基于核图割模型的肝脏CT图像肿瘤分割

计算机断层成像(CT)对疾病的确诊意义重大,在医学图像的自动检测中应用较多的模型为图割模型,但传统图割算法严重依赖于对复杂区域进行大量建立的模型,运算复杂且不利推广。为此,在传统图割理论基础上引入核函数,提出一种基于核图割模型的肝脏CT图像肿瘤分割算法。通过核函数将原始数据映射到高维空间,并在高维图像数据空间用图割理论对CT图像的肝区与肿瘤区域进行分割,以提取疑似肿瘤区域,解决传统图割模型中需要依赖人机交互和对复杂区域建模困难等问题。由Mercer定理得出,核空间的点积运算不需要显式指定图像各区域的具体模型,进行核推广后克服了传统模型通用性不强的弱点。利用临床CT图像数据对该算法进行分割实验,结果表明,基于核推广后的图割算法能够有效对肿瘤和肝区进行分离,可应用于临床实际中作为肿瘤辅助诊断手段。

基于参数核图割的纱线毛羽图像处理方法

为了准确计算纱线毛羽特征参数,克服图割法中人为随机选择阈值造成的消极影响,提出了一种基于参数核图割的图像处理纱线毛羽算法.首先,采用局部最大类间方差法获取纱线二值图像,并与纱芯二值图像作逻辑运算,提取毛羽进行特征分析.然后,选取两种不同支数的纱线,以USTER CLASSIMAT 5测试结果为标准,比较参数核图割法与区域生长法、线性近似纱芯边界法对纱芯分割图像处理方法的优劣.结果表明,参数核图割法耗时少、误分点少,毛羽检测算法准确率高达95.5%,远优于另两种算法,也证明了选取不同的纱芯分割方法将直接影响毛羽特征分析的准确性.

基于渐进核图割的SAR图像自动分割

合成孔径雷达(Synthetic Aperture Radar,SAR)图像是遥感目标检测与分割等研究的重要数据源。提出了一种渐进核图割分割方法,该方法通过迭代进行二类聚类分割,自动实现合成孔径雷达SAR图像中多目标的分割。实验结果表明,该方法能够有效地实现复杂场景SAR图像的多目标分割。

核图与L(2，1)标号

图的L(2,1)-标号λ(G)来自于通讯频道分配问题.定义了一个图的核图并研究了它们的性质,最后给出了关于λ(G)的两个重要定理的简短证明.

关于图的 L(2 ,1)标号核图(英文)

图的 L(2 ,1 )标号核图来自频率分配问题而导致的图论问题 .在本文中 ,我们证得 :(i)对任意简单图G,存在 G的一个标号核图 Gcore,使得 L(G) =L(Gcore)和 L(G)≥ |V(Gcore) |- 1 ;(ii)设图 G有 p个顶点且边集|E(G) |≠ ,存在路 Pi G(1≤ i≤ m)和路 Hs Gc(1≤ s≤ n) ,其中在 G中 V(Pi)∩ V(Pj) = (i≠ j) ,在 Gc中 V(Ps)∩ V(Pt) = (s≠ t) ,则有 mt=1|V(Pt) |+ ns=1|V(Hs) |- (m +n)≥ p;(iii) G是 p(p≥ 5)个顶点的简单图 ,则有 p +3≤ L(G) +L(Gc)≤ 3p -

基于先验形状信息核图割模型的肝脏分割方法

由于肝脏核磁图像存在边缘模糊、噪声大、灰度分布不均匀等特点,一般分割算法效果不甚理想。为了提高分割效果,提出了一种基于先验形状信息的核图割(kernel graph cuts,KGC)模型。采用区域增长算法在待分割的肝脏区域进行预分割,再用形态学算子进行膨胀腐蚀操作,形成初始分割轮廓;将形状模板集和初始轮廓配准后进行核主成分分析(kernel principle component analysis,KPCA),训练出先验形状信息;在kernel Graph cuts模型的能量函数中融入先验形状信息,并在初始轮廓的基础上进行进一步精确分割。实验结果表明,提出的方法能准确分割出核磁图像中边界模糊、噪声污染大的肝脏边界,且无边界泄露和相似组织误分割等现象。

SAR图像分割的改进参数核图割方法

针对合成孔径雷达(SAR)图像的分割问题,提出一种改进的参数核图割方法。对参数核图割方法中的能量函数进行改进,在核空间中考虑分段常数模型,并实现目标函数的空间核化。SAR图像的分割通过能量函数的最小化实现,由不动点迭代估计区域参数,并由图割模型逐步最小化能量函数实现SAR图像的分割。为验证改进参数核图割方法的分割效果,对自然图像进行分割,结果表明,其分割精度达到83%,比参数核图割方法提高了11%。真实SAR图像的分割结果验证了该方法对SAR图像的分割结果优于参数核图割方法。

内压容器设计与校核图算法

绘制了内压容器设计与校核专用图，介绍了其使用方法及适用范围。算图用途广、共用性强、方法简单且结果准确，是对传统设计与校核方法的创新。

基于双边加权核图割的SAR图像变化检测

为解决SAR图像因相干斑噪声严重而影响变化检测结果的问题,该文从像素级和区域级两个角度对SAR图像的空间邻域关系进行研究,提出一种基于双边加权核图割的SAR图像变化检测算法。首先通过均值比算子生成差异图,并利用核函数隐式地将差异图转换为图割能量函数的一元项;然后分别针对邻域内像素的空间上下文关系与以像素为中心的区域空间上下文关系进行研究,将其量化为图割能量函数的二元项。选取Ottawa和Mexico fire两组SAR数据集对算法进行验证,该算法平均总体精度为98.44%,Kappa系数相比PCA-Kmeans、FLICM、MRFFCM、KGC算法分别提高了4.64%、6.16%、4.15%和5.04%,证明该算法能够提高变化区域和非变化区域之间的可分离性,对噪声严重的SAR图像的抗噪能力较强,且图像边缘定位准确。

基于图核同构网络的图分类方法

图表示学习已成为图深度学习领域的一个研究热点.大多数图神经网络存在过平滑现象,这类方法重点关注图节点特征,对图的结构特征关注度不高.为了提升对图结构特征的表征能力,提出了一种基于图核同构网络的图分类方法,即KerGIN.该方法首先通过图同构网络(graph isomorphism network,GIN)对图进行节点特征编码,并使用图核方法对图进行结构编码,进一步利用Nystrom方法降低图核矩阵的维度.其次借助MLP将图核矩阵与图特征矩阵对齐,通过注意力机制将图的特征编码和结构编码进行自适应加权融合,进而得到图的最终特征表示,提升了图结构特征信息的表达能力.最后在7个公开的图分类数据集上对模型进行了实验评估:与现有图表示模型相比,KerGIN模型能够在图分类准确度上有较大幅度提升,它可以增强GIN对图结构特征信息的表达能力.

KENN:线性结构熵的图核神经网络

图神经网络(graph neural network,GNN)是一种利用深度学习直接对图结构数据进行表征的框架,近年来受到人们越来越多的关注.然而传统的基于消息传递聚合的图神经网络(messaging passing GNN,MP-GNN)忽略了不同节点的平滑速度,无差别地聚合了邻居信息,易造成过平滑现象.为此,研究并提出一种线性结构熵的图核神经网络分类方法,即KENN.它首先利用图核方法对节点子图进行结构编码,判断子图之间的同构性,进而利用同构系数来定义不同邻居间的平滑系数.其次基于低复杂度的线性结构熵提取图的结构信息,加深和丰富图数据的结构表达能力.通过将线性结构熵、图核和图神经网络三者进行深度融合提出了图核神经网络分类方法.它不仅可以解决生物分子数据节点特征的稀疏问题,也可以解决社交网络数据以节点度作为特征所产生的信息冗余问题,同时还使得图神经网络能够自适应调整对图结构特征的表征能力,使其超越MP-GNN的上界(WL测试).最后,在7个公开的图分类数据集上实验验证了所提出模型的性能优于其他的基准模型.

基于核化图嵌入的最佳鉴别分析与人脸识别

将压缩映射和同构映射引入核化图嵌入框架(kernel extension of graph embedding,简称KGE),从理论上证明了KGE框架内的各种核算法其实质是KPCA(kernel principal component analysis)+LGE(linear extension of graph embedding,简称LGE)框架内的线性降维算法,并且基于所给出的理论框架提出了一种综合利用零空间和非零空间鉴别信息的组合方法.任何一种可以用核化图嵌入框架描述的核算法,都可以有相应的组合方法.在ORL,Yale,FERET和PIE人脸数据库上验证了所提出的理论和方法的有效性.

基于上界单纯形投影图张量学习的多核聚类算法

近年来,多核图聚类(MKGC)受到了广泛的关注,这得益于多核学习能有效地避免核函数与核参数的选择,而图聚类能充分挖掘样本间的复杂结构信息。然而现有的MKGC方法存在着如下问题:图学习技术使得模型复杂化,图拉普拉斯矩阵的高秩特性使其难以保证学到的关系图包含精确的c个连通分量(块对角性质),以及大部分方法忽略了候选关系图间的高阶结构信息,使得多核信息难以被充分利用。针对以上问题,提出了一种新的MKGC方法。首先,提出一种新的上界单纯形投影图学习方法,直接将核矩阵投影到图单纯形上,降低了计算复杂度;同时,引入一种新的块对角约束,使学到的关系图能保持精确的块对角属性;此外,在上界单纯形投影空间中引入低秩张量学习来充分挖掘多个候选关系图的高阶结构信息。在多个数据集上与现有的MKGC方法相比,所提出方法计算量小、稳定性高,在聚类精度(ACC)和标准互信息(NMI)指标上具有较大的优势。

图核函数研究现状与进展

核方法具有坚实的理论基础和广泛的应用,已引起了各领域的关注.基于核的机器学习方法不仅适用于以特征向量表示的模式,也适用于结构化数据的模式.前者对应的是向量核方法,后者对应的是图核方法.图核对结构化数据具有强大而灵活的表示形式,其不仅能描述研究对象或模式的特性,还能反映构成这个物体不同部分之间的结构信息.目前,基于图核的机器学习方法在模式识别、机器学习、机器视觉、数据挖掘等相关研究领域得到了极为广泛的关注与应用,已成为结构数据描述方法和应用领域的一个重要研究方向.论文从使用最为广泛的基于R-convolution的图核谈起,总结了图核研究的意义,着重回顾和讨论图核函数的基本理论、基本分类、国内外研究现状,并进一步指出图核研究的发展方向.

图压缩存储格式的核排序重边匹配算法

将图核概念引入到多水平方法粗化阶段,针对图的压缩存储格式提出了核排序重边匹配(CSHEM)算法。该算法借助图核的全局信息,改进了以往仅仅利用结点的度等局部信息进行匹配的粗化算法,在对原始图粗化过程中发挥结点核值导向性作用,克服以往只能选择随机匹配(RM)算法作为导向匹配算法的缺陷;提出了基于CSHEM和重边匹配(HEM)算法的组合粗化策略,在发挥结点核值的导向性作用的同时,又不至于被过分强调而使粗化图违背结点核值大小均匀分布的原则。基于ISPD98电路测试基准的实验和分析表明,相比无向图剖分软件MeTiS采用的RM和HEM算法的组合粗化策略,提出的策略取得了一定性能的改进。

面向脑网络的新型图核及其在MCI分类上的应用

作为一种图的相似性度量,图核已经被提出用于计算脑网络的相似性,并用于分类一些脑疾病,如阿尔茨海默病(Alzheimer’s Disease,AD)以及它的早期阶段,即轻度认知功能障碍(Mild Cognitive Impairment,MCI).然而,已有图核主要面向一般图而构建,从而忽略了脑网络自身特有的特性,如节点的唯一性(即每个节点对应着唯一的脑区),这可能影响到脑网络分析(分类)性能.为了解决这个问题,构建一种面向脑网络的图核,用于测量一对脑网络的相似性.具体而言就是:首先,以网络中每一个节点为中心,构建一组子网络来反映网络的局部多层次拓扑特性.而后,利用节点的唯一性,构建测量每对子网组之间相似性函数,从而获得用于测量一对脑网络的相似性的图核.不同于已有的图核,提出的图核充分考虑到脑网络自身特有的特性,以及保留了脑网络局部连接特性.在两个真实的MCI数据集上,实验结果表明,相对于现阶段的图核,文中提出的图核能够显著提高分类的性能.

一种核化图嵌入算法的快速求解模型

针对核化图嵌入算法对于人脸识别等高维小样本问题存在着计算量大且所需存储空间多的缺点,提出了一种核化图嵌入算法的快速求解模型。该模型的思想是首先对原始样本进行降维处理,对此给出了定理1和2。两个定理证明了样本先进行降维处理的可行性,同时也表明这一过程是不损失任何有效鉴别信息的。然后再对新的低维样本按核化图嵌入算法进行计算。人脸库上的实验结果表明,所提模型不但减少了算法的计算时间,同时也保证了算法的分类识别率。

核医学图象伪影分析

核医学的诊断取决于其采集图象的分析。伪影的出现使其诊断的准确性大大降低。伪影的产生原因可由药物的、技术的、机械的、电子的、计算机等方面因素造成。１药物的原因１．１标记的放射药物的影响目前的核医学检查最常用的标记药物为９９ｍＴｃ的铬合物。由于９９ｍＴｃ...

基于空间句法和最短路径的图核

针对图模式识别领域中现有图核方法对反映图本身拓扑结构的节点特征挖掘不够充分的问题,提出了基于空间句法和最短路径的图核。借鉴建筑学与城市规划学科中的空间句法理论构造分布于图节点上的拓扑特征的量化描述,基于此提出了可表示、计算,正定、适用范围较广的空间句法核和基于最短路径的空间句法核,进而借助支持向量机实现了非精确图匹配。不同于其他图核方法,该方法对图的拓扑特征表达能力强,通用性较好。实验结果表明,所设计的图核在分类精度方面相较于最短路径核有较显著的改善。

基于芯核分层布图的3D芯片扫描链优化设计

随着3D堆叠技术的不断发展,芯片测试已成为一大研究热点。为了减少三维堆叠集成电路(three dimensional stacked integrated circuits,3D-SICs)绑定前和绑定中的总测试时间,提出了基于芯核分层布图的改进模拟退火算法和扫描链分配算法,通过将芯核均匀地分配到各层上实现对各层电路中芯核合理化地布图,再利用"绑定中测试"复用"绑定前测试"扫描链的方式,协同优化绑定前和绑定中的总测试时间和硬件开销。在ITC’02基准电路上的实验结果表明,本文方法在TSV数量的约束下,测试时间和硬件开销分别最高降低了27.26%和89.70%,且各层芯核布图更加均匀。