基于3-D剪切波和广义高斯模型的多模态医学序列图像融合

鉴于大多数传统的多模态医学图像融合算法面临无法处理医学序列图像的局限性,提出了一种基于3-D剪切波(3DST)和广义高斯模型的多模态医学序列图像融合方法。首先,通过3-D剪切波变换获得序列图像的低频部分和高频部分;其次,低频部分采用一种新的基于局部能量的融合方法;然后,高频部分采用基于广义高斯模型(Gene-ralized Gaussian Model,GGD)和模糊逻辑的融合方法;最后,通过3-D剪切波的逆变换获得融合的医学序列图像。通过实验对融合图像的主客观性能进行比较,结果表明所提算法获得了更好的融合效果。

基于虚拟图像金字塔序列融合的快速图像增强算法

针对图像增强算法的快速计算问题,文中提出一种"全局尝试、局部精炼"的图像增强策略,利用虚拟图像金字塔序列融合方法构建出一种具有高度可扩展性和线性时间复杂度的图像增强算法框架.在此框架下,输入图像先经过各种全局增强重映射函数的处理而形成备选图像序列,再依据像素级保边缘图像融合规则从该图像序列中精选出有效像素信息,形成最终的图像增强结果.为避免光环效应,所有图像融合计算都在输入图像的拉普拉斯金字塔分解域上进行.通过对局部拉普拉斯滤波算法进行加速的实际应用表明,文中提出算法框架可导出一种快速保边缘图像增强算法,其处理效果与原局部拉普拉斯滤波算法极为相似,但计算速度提高了两个数量级.

基于多序列MR图像融合的脑肿瘤自动分割算法

准确、高效的脑肿瘤分割,对脑肿瘤的精准诊断具有重要意义。由于脑肿瘤MR图像存在对比度低、易出现噪声、偏移场和容积效应等问题,现有脑肿瘤分割模型的分割精度较低。为了提高脑肿瘤分割精度,提出了基于双通道全卷积神经网络和条件随机场的多序列MR图像融合的脑肿瘤分割算法。双通道全卷积神经网络可提取更丰富的图像特征,条件随机场能克服训练过程的局部极小值和输入图片中噪声产生的不利影响。该算法在脑肿瘤分割挑战数据集BRATS2018中测试,其DSC、PPV、Sensitivity系数均较传统分割方法有显著提高。

基于关键帧提取的红外与可见光序列图像快速融合

针对静态图像融合方法对于序列图像无法同时满足融合速率及融合质量的问题,提出了一种基于关键帧提取的红外与可见光序列图像快速融合方法。首先对红外和可见光图像序列进行关键帧提取,为体现本文方法的普遍适用性,选取静态图像中融合效果好的算法将两序列中对应的关键帧融合,如小波变换以及主成分分析法。然后对剩余图像帧利用最简单快捷的加权平均算法进行融合。而且相较于现有的只针对于目标进行提取和融合来提高融合速率的序列图像融合方法,在不明确目标的情况下,本文方法对整幅图像进行融合,更加合理且融合结果更适合人眼观察。最后通过对同一场景相同帧数的红外与可见光序列图像进行融合,实验结果表明本文基于关键帧提取的融合方法快速且保证了融合质量。

基于低秩稀疏表示的红外与可见光图像序列融合方法

考虑到红外与可见光图像序列间的高度相关性,本文提出了基于低秩稀疏表示的红外与可见光图像序列融合方法。首先,利用低秩稀疏表示理论分别将红外图像序列与可见光图像序列进行背景与目标分离,获取低秩分量与稀疏分量。其次,利用Laplace金字塔融合方法将每帧红外与可见光图像的低秩分量进行融合。再次,采用最大值选择规则将每帧红外与可见光图像的稀疏分量进行融合。最后,融合低秩分量与融合稀疏分量相加获得最终融合图像。本文算法在Nato-camp与BristolEdenProject数据集上进行了性能验证。主观视觉分析与客观评价指标表明本文算法比传统的融合算法具有更优越的性能。

基于像素层图像融合的偏振图像计算方法研究

根据Stokes参数图像的计算原理和方法,分析了传统计算方法在保留细节信息、处理源图像的平移等方面的缺陷,并在此基础上提出了一种基于平移不变小波变换的参数图像计算方法。同时,用互信息和条件熵来评价本文计算方法的性能。通过仿真比较,本文方法在获取高可靠性的Stokes图像以及降低平移敏感性方面具有较强的优势。

基于图像融合的木板表面缺陷特征提取方法研究

木材和实木家具表面在生产过程中有时会出现裂纹、凹点等缺陷,不同纹理背景和油漆反光会给缺陷识别带来很大困难。为了识别木板表面缺陷,通过光源对同一木板表面在4个不同角度照明并获取相应的4幅图像,组成图像序列,以获得更丰富的细节信息。提出一种基于主元分析法的图像序列融合方法,其融合了一组图像序列所包括的4幅图像的互补性信息,获取的融合结果可使缺陷特征更加明显。该方法引入了主元子空间之间的概念,可以在保留原有数据信息特征的基础上,提取主要信息。实验结果表明,基于主元分析方法的图像序列融合能更好地提取木板表面缺陷特征。所获得的特征图像可用于下一步对缺陷进行自动识别和分类。

基于序列图像学习的巷道掘进机定位方法

煤矿综掘工作面受限于狭小空间、工艺繁杂、环境恶劣等特殊条件,导致用工多、安全性差、效率低等问题,亟需研发更加安全高效的智能化掘进技术与装备。巷道掘进机作为综掘工作面的核心设备,对其智能化进行研究具有重要的社会价值和经济意义。为实现巷道掘进机的智能化作业,首先需要解决的关键问题是为掘进机机体定位,精确、鲁棒的机体位姿检测方法是保障巷道智能掘进有效性的首要条件。因此,针对巷道掘进机机体定位问题,提出了一种基于时间序列图像学习的机体绝对六自由度位姿实时检测方法。首先,通过在掘进机机体安装一台单目相机,并在掘进机后方设置人工特征对象,设计适用于巷道狭长、非结构化环境的视觉定位方案。然后,提出用于时间序列图像融合的深度学习模型,其中,使用一种训练好的多尺度变分自编码器辅助的卷积神经网络(MSVAE-CNN)的编码器模型提取时间序列图像中每个样本的多尺度潜在空间特征,以保证图像特征提取的鲁棒性;基于双向长短期记忆(LSTM)网络构建时间序列图像特征融合模型,并同时估计所有时间步图像样本对应的机体位姿参数,当推理某个时间步图像对应的位姿参数时,其他时间步的信息都可作为先验知识,通过学习图像样本之间的特征相关性,提高位姿估计的精度和可靠性;另外,使用多头自注意力机制进一步提高特征融合性能,使用张量训练分解压缩模型,实现在轻微损失位姿估计精度的前提下大幅降低模型参数数量。最后,基于一辆履带小车进行试验研究,使用NOKOV红外动捕系统获取小车机体实际位姿。试验结果显示,所提方法对中心偏距和方向角的估计平均绝对误差分别约为25 mm和0.36°,完全能够满足巷道掘进机的定位需求,并且定位精度明显优于MSVAE-CNN模型,验证了所提出的基于序列图像学习的机体定位方法的有效性与高性能。

基于图像序列融合的Stokes图像计算方法

根据成像偏振探测中Stokes图像获取的原理和方法,分析了传统求取 Stokes图像方法在保留图像细节信息和处理输入图像微小平移等方面的不足,进而提出了基于平移不变小波分解的 Stokes图像求取方法,并用提升框架来执行平移不变分解以满足计算的快速性要求。针对不同的 Stokes图像求取方法,给出了基于互信息和条件熵的性能评价指标。通过仿真结果图和相应的评价指标表明,本方法提高了Stokes参数图像的质量,改善了Stokes图像计算方法对输入图像平移的敏感性。

2D FSE MARS与MAVRIC-SL在全膝关节置换术后减低金属伪影的效果分析

目的:对比分析二维快速自旋回波金属伪影减少序列(2D FSE MARS)与多采集变谐波图像融合-选择性激发序列(MAVRIC-SL)在全膝关节置换术后减低金属伪影中的效果。方法:选取2022年1—12月濮阳市中医医院接受全膝关节置换术的96例患者作为研究对象,共125侧膝关节。所有患者均于术后2周进行MRI检查,扫描的序列有横断面、矢状面、冠状面2D FSE MARS及质子密度加权MAVRIC-SL。分析假体伪影范围、假体清晰度评分、解剖结构清晰度评分的一致性,对比2D FSE MARS和MAVRIC-SL横断面、矢状面、冠状面的假体伪影范围,对比2D FSE MARS和MAVRIC-SL假体清晰度和重要解剖结构清晰度评分,对比两种序列关节积液诊断评分。结果:假体伪影范围组内相关系数(ICC值)为0.69~0.89,假体清晰度评分的Kappa值为0.80~0.89,解剖结构清晰度评分的Kappa值为0.73~0.91。2D FSE MARS横断面、矢状面、冠状面的假体伪影范围均大于MAVRIC-SL,差异有统计学意义(t=13.609、17.386、19.493,P<0.05)。MAVRIC-SL假体清晰度评分、解剖结构清晰度评分均高于2D FSE MARS,差异有统计学意义(P<0.05)。MAVRIC-SL关节积液诊断评分高于2D FSE MARS,差异有统计学意义(t=96.476,P<0.05)。结论:在全膝关节置换术后,相较于2D FSE MARS,MAVRIC-SL可使假体伪影范围缩小,有助于提高假体和重要解剖结构的清晰度。