处理速度要快得多．     

心脏多层CT数据中冠状动脉中轴的提取

提出一种冠状动脉跟踪算法,算法以局部血管模型为基础,采用三维几何矩、多尺度Hessian矩阵分析以及血管滤波算子,估计最优尺度下血管的中轴点坐标、尺寸及方向。算法采用跟踪策略以改进其效率,由初始种子点出发,依次提取冠状动脉血管的中轴点,最终构成冠状动脉血管树。分叉点检测算法能够有效地检测出可能的分叉点,并提取分支血管的种子点坐标。实验结果表明,算法能够有效地提取多层CT数据中的冠状动脉中轴线。结合估计的血管尺寸,三维模型能清楚地显示冠状动脉的解剖结构。同时算法有较高的计算效率,在普通的PC平台上,其运行时间能够控制在数分钟内。     

利用离散正交矩的有限角度CT图像重建

补全未知角度投影数据是提高有限角度CT图像重建质量的有效方法．提出一种新的投影数据估计算法,利用离散Radon变换和Tchebichef正交多项式建立图像矩和投影矩之间的关系,并用这种关系从已知投影数据中估计未知投影数据,达到提高重建图像质量的目的．实验证明,该方法能提高估计投影数据的精度,获得更好的重建结果,并具有更好的抗噪声性能．     

基于Zernike矩和水平集的超声图像分割

为了提高超声图像的分割精确率,提出了一种基于Zernike矩和水平集的超声图像分割方法.首先,利用9个具有不同阶数和重复度的Zernike矩提取超声图像的纹理特征,保留矩的幅值和相位,获得18个特征图,同时在每一特征图目标区域内外采样,利用采样值计算出特征图的权值.然后,将特征图与高斯算子进行卷积,计算其边缘检测函数,将所有特征图的边缘检测函数与对应的特征图权值相乘,所得结果之和即为该超声图像的边缘检测函数.最后,利用基于变分函数的水平集方法对超声图像进行分割.基于前列腺超声图像的实验结果显示,相比基于梯度的水平集方法和基于Zernike矩幅值的水平集方法,所提方法具有更高的分割精度,dice相似系数达到95%以上.     

基于Zernike矩和BP神经网络的纹理分割

提出了一种基于Zernike矩和BP神经网络的纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Zernkie矩,然后通过非线性变换器将得到的矩值转换成纹理特征;选择BP神经网络作为分类器,将图像的每个像素得到的n维特征向量输入BP神经网络进行分类,最后将结果标注在原图像上.和基于Legendre矩的纹理分割结果相比,基于Zernike矩的纹理分割可以降低分割错误率.