彩色视网膜图像中基于主血管网的视盘定位

视网膜图像被广泛地应用于糖尿病视网膜病变和青光眼的诊断与治疗。视盘作为视网膜图像的重要特征,是成功诊断视网膜疾病的重要前提。以彩色视网膜图像为研究对象,发展出一种快速有效的视盘定位方法。该方法首先在HSV空间的H通道中提取对比度高的主血管,然后确定主血管的方向图,最后利用一种加权匹配滤波方法找到视盘区域。该方法仅利用视网膜中主血管的方向信息,实验结果表明不仅鲁棒,而且相对快速有效。在Benchmark数据DRIVE、DIARETDB0和STARE上的准确检测率分别达到100％、97．6％和90．1％。     

基于SWA的核自联想记忆模型及其人脸识别应用

通过在传统的自联想记忆模型中引入机器学习中颇具影响力的核方法,提出了一类囊括现有自联想记忆模型的统一的核自联想记忆模型框架(KAM),并针对KAM所具有的复杂的全互连结构,借鉴最近由Watts和Strogatz提出的"小世界网络"理论,构建了一类结构相对简单、易于硬件实现的基于小世界体系(SWA)的核自联想记忆模型框架(SWA-KAM).在FERET人脸数据库上的随机加噪和部分遮挡的识别实验表明,该模型获得了比PCA算法以及最近提出的(PC)²A算法更高的识别率,表现出了较强的鲁棒性.     

基于纹理频谱子集的纹理识别

纹理频谱法是一种有效的纹理特征提取方法，但其所提取的特征高达6561（3^8）维，导致很大的存储和计算复杂性．局部二值模式通过简化纹理频谱法的定义，虽然减小了计算的复杂性，却削弱了纹理的刻划能力．为了在保持纹理频谱法纹理刻划能力的同时，又减少其存储和计算复杂性，提出了基于子集的纹理频谱方法．新方法建立在统一模式的概念上，仅提取纹理频谱的1个子集，特征维数仅为原方法的12％，大大减小了空间和时间代价．实验结果表明，新方法比纹理频谱法和局部二值模式具有更好的纹理识别性能．