基于自适应遗传算法的图像匹配

为了解决图像匹配中计算速度慢和匹配精度不高的缺陷,提出了一种基于自适应遗传算法(AGA)的匹配方法,该算法与传统遗传算法的不同在于其交叉概率和变异概率随个体的适应度值而变化,避免了后者易陷入局部极值的缺陷,从而增强了算法的快速性和全局收敛性能.图像与模板的相关值是一多峰值函数,模板匹配实质上是多峰值寻优过程.将AGA应用到图像匹配,是以相关值为适应度函数,通过选择、交叉、变异等遗传操作,对遗传个体进行迭代寻优,找出图像中的最佳匹配点.实验结果表明,基于该算法的图像匹配具有运算量小、匹配精确等优点,且算法稳定.

一种用于CT片层间轮廓线插值的算法

提出一种基于角度建立断层之间匹配点对的线性插值算法。与以往方法相比 ,该方法简单易行 ,计算速度快 ,可实现序列图像的自动插值。通过对人类下肢长骨 CT(Compterized tomography)片数据进行实验的结果表明 ,它是一种可行的层间轮廓线插值方法 ,不仅对原本相似轮廓的插值效果良好 ,而且对形状差异大的轮廓线也能得到令人满意的结果。

基于改进的自组织特征网络聚类分析

针对传统Kohonen自组织特征映射(SOFM)神经网络模型结构需要预选指定的限制,特别在大的映射网络中寻找最佳匹配结点是很耗时的问题,我们采用一种新的动态增长树型自组织特征神经网络(GTS-SOFM),给出了实现聚类的具体算法,并且使用聚类密度来衡量聚类效果.对样本进行随机抽样,实验结果证实了算法的有效性.

基于进化树型自组织神经网络聚类分析

SOM是当前最著名的基于神经网络的用于数据可视化、聚类等任务的数据分析工具之一,为了克服传统SOM模型需要预选指定的限制,特别是在大的映射网络中寻找最佳匹配结点将会很耗时,所以提出一种新的进化树型自组织神经网络ET-SOM。通过对人工数据和工业数据进行实验证实了模型的有效性。

基于灰色关联分析的医学图像三维插值方法

将灰色关联分析引入三维图像插值中,提出了一种新的插值方法:先通过灰色关联度来确定待插值点的最佳匹配点位置,再确定待插值点的灰度值。实验结果表明本文方法在基本不增大运算时间的情况下比传统的几种方法插值结果的均方差均有明显降低。