应用于等离子体显示器的自适应子场编码驱动方法

为解决交流等离子体显示器(AC PDP)中传统“单纯累积”发光模式产生的灰度显示不足的问题,本文提出了一种自适应子场编码驱动方法(ASC).该方法中子场编码根据每一场输入图像的归一化灰度直方图进行自适应地计算,将子场编码权值选取在输入图像灰度信息最丰富的区间.同时根据计算出的子场编码,驱动电路调整各个子场的维持脉冲个数.仿真结果表明,该方法不仅能够消除AC PDP中的动态假轮廓现象,而且弥补了传统“单纯累积”发光模式造成的灰度显示不足的问题,具有良好的灰度显示效果.

L-fuzzy向量空间的L-fuzzy线性映射

给出L-fuzzy向量空间的L-fuzzy线性映射等概念,并给出了它的一些等价刻画。

结合深度学习和支持向量机的海马子区图像分割

目的由于海马子区体积很小且结构复杂,传统的分割方法无法达到理想的分割效果,为此提出一种基于卷积神经网络和支持向量机的海马子区分割方法。方法该方法构建一种新模型,将卷积神经网络和支持向量机结合起来,使用支持向量机分类器替换卷积神经网络的输出层,通过训练深层网络自动提取图像块特征,利用所提取的图像特征训练支持向量机实现图像的像素级分类。结果实验选取美国旧金山CIND中心的32位实验者的脑部磁共振图像(MRI)进行海马子区分割测试,在定性和定量方面分别对比了本文方法与支持向量机(SVM)、卷积神经网络(CNN)和基于稀疏表示与字典学习方法的分割结果。所提方法对海马子区CA1、CA2、DG、CA3、Head、Tail、SUB、ERC和PHG的分割准确率分别为0.969、0.733、0.967、0.837、0.981、0.920、0.972、0.968和0.976。本文方法优于现有的基于稀疏表示与字典学习、支持向量机和卷积神经网络的方法,各海马子区分割准确率均有较大提升,对较大子区如Head,准确率较现有最优方法提升10.2%,对较小子区如CA2、CA3,准确率分别有36.2%和52.7%的大幅提升。结论本文方法有效提升了海马子区的分割准确率,可用于大脑核磁共振图像中海马及其子区的准确分割,为诸多神经退行性疾病的临床诊断与治疗提供依据。