医用可吸收止血材料研究现状与展望

无论是交通事故、自然灾害亦或者是外科手术都会伴随着严重创伤,而严重创伤发生后其不可控的出血造成是导致伤者死亡的最重要因素。因此,在创伤发生后减少伤者失血、快速控制创口出血是紧急救治中至关重要的措施 。由于创面的复杂性、异物引入的不相容性和去除止血材料的创伤性,在传统止血方式无法达到有效止血的情况下,医用可吸收止血材料(Medical absorbable hemostatic material)可以通过加快创口的血小板血栓形成以及血液凝固 。并且由于其快速覆盖创面止血、可以被伤者自身吸收、材料稳定性和安全性高的特点在救治过程中发挥了降低感染和并发症发生率、缩短伤者住院时间、降低输血使用量、减少二次止血发生率等优势 。

一种新的浮选泡沫图像识别方法

针对灰度共生矩阵法提取的浮选泡沫图像纹理特征相互混叠,不利于聚类和识别的问题,提出一种基于正交保局投影和支持向量机的浮选泡沫图像识别新方法.该方法利用正交保局投影法对原始纹理特征参数进行变换处理,有效改变了不同类别特征参数的聚集程度,并利用支持向量机进行分类.实验结果表明,所提方法的正确识别率能够达到93.5%,与基于最近邻分类器的主元分析法相比,其性能更好.

基于多种群粒子群优化算法的主动轮廓线模型

主动轮廓线模型凹陷边界点的寻优属于动态优化问题,由于其复杂性,传统方法不能准确搜索到最佳边界点。若采用单一的粒子群优化算法求解,不仅耗时,而且容易陷入局部极值。针对以上问题,提出一种多种群粒子群优化算法,并将其应用于主动轮廓线模型的边界寻优过程中。该算法为每个控制点设置一个种群,各种群之间通过共享信息的方式协作寻优,从而避免采用单一PSO算法容易早熟的缺点,同时扩大了控制点的搜索区域,提高了收敛速度。将改进方法与传统方法进行了对比,实验结果证明了改进方法的有效性。

一种新的特征提取方法及其在模式识别中的应用

核典型相关分析(KCCA)是一种有监督的机器学习方法,可以有效地提取非线性特征。然而随着训练样本数目的增加,标准的KCCA方法的计算复杂度会随之增加。针对此缺点,提出一种改进的KCCA方法:首先用几何特征选择方法选择一个训练样本子集并将其映射到再生核希尔伯特空间(RKHS),然后设计了一种提升特征提取效率的算法,该算法按照对特征分类贡献的大小巧妙地选取样本的特征值,进而求出其相应的特征向量,最后将改进的KCCA与支持向量数据描述(SVDD)多分类器相结合用于分类识别。在ORL人脸图像数据库上的实验结果表明,改进的方法相对传统的KCCA方法,在不影响识别率的情况下提高了人脸识别速度,减小了系统存储量。

基于改进KCCA的快速特征提取方法

KCCA特征提取技术具有处理非线性数据的良好性能,但是存在计算量大、特征提取缓慢的局限性。针对KCCA的这一缺点,在研究KCCA特征提取技术和SVDD分类理论的基础上,提出了一种基于改进KCCA的快速特征提取方法,并将改进后的KCCA与SVDD的优势相结合应用于人脸识别中。通过在ORL人脸库上的实验仿真和对比结果验证了所提出方法的有效性。

基于RPCA与空间相关约束的运动目标检测方法

传统的RPCA方法使用L1范数约束前景目标,对于很多复杂的环境往往不能很好地逼近真实前景区域。复杂环境下的目标检测受到背景杂波、噪声、光照变化、场景中存在阴影等因素的影响,需要尽可能引入先验信息提升鲁棒性。利用RPCA这一正在发展的工具,在矩阵低秩稀疏正则化框架下将矩阵求解与视频前景目标的空间连续性结合起来,引入TV范数约束前景的空间连续性,从而弥补现有低秩表示方法的不足。采用交替迭代的思想,使用增广拉格朗日乘子法对目标函数进行优化求解,实现复杂环境下的运动目标检测。使用视频数据集进行算法测试,与其他有代表性的方法对比,该算法在准确性和鲁棒性方面均有很大提高。

基于低秩稀疏分解的自适应运动目标检测算法

传统的低秩稀疏分解方法使用l1范数把场景中的运动目标建模为稀疏离群值,分离出低秩的背景成分与稀疏的运动目标成分。然而,在许多实际场景中往往会有动态背景的情形(例如水面波纹、树木摇动),l1范数并不能区分出这些干扰与真实目标,从而大大影响检测效果。实际上,运动目标区域中的像素不仅仅具有稀疏性,还具有空间分布上的连续性。通过引入空间融合稀疏约束,在空间连续性和稀疏性两方面对运动目标进行建模,使模型更符合目标像素的分布规律。同时,设计了一种自适应的参数更新方法,使算法的鲁棒性进一步提升。在公共数据集上的大量实验表明,相比于传统方法,该算法在准确率和鲁棒性方法有很大提高。