引入局部全局信息的区域自适应局域化快速活动轮廓模型

针对HIFU超声图像中子宫肌瘤的分割难题,该文提出了一种准确高效的引入局部全局信息的区域自适应局域化快速活动轮廓模型.该模型引入了图像的局部全局信息形成局部全局力,并依据演化曲线上各点周围的灰度分布均匀程度动态地决定图像的局部全局信息和形状约束信息的使用范围,克服了HIFU子宫肌瘤超声图像分割中的初始化轮廓敏感性问题.该模型通过利用该灰度分布信息自适应地改变局域区域的半径大小,进而在活动轮廓曲线演化过程中动态地调整局域化区域范围,提高了分割的准确性及曲线的演化效率.最后在演化曲线上通过使用同一局部区域计算相邻像素的局域作用力,进一步提高了分割效率,最终实现了HIFU子宫肌瘤超声图像的准确高效分割.实验结果表明:该文方法克服了HIFU子宫肌瘤超声图像分割的难题,相较于最近提出的MSLCV模型,获得了更准确高效的分割结果,且平均计算效率提高了84.6%.

融合全局和局部信息的水平集乳腺MR图像分割

针对乳腺核磁共振成像的灰度不均匀现象,提出一种融合全局和局部信息的水平集图像分割方法(global and local combined C_V,GLCCV)。该方法将图像的局部信息融入基于全局信息的Chan-Vese(C_V)水平集方法;根据局部灰度拟合均值占全局灰度均值的比例,构造自适应平衡指示函数调节全局和局部效应之间的均衡;加入惩罚项以避免重新初始化。对比实验表明,该水平集分割模型能够有效分割多种灰度不均匀场景下的乳腺MR图像,在抗噪和精确性方面优于融合前的分割方法。

融入图像全局信息的局部图像拟合模型

为提高局部图像拟合(LIF)模型对初始轮廓的鲁棒性,提出了一种新的融合图像全局和局部信息的活动轮廓模型(LIF_GI模型)。针对灰度均匀图像,利用图像的全局均值构建了全局图像拟合(GIF)模型,结合GIF模型和LIF模型的优势,通过构造新的图像拟合函数构建了LIF_GI模型。为避免对水平集函数进行繁琐的重新初始化操作,使用反应扩散(RD)方法实现水平集演化。实验表明,所构建的GIF模型在灰度均匀图像上能够获得满意的分割结果,且容许灵活的轮廓初始化。在分割灰度不均匀图像时,LIF_GI模型有效地降低了LIF模型对初始轮廓的敏感性,与LIF模型相比,LIF_GI模型又表现出迭代次数少、检测速度快的优势。

结合全局和局部信息的水平集图像分割方法

LBF模型对初始轮廓大小和位置非常敏感,并且只考虑了图像的局部信息,没有考虑图像的全局信息;CV模型利用图像全局信息,对初始轮廓具有较强的鲁棒性。两种模型对椒盐噪声污染的图像不能取得令人满意的结果。针对以上问题,在原有CV模型和LBF模型能量函数基础上,各自构造一个新的能量拟合项,增强对高斯噪声和椒盐噪声的抗噪性。采用新构造的CV模型,使用图像的全局信息得到粗分割轮廓;以粗分割轮廓作为新构造LBF模型的零水平集,利用图像的局部信息得到图像的精确分割结果。同时提出一种新的边缘检测算子,重新定义边缘停止函数,进一步提高模型的抗噪性。相较于CV和LBF模型,结合全局和局部信息的Wang和Qi模型,提出的模型能得到更优的图像分割结果,具有较强的抗噪性。

车辆调度问题的全局—局部最优信息比粒子群算法研究

文章提出了一种新的改进标准粒子群算法即全局—局部最优信息比粒子群算法。该算法与标准粒子群算法和全局—局部最优最小值粒子群优化算法作了比较,仿真实验结果表明,该算法在收敛速度、解的质量和鲁棒性上都表现出了较优的性能,是求解车辆调度问题的一种较好方法。

结合全局和局部信息的区域相似度活动轮廓模型

基于全局信息的CV(Chan-Vese)模型不能有效分割灰度不均匀的图像,而图像局部信息更能反映目标图像的特征。在CV模型的基础上融入目标的局部信息,并在目标函数中使用相对熵度量最小化轮廓内外区域的相似度,以提高图像分割准确度和抑制图像噪声。实验结果表明,此方法能够提高图像中灰度分布不均匀区域的目标分割精度,加快了收敛速度,并能准确定位目标对象的轮廓位置。

基于特征分离的复杂环境三维手部姿态估计算法研究

基于视觉的三维手部姿态估计是实现人机交互的重要技术手段。目前,视觉手部姿态估计算法易受光照变化、遮挡和环境噪声等复杂环境因素干扰,导致模型的鲁棒性无法得到保障。这些多变的环境因素使得传统的深度学习方法在真实场景中难以取得令人满意的结果。针对这一难题,本文提出了一种基于特征分离的手部姿态估计算法,通过对手部图像中的关键特征进行精炼来提升模型在不同环境中的鲁棒性。首先,对编码器进行基于频域增强的预训练,从而减少环境噪声对于底层视觉特征提取的影响;其次,在解码阶段提出了一种用于分离因果特征和非因果特征的双分支结构,通过减少非因果特征对于姿态估计任务的影响以提高模型应对复杂环境的能力;最后,通过融合全局姿态信息和局部关节信息,实现了不同尺度的统一优化,并基于两个公开数据集的定量分析和定性分析,验证了本文所提出方法的准确性和鲁棒性。

结合全局和局部信息的特征选择算法

特征选择方法的优劣直接影响到文本分类的效果。传统的特征选择算法是以全局的方式来选取特征,这种方式忽视了局部特征对分类效果的影响,有时候甚至会导致很多训练文档没有特征。因此,在传统的特征选择方法主要考虑文档集全局特征的基础上,增加词对单篇文档的贡献率的考虑,并结合ALOFT方法,提出了一个结合全局和局部信息的特征选择算法(GLFS)。在路透社文档集及复旦文档集上的实验结果表明,本文提出的算法在保证每个文档都有特征词的同时提高了分类效果。最后讨论了对特征权重的确定方法,经过重新计算特征权重后分类效果有了较大的提高。

利用改进的对称活动轮廓模型分割非匀质图像

现有活动轮廓模型很难较好地处理非匀质图像。针对上述难题,提出了一种对称全局局部混合活动轮廓模型。在研究全局局部信息活动轮廓模型的基础上,提出了该模型的对称形式,能很好抑制模型对初始轮廓的敏感性;将全局局部信息活动轮廓模型和其对称形式相结合,并赋予归一化的加权系数,以确保模型的通用性并提高模型的时间性能。利用提出模型和现有活动轮廓模型分割合成以及实际非匀质图像,结果表明,提出模型能实现非匀质图像的快速、准确分割,且对初始轮廓具有良好的鲁棒性。

基于密集双流聚焦网络的肺炎辅助诊断模型

X光片对肺炎疾病的诊断具有重要作用,但其成像时易受噪声污染,导致肺炎疾病的影像学特征不明显和病灶特征提取不充分。针对上述问题,提出密集双流聚焦网络DDSF-Net的肺炎辅助诊断模型。首先设计残差多尺度块,利用多尺度策略提高网络对医学影像中不同尺寸肺炎病灶的适应性,采用残差连接提高网络参数的传递效率;然后设计双流密集块,采用全局信息流和局部信息流并行结构的密集单元,其中Transformer对全局上下文语义信息进行学习,卷积层进行局部特征提取,利用密集连接方式实现两种信息流的深浅层特征融合;最后,设计具有中心注意操作和邻近插值操作的聚焦块,利用裁剪医学影像尺寸来过滤背景噪声信息,利用插值对医学图像进行放大,增强病灶的细节特征。在肺炎X光片数据集中与典型模型进行对比,本文模型的准确率、精确率、召回率、F1,AUC值和训练时间分别为98.12%,98.83%,99.29%,98.71%,97.71%和15729 s,准确率和AUC值较密集网络分别提升了4.89%和4.69%。DDSFNet能够有效缓解肺炎影像学特征不明显和病灶特征提取不充分的问题,通过热力图和三份公共数据集进一步验证了本文模型的有效性和鲁棒性。

基于KFCM与多特征融合的皮肤镜病变区域提取

病变轮廓的检测是病灶提取、定性研究和探明病灶与其周围组织间关系的基础。针对皮肤镜图像病变区域灰度强度不均匀导致病变区域难以提取的问题,本文提出一种基于模糊核聚类算法(KFCM)与多特征融合的病变区域提取算法。首先,将原始图像进行模糊核聚类,把得到的聚类结果作为多特征融合轮廓提取模型的初始轮廓,其次利用轮廓曲线演化对图像全局信息与局部信息采用自适应加权,构建符号压力函数(Signed Pressure Force, SPF),最后利用轮廓曲线演化来分割图像,提取出病变区域。通过真实皮肤镜图像验证了提出的模型在SPF函数和自适应函数引入两方面均能提升提取性能,且在定性和定量对比评价上均优于其他方法,同时对噪声具有鲁棒性。

基于加权L^(1)-L^(2)拟合的模糊活动轮廓图像分割

为了对灰度不均匀图像进行分割,结合图像的局部和全局信息,提出基于加权L^(1)-L^(2)拟合能量项的模糊活动轮廓图像分割(fuzzy active contour based on weighted L^(1)-L^(2) fitting energy for image segmentation,FAWFE)模型。首先,利用模糊隶属度函数,基于图像局部和全局信息构建混合模糊拟合图像。然后,构建加权L 1拟合能量项,量化原始图像与混合模糊拟合图像之间的差异,有效地处理灰度不均匀问题。最后,结合L^(2)拟合能量项,保证能量泛函的凸性,使得模型解的存在性和唯一性得以保证,避免陷入局部极小。另外,采用交替迭代算法对FAWFE模型进行数值求解,并与经典的活动轮廓模型对比。结果表明,FAWFE模型不仅可以准确定位目标边界,而且可以在0.6 s左右实现对图像的处理,对于合成图像和真实图像均有良好的处理效果。

一种基于图的特征选择方法

在很多的机器学习和数据挖掘任务中,特征子集选择是重要的数据预处理步骤之一。提出一种基于图方法的无监督式特征选择方法(GBFS),构造一个以样本数据为顶点,数据间相似性作为边的图,再根据各特征的得分优先选择那些具有局部信息保持和全局区分能力的特征。实验结果表明,基于该方法选择的特征子集,在大多数情况下都能取得较好的分类效果。

基于注意力机制的事件同指消解方法

事件同指消解是一项具有挑战性的自然语言处理任务,它在事件抽取、问答系统、阅读理解中有着重要的作用。文中提出了一种基于全局和局部信息,并具有全局推理机制的可分解注意力神经网络模型DANGL(Decomposable Attention Neural network based on Global and Local information),用于文档级的事件同指消解。神经网络模型DANGL与过去大部分以概率模型和图模型为基础的传统方法之间存在很大的区别。DANGL首先使用Bi-LSTM和CNN分别获取每个事件句的全局信息和局部信息;然后使用可分解注意力网络获取每个事件句中相对重要的信息;最后使用文档级全局推理模型进一步优化同指链。在TAC-KBP语料库上的实验显示,DANGL使用了少量的特征,且平均性能优于目前最好的基准系统。

相异度导引的有监督鉴别分析方法

提出了相异度导引的有监督鉴别分析方法(D-SDA)。结合模式局部信息和全局信息,定义了类内散度权重矩阵R^W和类间散度权重矩阵R^B,分别表示类内样本的相异度、类间样本的相异度。由R^W、R^B导出类内散度矩阵S^W和类间散度矩阵S^B,根据Fisher鉴别准则函数确定最优变换矩阵。在YALE和AR人脸图像库上的实验验证了这一算法的有效性。