基于控制点特征学习的前列腺组织轮廓线提取方法

前列腺疾病检测和诊断的重要手段之一是分析核磁共振加权成像(T2 Weighted Imaging,T2WI)与弥散加权成像(Diffusion Weighted Imaging,DWI)的结果。对前列腺组织图像识别和标注的工作依赖医生经验且效率较低,大量就诊数据的高效高精度处理成为该领域一大挑战。目前,在T2WI图像上提取轮廓的深度学习图像分割算法已有报道,但在DWI图像上提取前列腺组织轮廓,仍存在边缘模糊导致的轮廓线提取难题。针对该问题,提出一种前列腺轮廓控制点的深度学习检测方法。与直接检测轮廓线不同,该文提出一种U型卷积神经网络对轮廓线控制点进行特征学习,以降低由不同患者前列腺轮廓差异导致的特征歧义性问题。在大量已标注数据集上,采用监督学习方式,提出一种结合控制点概率与空间分布的加权损失函数以优化神经网络收敛速度与检测性能。在控制点高精度检测的基础上,采用曲线保凸拟合得到最终的前列腺组织轮廓线。在实验部分,采用前列腺就诊临床数据测试了所提方法的性能,并与直接检测轮廓线方法、多种经典图像分割方法进行了对比。在实验数据的测试结果表明,该方法在相似性系数指标及豪斯多夫距离指标等方面优于现有其他医学网络分割方法。此外,该方法由于仅学习轮廓控制点,因此其在小样本数据集上的学习能力显著优于直接检测轮廓线的深度学习方法。

针对光场图像的多尺度抗混叠绘制方法

针对现有光场图像存在混叠的问题,提出一种多尺度抗混叠绘制光场图像的方法.首先分析了光场角度降采样引起图像混叠的原因,然后给出角度采样率与图像混叠关系的数学描述,并且指出了影响图像混叠的相关因素.在此基础上,提出采用多尺度光场图像梯度融合的方法降低图像混叠,其优点在于无需场景深度先验信息.分别在虚拟光场数据和真实光场数据集上进行了抗混叠绘制实验,结果表明该方法优于经典光场绘制方法,能够得到与已知深度绘制方法相近的结果.

场景深度无关的虚拟孔径图像鬼影去除算法

与传统成像系统相比,虚拟孔径成像的深度分辨率大为提高,但虚拟孔径图像的散焦区域普遍存在较严重的鬼影问题。提出一种基于熵值计算的鬼影去除算法,特点在于无须进行场景深度估计。首先,依据光场理论分析了鬼影产生原因;随后,提出了预测图像点聚焦趋势的假设,并依此逐像素计算熵值估计低通滤波器的核函数;根据相邻像素点相似性和相邻聚焦深度图像连续性,采用在空域低通滤波的方法实现图像鬼影去除。在仿真数据和真实数据的实验表明,该算法能够有效去除鬼影,并能保持虚拟孔径图像聚焦区域的清晰成像,从而验证了文中所提出算法的有效性。

一种视差法与变焦法融合的深度估计方法

视差法与变焦法是两种基于图像的三维重建方法,由于它们在所需数据集与深度计算方法上的差异,故具有不同的优势和应用场合。通过利用摄像机阵列,在获取多视点数据集的基础上,提出了一种视差法与变焦法融合的深度估计方法。先利用视差法选取候选深度集,然后利用视差法与变焦法结果的带权线性混合函数选取最终深度,从而解决了视差法与变焦法数据集的获取及单一方法对深度不连续区域鲁棒性较低的问题。实验结果表明该方法的可行性与优越性。

基于随机遮挡孔径的光场图像混叠检测方法

现有光场采集系统存在角度信息欠采样的问题,由此引起的图像混叠效应降低了光场图像质量.本文在2D光场框架下分析了光场图像混叠的空域模型,并且提出一种变换离散孔径采样密度的混叠检测方法.该方法通过计算随机遮挡孔径(Random masked aperture,RMA)成像点集的变异系数进行混叠检测,特点在于无需已知场景深度和纹理的先验信息.以平面相机阵列为采集平台,本文在多组真实光场数据集上进行了方法的验证,并且在检测结果基础上对混叠效应进行了修正.

一种基于视频的水下场景复原算法

为了从由水面波动引起严重失真的视频中快速恢复出真实的水下场景图像,提出了一种结合序列图像配准和最优图像块选择的复原算法。首先通过一种迭代的序列图像配准算法消除视频帧中严重的几何畸变,并获得任意时刻水表面的三维形状,然后利用最优图像块选择算法从校正后的图像序列中合成出无失真的水下场景图像。实验结果表明,与主流的图像配准结合稀疏噪声去除的方法相比,算法能够获得更加准确清晰的视觉效果,同时具有更高的计算效率。

基于多特征图像视觉显著性的视频摘要化生成

如何高效提取视频内容即视频摘要化,一直是计算机视觉领域研究的热点。简单通过图像颜色、纹理等特征进行检测已无法有效、完整地获取视频摘要。基于视觉注意力金字塔模型,提出了一种改进的可变比例及双对比度计算的中心-环绕视频摘要化方法。首先,以超像素方法对视频图像序列进行像素块划分以加速图像计算;然后,检测不同颜色背景下的图像对比度特征差异并进行融合;最后,结合光流运动信息,合并静态图像与动态图像显著性结果提取视频关键帧,在提取关键帧时,利用感知哈希函数进行相似性判断完成视频摘要化生成。在Segtrack V2、ViSal及OVP数据集上进行仿真实验,结果表明:所提方法可以有效提取图像感兴趣区域,得到以关键帧图像序列表示的视频摘要。

基于时间维度局部特征的人体行为识别

视频人体行为识别算法中,局部特征三维模板卷积法难以避免背景中伪兴趣点且计算耗时。提出一种高效准确的融合时间维度和FAST角点特征的运动人体兴趣点检测方法,针对FAST角点不能表达时间维度信息的缺陷,将相邻三帧两两做差,然后在得到的前向和后向运动图像上进行FAST角点检测,取两个特征点集的交集作为当前帧运动人体局部兴趣点。该方法有效结合了时间维度信息和FAST算子的优点,具有耗时短、准确率高、运动相关性好的特点。最后应用词袋模型进行人体行为特征建模,分别应用SVM、KNN、决策树和LDA进行分类识别,在Weizmann、KTH数据库上进行测试,实验表明:SVM获得最好的分类性能,KNN获得最高的效率,因此KNN可以利用到实时的行为识别中。

显著性目标检测理论与应用研究综述

显著性目标检测旨在从输入图像中根据显著性特征,快速有效地提取场景中有用区域,即目标区域,其本质是一种分割任务。高质量的显著性目标检测技术可提升基于视觉感知的人工智能系统对场景的判断与理解能力。在计算机视觉领域,显著性检测目标检测是十分重要的一个分支,逐渐成为研究热点,在目标识别、图像检测、图像检索等相关行业中具有十分广阔的应用前景。传统的显著性检测方法主要针对简单场景下的单一模态数据,由于其场景信息完备性较低,进而导致对显著性目标特征的分析、提取、表达、计算等诸多环节的理论拓展性较弱,适用范围受限。该文围绕显著性目标检测理论研究,分析了国内外关于显著性目标检测理论研究的主要方向和发展现状,总结了显著性目标检测的主要应用,讨论了目前显著性目标检测理论研究的热点领域以及将来需要重点研究的问题和面临的挑战。

基于Graph Cuts多特征选择的双目图像分割方法

双目图像分割对后续立体目标合成与三维重建等应用至关重要。由于双目图像中包含场景深度信息,因此直接将单目图像分割方法应用于双目图像尚不能得到理想的分割结果。目前,大多数双目图像分割方法将双目图像的深度特征作为颜色特征的额外通道来使用,仅对颜色特征与深度特征做简单整合,未能充分利用图像的深度特征。文中基于多分类Graph Cuts框架,提出了一种交互式双目图像分割方法。该方法将颜色、深度和纹理等特征融合到一个图模型中,以更充分地利用不同特征信息。同时,在Graph Cuts框架中引入了特征空间邻域系统,增强了图像前景区域与背景区域内部像素点之间的关系,提高了分割目标的完整性。实验结果表明,所提方法有效提升了双目图像分割结果的精确度。

一种视频数据驱动的水体表面模型生成方法

针对视频数据噪声及计算误差造成重建流体高度场时域跳变的问题,提出一种视频数据驱动的流体表面模型生成方法。首先,在折射的流体表面重建算法基础上,利用水下场景视频数据生成初始流体表面高度场;其次,为了提高模型的时间连贯性,用数据驱动方式获取浅水波模拟关键参数的最优值;最后改进了浅水波模拟的计算求解过程,并将其作为物理约束来修正初始模型。基于真实数据的实验结果表明,该方法能够有效平滑流体模型高度场的跳变,使水体表面重建结果更加准确和连贯。

基于分形增强及孤立森林的声呐数据目标检测

针对现有声呐图像检测和判读目标精度不足的问题,提出一种基于分形维数增强及孤立森林算法的声呐数据人工目标检测算法。利用分形理论,首先计算原始声呐数据的位置及强度信号的分形特征,并将四维声呐数据提升至五维;然后利用增强后的五维数据构建孤立森林树型结构;最终采用遗传算法(genetic algorithm,GA)对孤立森林分离树的大小和数量进行自适应寻优,完成高精度的人工目标检测。基于真实海底地形声呐数据,所提算法能够同时准确检测多点虚拟人工目标,其准确率、模型评估指标(area under curve,AUC)等指标均优于现有方法。

基于光场分析的多线索融合深度估计方法

受人类视觉深度感知机理的启发,结合最近光场分析理论的进展,文中提出了一种融合多种深度线索的全局一致深度估计方法.该方法首先利用摄像机阵列获取光场数据,然后通过合成孔径成像方法获得指定深度的重投影光场,并从中提取表征深度变化不同维度的模糊与视差线索.接着文中采用光场分析方法对比了模糊与视差线索的适用情况,设计了多深度线索的融合算法,以实现不同深度线索的优势互补.进而为了获得精确一致的深度结果,文中在马尔可夫随机场模型的基础上,提出了一种自适应平滑约束的全局能量函数.最终,文中利用图割算法最小化全局能量函数,获得了平滑的高精度深度估计结果.文中分别在虚拟数据和真实数据上测试了所提出的方法,与单一深度线索和局部深度估计方法相比,文中方法能结合不同深度线索的优势并获得更加鲁棒的深度结果.

面向三维点云的场景识别方法综述

基于智能机器人代替人到各种复杂环境完成探测、防疫等大量应用的需求,场景的识别引起了研究者的广泛关注。场景识别的目的是通过提取和分析场景中的特征,获得场景的高层语义信息,从而推理出所处的具体位置,它是同步定位与建图系统(Simultaneous Localization and Mapping,SLAM)、自动驾驶、机器人导航、闭环检测的基础。三维扫描技术的快速发展使得人们能够利用各种扫描仪快速获取各类场景的点云数据。不论扫描时间、光照环境如何变化,点云场景所获取的几何信息都具有较好的不变性,因此,基于点云的场景识别成为计算机视觉领域的研究热点。本文首先对近年来面向点云数据的场景识别方法进行了归纳和总结;然后介绍用于场景识别的大规模室内/室外场景的数据集,以及用于算法评测的评价指标,同时总结了各类算法的识别率。最后指出面向点云的场景识别中所面临的问题和挑战,对未来的研究趋势进行展望。研究结果有助于相关领域学者快速全面地了解基于点云数据场景识别的研究现状,为进一步提升场景识别精度奠定基础。

基于共聚焦图像序列的深度估计方法

提出一种基于共聚焦图像的深度估计方法。采用虚拟孔径技术把相机阵列获得的多视角图像合成得到共聚焦图像序列,并将其作为聚焦测距的数据源进行聚焦分析,实现对场景深度信息的估计。针对共聚焦图像的特点,将传统聚焦测距方法中的清晰度评价算法与颜色一致性评价算法相结合,提出一种聚焦度测量算法,该测量算法同时适用于图像中强纹理区域和弱纹理区域的聚焦分析。实验结果表明,该方法对聚焦判别的有效性较高,可以获得较准确的场景深度估计。

隐特征监督的孪生网络弱光光流估计

目的弱光照条件下成像存在信噪比低、运动模糊等问题,这对光流估计带来了极大挑战。与现有“先增强—再估计”的光流估计方法不同,为了避免在弱光图像增强阶段损失场景的运动信息,提出一种隐特征监督的弱光光流估计孪生网络学习方法。方法首先,该方法采用权重共享的孪生网络提取可映射的弱光光流和正常光照光流特征;进而,计算弱光邻帧图像的K近邻相关性卷表,以解决计算4D全对相关性卷表的高时空复杂度问题;在全局运动聚合模块中引入针对二维运动特征的注意力机制,以降低弱光条件下强噪声、运动模糊及低对比度对光流估计的不利影响。最后,提出隐特征监督的光流估计模块,采用正常光照光流特征监督弱光照光流特征的学习,实现高精度的光流估计。结果与3种最新光流估计方法的对比实验表明,在正常光照条件下,本文方法取得了与现有最佳光流估计方法相近的性能。在FCDN(flying chairs dark noise)数据集上,本文方法光流估计性能最优,相较于次优方法端点误差精度提升了0.16;在多亮度光流估计(various brightness optical flow,VBOF)数据集上,本文方法端点误差精度提升了0.08。结论本文采用权重共享的双分支孪生网络,实现了对正常光照和弱光照光流特征的准确编码,并采用监督学习方式实现了高精度的弱光照光流估计。实验结果表明,本文方法在弱光光流估计精度及泛化性方面均具有显著优势。本文代码可在https://github.com/suzhansz/LLCV-net.git下载。

油画相似度的表面光场特征点分布鉴别

目的油画区别于其他绘画形式的重要特征之一是其颜料图层存在厚度变化。因此,油画相似度鉴别不仅关注油画的纹理色彩细节,也需考虑其表面颜料厚度的差异。针对颜料厚度的细微变化,提出一种油画相似度的表面光场特征点分布鉴别方法。采用光场成像技术观测由于油画表面厚度起伏导致的不同角度成像的差异,以量化计算油画表面光场的相似性。方法该方法采用一块微透镜阵列板对油画表面的角度域变化进行光场编码,利用光场相机采集编码后的油画表面光场。在此基础上,选取油画表面光场中角度域差异大的特征点集合,采用K-Means方法对该特征点集合的二维分布进行多边形向量化描述。进而提出计算关键点连接线的欧氏距离与线段夹角,以度量表面光场特征点分布多边形的相似性。结果采用Illum光场相机拍摄了多组真实油画的表面光场实验数据,实验结果表明本文方法可对存在细微颜料厚度差别的油画相似度进行鉴别。在对油画表面光场的识别区分度以及检测精度方面,本文方法显著优于现有图像特征匹配鉴别方法。结论实验分析表明,相比于经典交并比及相似度系数,所提出油画相似性度量具有更优的相似性度量精度。通过调整编码板与测试油画表面距离的反复实验,验证所提方法能够有效检测0.5 mm以上厚度变化的表面光场差异。

面向旷场实验视频分类的特征拼接矩阵学习方法

目的旷场实验(open field test,OFT)是行为学与药理实验分析中常用的实验方法。为了对比测试组和参考组被测小鼠的行为特征差异,通常需要耗费大量精力对旷场实验数据进行处理和观测。由于旷场实验数据量大且较依赖观测人员的主观判断,导致对小鼠行为差异观测的精度较低且缺乏量化评价指标。为此,本文提出一种基于卷积神经网络(convolutional neural networks,CNN)的旷场实验视频分类方法,可基于量化特征对两组小鼠的行为差异自动分类。方法从视频空域和时域中提取22维的小鼠运动行为特征,经过量化后生成特征矩阵,进而以矩阵拼接方式构造可学习的行为特征矩阵样本,利用不同结构卷积神经网络对提取的行为特征矩阵样本进行训练和分类,并分析网络结构对分类结果的影响,在实现两组小鼠分类的基础上,对不同维度小鼠行为特征对分类精度的重要性进行评价。结果在真实旷场实验数据集上的实验分析表明,本文算法的分类准确率为99.25%。此外,由实验结果分析发现小鼠的大角度转向频次、停留区域与时间对小鼠分类的重要性高于其他维度特征。结论提出的特征拼接矩阵学习方法能够准确识别两组小鼠旷场实验视频的差异,本文方法的分类准确率明显优于现有人工分析及经典机器学习方法。

圆柱度误差测量软件中的评定算法

针对目前圆柱度误差评定的四种常见方法，比较了一些评定算法，并结合实际测量中的测量点分布不均匀，采样数据量较大的情况，选择了一些相对较为合理的算法作了具体阐述。因而这些算法有着比较广的适用范围，且易于计算机编程对测量数据进行处理。