低算力深度学习下的图像卡通风格化研究

在深入研究图像风格迁移的基础上，提出了一种适用于图形处理器性能受限情况下，卡通（cartoon）图像风格迁移训练的生成式对抗网络(generative adversarial networks，GAN)．利用视觉几何组（visual geometry group，VGG）网络提取图片先验信息，实现学习过程的加速；裁剪cartoonGAN模型，在保证效果的基础上，使得低性能计算条件下的网络收敛成为可能；设计合理的损失函数，保证整体风格化效果．基于tensorflow 2.0构建试验平台，通过对试验结果分析可发现，该方法的迁移效果好，稳定性强，且收敛时间短．对算法的参数和初始化方法给出了相关讨论，并提出了进一步的解决方案．      

网格模型上的离散测地线

测地线是微分几何中的重要概念,用于描述曲面上两点之间的最短曲线,相当于平面上两点之间的直线段,它在计算机图形学、图像处理、计算几何、计算机视觉等学科中有着广泛的应用.自20世纪80年代以来,关于离散测地线已有广泛研究,众多学者提出了许多切实可行的算法.本文将在介绍光滑曲面上的测地线和离散网格上测地线概念的基础上,对网格模型上的离散最短测地线和最直测地线的定义、性质及相关算法进行归纳总结,重点讨论网格模型上离散最短测地线的相关算法,包括完整网格和有缺陷网格上最短测地线的精确算法和逼近算法,对各类算法进行深入研究,详细论述每个算法的基本思想与实现方法,从多个角度分析每个算法的优缺点,并对他们各自的时间复杂度、空间复杂度及适用范围等进行对比,最后对离散测地线的相关研究进行展望,有利于后续对测地线算法的深入研究.     

面向磁共振影像超分辨的WGAN方法研究

针对磁共振成像（magnetic resonance imaging,MRI）超分辨率重构任务,提出了Wasserstein 生成式对抗网络（Wasserstein generative adversarial network,WGAN）,构建了合适的网络模型与损失函数;基于残差U-net WGAN 后端上采样超分模型,设计了感知、纹理和对抗损失,用于恢复低分辨率MRI影像中的细节信息．此网络在2D-MRI的3 000张脑影像上获得的峰值信噪比（peak signal to noise ratio,PSNR）是33.09 dB,结构相似度（structural similarity index measure,SSIM）的平均值为0.95;PSNR与SSIM的值与经典超分法相比较,分别增加了4.09 dB和0.06．这表明:网络能更好地学习MRI从低分辨率到高分辨率影像之间的映射关系;该方法有效稳定,可以广泛应用于相似系统．      

基于贪婪Snake模型与多尺度分析的图像分割

为了准确分离目标区域,提出了一种基于贪婪Snake与多尺度图像增强相结合的新的轮廓分离模型.首先对输入的图像给定一个初始轮廓,然后应用多尺度分析进行图像增强,之后在不同的尺度中运用贪婪Snake模型进行轮廓的分离,最终分离出理想的目标轮廓.实验证明该方法提高了分割的精度.     

基于周期性曲率函数的轮廓线匹配技术研究

轮廓线的自动匹配问题是计算机视觉、自动化和模式识别中的一个重要问题。传统的匹配方法中在特征描述部分容易出现误差,并且缺乏全局性。为此提出了基于连续函数曲率概念的周期性离散曲率函数,解决普通轮廓线勾画外形中的图形匹配问题。周期性离散曲率函数具有和原有图形相似的位移、旋转和缩放特性,具有很强的全局性。该方法具有直观和速度快的特点,并且实用可靠,可广泛地应用于类似系统。