基于Log-Euclidean协方差矩阵描述符的医学图像配准

患者随访CT图像之间的配准有助于提高诊断的可靠程度和改善治疗效果,是监测术后康复状况、确定或调整治疗方案等的前提.当前,先进的微分同胚形变配准算法的形变场驱动力仅依靠图像灰度和梯度信息,使得其对复杂形变的配准明显表现出驱动力不足、形变程度不高、鲁棒性较弱、配准精度低等问题.针对这些问题,该文提出将对数欧拉协方差矩阵(Log-Euclidean Covariance Matrices,LECM)描述符结合于配准模型的目标函数中构建了一种新配准算法模型,称为LECM Demons模型.该算法首先将图像每一像素的灰度信息、位置信息、一阶和二阶梯度范数信息映射为一个特征空间;然后,对特征空间采用积分图像方法快速计算每一像素的协方差矩阵;接着,通过矩阵的对数映射将协方差矩阵映射为Log-Euclidean空间中的特征描述符简称为LECM描述符,其对大的旋转、缩放、照度等变化具有不变性的特点,能够有效地描述图像的结构特性;最后,将待配准两图像对应的LECM描述符的欧氏距离作为一个新的匹配项添加到Log-Demons配准框架的目标函数,为大而复杂形变的图像配准提供了具有结构信息约束的形变场驱动力,同时确保了新目标能量函数的可微性.此外,为了进一步提高配准的收敛速度和精度,在新配准算法实现中采用了多分辨率优化策略.实验结果表明,LECM Demons算法对复杂形变具有较强的鲁棒性,配准精度与先进的形变配准算法相比平均改善50%以上,同时保持了较高的计算效率.

基于脑电信号空域特征的紧急制动行为识别

基于脑电信号对紧急制动行为的分类识别和预测,是开发以人为中心的智能辅助驾驶系统的关键问题。为实现对驾驶过程中紧急制动和正常驾驶行为的分类识别,提出了基于PLV的特征表示方法来构建功能性脑网络,结合对网络特征参数的统计分析,确定显著性差异的特征参数,以及通过对数欧式距离提取脑电信号空域特征,并结合机器学习算法完成对紧急制动和正常驾驶行为的分类识别。实验结果表明,针对17名被试的紧急制动和正常驾驶的分类准确率均高于84%,最高准确率达到95.7%;对功能性脑网络的分析结果表明,在两种驾驶行为过程中,脑区间的交互都涉及全脑区,且在紧急制动过程中,脑区间的交互主要出现在额-中央-颞叶区,这与紧急制动下大脑更专注于判断决策相符。研究结果对理解驾驶过程中,尤其是紧急制动过程中驾驶员对应脑区间的依赖关系,以及开发智能辅助驾驶系统在驾驶过程中提前识别紧急制动意图具有一定的参考价值。

基于推广流形学习的高分辨遥感影像目标分类

针对传统的流形学习算法不能对位于黎曼流形上的协方差描述子进行有效降维这一问题,本文提出一种推广的流形学习算法,即基于Log-Euclidean黎曼核的自适应半监督正交局部保持投影(Log-Euclidean Riemannian kernel-based adaptive semi-supervised orthogonal locality preserving projection, LRK-ASOLPP),并将其成功用于高分辨率遥感影像目标分类问题.首先,提取图像每个像素点处的几何结构特征,计算图像特征的协方差描述子;其次,通过采用Log-Euclidean黎曼核将协方差描述子投影到再生核Hilbert空间;然后,基于流形学习理论,建立黎曼流形上半监督正交局部保持投影算法模型,利用交替迭代更新算法对目标函数进行优化求解,同时获得相似性权矩阵和低维投影矩阵;最后,利用求得的低维投影矩阵计算测试样本的低维投影,并用K–近邻、支持向量机(Support victor machine, SVM)等分类器对其进行分类.三个高分辨率遥感影像数据集上的实验结果说明了该算法的有效性与可行性.

基于双边滤波的协方差目标跟踪算法

现有的使用协方差建模的目标跟踪方法在目标形变或是光照变化较大的情况下,达不到理想的跟踪效果。在分析目前协方差建模目标跟踪方法缺点的基础上,提出一种融合双边滤波的协方差目标跟踪算法。首先,将待跟踪图像进行双边滤波,提取滤波后的图像特征构建协方差特征矩阵作为跟踪模板。其次,由于协方差矩阵为对称正定流形,服从对数-欧几里德黎曼度量。在此度量下,构建了目标协方差矩阵相似性度量和模板更新策略。各种条件下的实验结果表明,新构建的基于双边滤波的协方差特征矩阵对目标形变和光照变化有更好的适应性。

基于非线性最小二乘原理的原木端面识别算法

为了更好地进行原木端面识别,研究了一种基于非线性最小二乘原理的椭圆拟合算法。椭圆拟合的精度在很大程度上受初始值的影响,该方法通过对目标图像的边界点进行距离计算,得到了适当的初始值;之后运用最小二乘原理,计算边界点到拟合椭圆之间欧式距离的最小值,确定最优拟合椭圆的长短轴参数。实验结果表明,提出的算法在原木端面的识别中,具有良好的拟合精度和适用性。

基于协方差矩阵的压缩感知跟踪算法

压缩感知是信号处理领域的新理论,用于目标跟踪算法时可在大量底层特征中提取出少量重要信息,减少计算量,提高算法速度。传统的基于压缩感知的跟踪算法,为了保证算法速度,对压缩后的特征简单建模,准确性还有待提高。提出一种基于协方差矩阵的压缩感知跟踪算法,先利用压缩感知原理获取压缩后的Haar特征,再利用协方差矩阵融合Haar特征区域内的底层多维特征,以此构建目标模型,并通过搜索当前目标区域的邻域,利用流形空间上的距离度量算法匹配最佳目标,从而提高算法准确性。

基于LoG算子的棉花图像检索算法研究

针对基于边缘检测的图像检索中边缘点容易受到噪声干扰的问题,提出一种基于LoG边缘算子的棉花图像检索算法。首先在求取边缘检测前进行滤除噪声处理,然后根据欧式距离衡量图像间的相似性。棉花图像数据集的试验结果表明,算法能够有效去除边缘噪声,提高了图像检索的查全率和查准率,尤其适用于高噪声环境下的棉花图像检索。

基于局部特征与轮廓控制的磁共振扩散张量插值方法

目的在保持生物体扩散张量物理性质和控制张量行列式轮廓基础上进一步提高张量插值的质量。方法提出一种基于局部特征与轮廓控制扩散张量图像轮廓控制插值方法,也即基于邻近多个张量值的对数-欧氏距离,对基于黎曼测地线上非匀速运动的轮廓控制插值方法的空间距离进行修正。结果脑部磁共振扩散张量图像的插值重建实验结果表明,本文方法和其他常用插值方法相比,3种在不同的误差度量下误差较其他方法均有显著性改善(P<0.01),任取样本的各项异性分数值误差也有一定的减小。结论在脑磁共振扩散张量图像插值中,本文方法能保持生物体扩散张量物理性质并控制行列式轮廓,减少扩散张量插值的误差,改善插值效果。

基于不同解码类型的8PSK软解调算法研究

无线宽带系统常采用多进制调制来提高频谱利用率,同时根据应用的环境,选用卷积码或者Turbo码作为差错控制编码来对抗传输信道的噪声和衰落的影响。在信道解码的过程中,为了提高解码增益,译码时需要软解调信息,一般采用对数似然比LLR作为软解调的输出信息。LLR通常采用经典的欧式距离计算方法得到,但是这种方法运算量大、处理时间长、实现成本高。为了解决这个问题,设计了边界判决法和星座点合并法来计算LLR,最后通过仿真比较了简化前后算法的性能,并给出了实际应用的效果。

有效的协方差判别学习算法

在基于视频的图像集分类中,类内样本多样性问题是影响算法分类性能的一个主要原因.为了尝试解决该问题,提出了一种图像集分类算法,其目标体现在2个方面:(1)使得算法在时间效率上相较于协方差判别学习(CDL)等具有代表性的图像集分类算法有进一步的提升;(2)使得算法在分类精度上也仍然具有可比性.首先利用双向二维主成分分析对原始的协方差特征进行降维,使其变得更加紧凑.同时,为了抽取到更具判别性的特征信息,对每一个低维紧凑的协方差矩阵应用QR分解,使其变换成一个正交基矩阵和一个非奇异的上三角矩阵.考虑数据分布空间的黎曼流形特性,通过定义函数的方式使得上三角矩阵仍然分布在由对称正定(SPD)矩阵张成的SPD流形之上.此时,原始的样本空间就转化成了一个由正交基矩阵张成的Grassmann流形和一个特征分布更加紧凑的新的SPD流形.为了更好地整合这2种黎曼流形特征,首先利用Stein散度以及对数欧氏距离导出一个黎曼流形测地线距离度量;然后,利用该度量设计一个正定的核函数将上述特征映射到一个高维Hilbert核空间;最后,利用核判别分析算法进行判别子空间特征学习.文中算法在5个基准视频集YTC, Honda, ETH-80, MDSD以及AFEW上均取得了较好的分类结果,同时在计算效率上也优于CDL等对比算法,从而表明了其可行性和有效性.

李雅普诺夫方程的新解法

利用对数欧氏度量的方法给出李雅普诺夫方程的新解法.介绍了李雅普诺夫方程的由来,介绍对称正定矩阵流形的黎曼度量以及对数欧氏度量下的距离函数,给出求解李雅普诺夫方程的迭代公式,并给出模拟仿真的结果.

基于录井资料的储层流体性质识别新方法——以川西地区须家河组储层为例

传统录井资料解释技术在成因机理、检测精度、解释模型等方面缺乏相应的理论指导,因此没有可靠的评价模型与评价标准,从而造成录井资料解释可靠性差的结果。针对目前勘探开发目标多样化的发展趋势,以及各类复杂油气藏、深层油气藏、薄互层、非常规油气资源的钻探现状,基于数理统计技术,以录井色谱分析的天然气组分数据为基础数据集,根据变量空间中欧氏距离与马氏距离对多元变量相互之间影响的不同反应能力,分析了采用不同空间距离算法的流体识别模型在识别气层与水层方面的不同能力,所构建的判别模型在四川盆地川西地区上三叠统须家河组气藏进行了应用,模型预测准确率在83%以上。进而结合识别模型自身的特点,进一步提出了一个优化模型,与欧氏模型、马氏模型相比较,对储层流体性质的识别能力得到进一步提高,预测准确率为97.22%。同时对传统的气测解释技术也提出了一个基于严格数学意义上的评价方法,并对新建识别模型和传统模型进行了对比分析。

Web使用挖掘在网络学习中的应用研究

在讨论Web使用挖掘在网络学习中的应用过程中,提出一种改进的基于向量的聚类算法.在算法中,首先以学习站点的URL为行、以UserID为列建立页面用户关联矩阵,元素值为学习者的访问次数,然后使用欧氏距离进行度量向量之间的相似性,对列向量进行相似性分析得到相似学习者群体,对行向量进行相似性度量获得相关Web页面.分析表明,Web使用挖掘在网络学习中的应用是可行、有效的.

基于对数欧氏度量学习的概率黎曼空间量化方法

在许多机器学习应用中,需要分析的数据可能由对称正定矩阵构成,而经典的欧氏机器学习算法处理这种数据的性能较差。针对此问题,提出一种新的基于对数欧氏度量学习的概率黎曼空间量化方法。该方法将对称正定矩阵看做对数欧氏度量下黎曼流形上的点,采用对数欧氏度量学习距离函数将概率学习矢量量化方法从欧氏空间推广到对称正定黎曼空间。在BCI IV 2a脑电数据集上,该方法相较于概率学习矢量量化方法识别正确率提升20%,高于竞赛第一名;并且计算速度快,模型训练及测试时间分别为基于仿射不变度量的同类型算法的1%和10%。在BCI III IIIa和图像数据集ETH-80上也取得了较好的结果。

基于主成分分析的欧氏距离排序法构建新型气测录井解释图板

塔木察格盆地南贝尔油田地质条件复杂,以岩性油气藏为主,储集岩普含凝灰质,孔隙类型多样,非均质性强。凹陷内南屯组目的层总体属于中低孔隙度、特低渗透率型储集层,流体性质识别难度较大,传统的气测录井图板解释符合率较低。为了探讨南贝尔油田南屯组储集层流体性质识别的有效方法,收集研究区26个已获试油验证的储集层流体8项气测录井参数的原始数据,将通过降维得到的3个主成分作为新变量,求取经主成分计算后的新样本及其均值间欧氏距离与偏离距,进而构建欧氏距离排序法气测录井解释图板,基于新样本之间相异相离、相似相聚原理,实现不同流体性质解释层的空间定位与划分。应用该图板对输入样本的解释符合率为92.31%,对待识别样本解释符合率为86.67%,表明该方法建立的气测录井解释图板识别能力较强,能满足实际生产需要。