一种带高光处理的无缝纹理映射方法

纹理映射作为三维重建的重要步骤,直接关系到生成模型的视觉效果。传统的纹理映射方法通常使用简单的混合方法来获取表面纹理。通过将模型表面投影到每个纹理图像上来获取相应的纹理区域,然后将它们混合在一起以获取表面纹理。然而,由于相机位姿的不准确性,纹理映射结果存在明显的模糊和鬼影等问题。此外,在高光环境下获取的纹理图像很容易包含高光区域,最终导致纹理颜色的丢失,降低纹理的真实性。为了解决这些问题,提出了一种无缝纹理映射方法,可以有效消除高光反射。通过衡量纹理图像的质量,为每个模型表面选择最佳的纹理图像,并利用色度一致性约束优化的相机位姿以消除明显的纹理错位。针对高光问题,提出了一个高光处理模块,使用多视图图像信息并基于双色反射模型定位和处理高光纹理。最后,对纹理图进行纹理颜色一致性调整,以处理纹理之间的颜色差异。实验结果表明,与现有方法相比,提出的算法可以有效消除高光反射的影响,从而获得更好的纹理映射结果。

用于纹理识别与重建的铁镓合金触须传感器阵列

受动物触须传感机制的启发,结合铁镓合金(Galfenol)对物体表面纹理高度信息的优良感知能力,设计制作一种铁镓合金触须传感器单元,并将其集成为4×2阵列。基于力学、电磁学理论和压磁方程建立了传感器单元输出电压模型,描述了输出电压与物体表面纹理高度的关系。实验测试了传感器单元的静态和动态特性。设计的传感器单元能够检测物体表面0.01~1.6 mm纹理高度变化,灵敏度为243.3 mV/mm,且具有较快的响应时间(26 ms)和恢复时间(25 ms)。将传感器单元与阵列装载在机械手上滑过具有不同纹理的样品表面,利用输出电压波形可识别与重建样品表面纹理。结果表明,设计的传感器阵列能够高精度地感知物体表面纹理信息,进而指导机械手调整操作策略,完善人机交互过程。

基于局部方差的织物纹理周期测量方法

针对织物纹理周期不易测量的问题,提出一种基于局部方差的织物纹理周期自动提取方法。首先利用特定窗口遍历图像所有像素点,并计算其窗口内局部方差值;然后对源图像进行缩小后,再重复上一步,进而构建出图像的局部方差曲线图;最后采用自适应谷值寻找算法测量源图像的纹理周期值。对不同类型的织物周期检测的试验结果表明:基于局部方差的织物纹理周期测量方法的相对误差仅为2.6%,相比于累加DMF方法和自相关函数法,其稳定性和准确性更高。认为:该研究所提方法能够准确测量织物的纹理周期。

基于MR-T2WI纹理分析在预测子宫肌瘤高强度聚焦超声消融术后疗效的价值

目的:探讨基于MR-T2WI纹理分析在预测子宫肌瘤高强度聚焦超声(HIFU)消融术后疗效的价值。方法:回顾性分析本院接受HIFU消融术治疗前后的100例子宫肌瘤患者MR图像及临床资料,进行T2WI全瘤定量纹理分析,以子宫肌瘤非灌注体积比率(NPV)达80%及以上为消融显著,分析肌瘤术前全瘤纹理参数与术后消融效果的相关性,使用3D-slicer软件勾画容积感兴趣区(VOI),PyRadiomics提取867个组学特征,采用MaZda软件内置FPM(Fisher系数、交互信息、分类错误概率组合平均相关系数联合)法保留30个最优特征,使用最小绝对选择与收缩算子(LASSO)降维得到最优的纹理特征,并将患者按照7∶3比例随机分为训练集及验证集,采用logistic回归构建预测模型,绘制受试者工作特征(ROC)曲线用于评价预测模型诊断性能,绘制决策曲线评估预测模型的临床应用价值。结果:LASSO最终选择得到9个最优特征建立的logistic回归模型在训练集的ROC曲线下面积(AUC)、特异度、灵敏度分别为0.833、0.926、0.651,验证集中对应的AUC、特异度、灵敏度分别为0.829、0.667、0.944;决策曲线在组学特征训练集、验证集中的净收益分别为14.1和13.5。结论:采用MR放射组学构建的logistic回归模型在术前预测子宫肌瘤HIFU消融术后疗效有较大价值,预测效果好,可为子宫肌瘤HIFU消融术后疗效评估及术前患者选择提供个性化及量化参考依据。

CT纹理分析对胃癌组织病理特征的术前评估价值

目的探究CT纹理分析对胃癌组织病理特征的术前评估价值。方法回顾性分析本院2021年3月~2023年3月本院收治的103例胃癌患者资料,患者在手术治疗前均接受CT检查,并采用纹理分析软件获取患者动脉以及静脉期CT纹理参数,并比较不同TNM分期患者纹理参数差异,采用受试者工作特征(ROC)曲线评估纹理参数对胃癌分期的诊断效能。结果动脉期以及门脉期T_(1-2)组与T_(3-4)组平均值比较差异无统计学意义(P>0.05),但T_(3-4)组峰度值、熵值均显著高于T_(1-2)组,偏度值低于T_(1-2)组(P<0.05)。动脉期以及门脉期N0组与N_(1-3)组平均值、偏度值比较差异无统计学意义(P>0.05),但N_(1-3)组峰度值、熵值显著高于N0组(P<0.05)。动脉期CT纹理峰度值、偏度值、熵值诊断T分期的AUC为0.755、0.955及0.747(P<0.05),门脉期CT纹理峰度值、偏度值、熵值诊断T分期的AUC为0.959、0.871及0.872(P<0.05)。动脉期CT纹理峰度值、偏度值诊断N分期的AUC为0.899、0.702(P<0.05),门脉期CT纹理峰度值、偏度值诊断N分期的AUC为0.924、0.758(P<0.05)。结论CT纹理分析对胃癌TNM分析诊断评估效果良好,可用于临床指导胃癌患者治疗。

基于纹理特征的深度学习云和云阴影检测

针对云和云阴影检测过程中存在边界不准确以及易与地表混淆等问题,构建一种融合纹理特征模块的卷积神经网络模型对Landsat 8遥感图像进行云和云阴影检测。引入基于统计特性的纹理特征模块进行纹理特征的提取和学习,在训练过程采用焦点损失函数削弱样本不均衡带来的影响。实验结果表明,该模型细化了云和云阴影的边界等纹理细节,减少了云和云阴影的误检和漏检现象,提高了云和云阴影的检测精度。

CT增强扫描灰度直方图纹理分析技术对肺癌患者术前恶性程度评估及对预后的预测价值

目的探究CT增强扫描灰度直方图纹理分析技术对肺癌患者术前恶性程度评估及对预后的预测价值。方法选择2018年5月至2022年9月在我院就诊的且经术后病理证实的肺癌患者580例作为研究对象。依据术后病理分期,将研究对象分为高分化组(183例)、中分化组(195例)、低分化组(202例)。根据预后情况,将其分为预后良好组(356例)和预后不良组(224例)。由2名医师提取患者CT增强扫描灰度直方图纹理参数。受试者工作特征(receiver operating characteristic,ROC)曲线分析特征参数对肺癌患者术前恶性程度的诊断效能及预后的预测价值。多因素Logistic回归分析预后不良的重要影响因素并构建人工神经网络模型。Pearson分析检验参数间的相关性。结果均值、10%分位、50%分位等参数在高、中、低分化三组中有显著差异。三个参数对评估肺癌患者恶性程度均具有一定的诊断效能,且三者联合诊断效能最佳。均值、10%分位、50%分位是预后不良的保护因素,三者联合预测肺癌患者的曲线AUC值大于各指标单独预测的AUC值。ROC曲线和累积增益图表明该模型预测能力良好。纹理特征参数中,69.44%的参数具有相关性。结论CT增强扫描灰度直方图纹理参数在一定程度上反应肺癌患者术前恶性程度信息,给术前预测以及预后提供了重要方法。

多元纹理图像构造方法及应用

多元图像分析方法在图像展开阶段会丢失像素间空间关联关系,导致其对图像纹理特征的分析能力不足.针对此问题,本文提出了一种基于图像纹理特征的多元图像构造方法,并应用于图像分割.首先,结合滑动窗口法和灰度共生矩阵求取图像各通道的纹理特征影像,叠加纹理特征影像构造多元图像.然后,应用多元图像分析方法对所得多元图像进行分析,分割出感兴趣区域.最后,利用分割结果构造决策树模型,以完成对同类感兴趣区域的分割.在图像数据集上进行仿真实验,实验结果表明,本文所提方法的均交并比(MIoU)与同类方法相比有10%左右的提升.

基于CT平扫纹理分析预测腮腺多形性腺瘤包膜浸润的初步研究

目的:探究基于CT平扫图像纹理分析预测腮腺多形性腺瘤(PA)包膜浸润的可行性。方法:选取2016年1月—2022年10月于靖江市人民医院经手术病理确诊为腮腺PA的患者49例,其中包膜浸润组21例,包膜未浸润组28例。运用Mazda软件在CT平扫图像上手动勾画病灶最大层面感兴趣区(ROI)。应用Fisher系数、POE+ACC及MI 3种降维方式,筛选出最佳纹理参数,通过受试者工作特征(ROC)曲线评估其诊断效能。结果:纹理特征参数中包膜浸润组的S(0,3)DifVarnc、VertlRLNonUni、HorzlRLNonUni、HorzlGLevNonU、135drRLNonUni、135drGLevNonU均高于包膜未浸润组,且差异有统计学意义(P<0.05)。ROC曲线显示VertlRLNonUni的灵敏度与特异度较为平衡,其AUC值、灵敏度、特异度分别为0.747、76.19%、71.43%,具有良好预测效能。结论:CT平扫图像纹理分析能够提高术前腮腺PA包膜浸润的预测效能,对指导临床手术方式选择及预后评估有重要作用。

基于Sentinel-1/2改进极化指数和纹理特征的土壤含盐量反演模型

目前Sentinel-1/2协同反演植被土壤含盐量的研究大多是基于Sentinel-2光谱信息和Sentinel-1后向散射系数,没有考虑Sentinel-2光谱信息容易受土壤亮度等信息影响,Sentinel-1后向散射系数容易受土壤粗糙度和水分影响。为进一步提高Sentinel-1/2协同反演植被土壤含盐量的精度,用水云模型对雷达卫星后向散射系数进行校正,消除植被影响;然后协同Sentinel-2纹理特征,基于VIP、OOB、PCA 3种变量筛选和RF、ELM、Cubist 3种机器学习回归模型构建植被土壤含盐量反演模型。研究结果表明:经过水云模型去除植被影响后的雷达后向散射系数及其极化组合指数与土壤含盐量的相关性有一定程度的提高。不同变量选择方法与不同机器学习方法耦合模型在反演土壤含盐量中,OOB变量筛选方法与RF、ELM和Cubist 3种机器学习方法的耦合模型精度最佳,建模集和验证集的R2都在0.750以上,且验证集的RMSE和MAE均最小;其中OOB-Cubist耦合模型精度最高,且R_(v)^(2)/R_(c)^(2)为0.955,具有良好的鲁棒性。研究可为机器学习协同物理模型、光学卫星协同雷达卫星在土壤含盐量反演中的进一步应用提供思路。

基于单视图的带纹理三维人体网格参数化重建

针对计算机视觉中的三维人体重建问题,文章提出一种端到端的的网络框架,在三维和二维混合监督下,从单幅彩色图像重建带纹理信息的精准三维人体网格。使用4个编码器分别提取形状姿态特征、纹理特征、光照参数和像机参数,得到的图像特征被送入三维回归模块,迭代推断出三维人体参数;纹理参数送入纹理解码器网络得到纹理图;学习到的人体参数可转化为三维人体网格;对于损失函数的设置,预测的人体网格顶点与真实顶点的差值用来进行三维监督;通过预测的像机参数、光照参数和纹理计算二维渲染损失;通过三维关节投射得到的二维关节与图像上的二维关节真值计算二维关节重投影损失;生成对抗网络的鉴别器使得渲染图像更加真实。该文方法与现有的三维人体重建方法相比具有竞争力,而且重建的三维人体网格带有纹理信息。

考虑多尺度纹理特征的红外传感图像频域增强

红外传感图像质量容易受探测器和传输距离影响,导致图像亮度和对比度较低、轮廓细节模糊等问题。为此,提出了考虑多尺度纹理特征的红外传感图像频域增强方法。引入残差学习策略,基于多尺度纹理特征搭建多尺度卷积神经网络模型,进行图像去噪。对去噪后图像进行傅里叶变换,获取红外传感图像的低频图像和高频图像。针对低频图像部分,调节图像灰度和对比度以增强低频分量。针对高频图像部分,利用Log算子和Laplace算子增强图像细节及边缘。加权融合两者处理结果,选取Gamma校正调节对比度,增强高频分量。融合两种增强后图像,实现红外传感图像频域增强。实验结果表明,该方法峰值信噪比高于43,信息熵大于8,边缘强度超过82,对比度熵大于8.1,平均梯度大于8。

基于早期股直肌超声纹理特征的首次有创机械通气患者30天死亡风险预测模型的构建与验证

目的基于早期股直肌超声纹理特征,构建首次有创机械通气患者30天死亡风险预测模型及验证。方法采用便利抽样法选择2022年1月至2023年12月入住河南省人民医院呼吸重症患者为研究对象,按8∶2随机分为训练集(n=304)和测试集(n=76)。两组均在插管后第1天、第3天、第5天和第7天使用床旁超声收集纹理特征参数。训练集依据第30天是否死亡为终点事件分为死亡组(n=80)和幸存组(n=224)。采用广义估计模型筛选患者30天死亡的影响因素并建立模型,绘制受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under receiver operating characteristic curve,AUC)评价模型的区分度,通过校准图和Hosmer-Lemeshow评价模型的校准度。结果年龄、氧合指数(P/F)、患肾脏疾病、使用类固醇激素、股直肌厚度变化率、均值和角二阶距是首次机械通气患者30天死亡的影响因素(P<0.05)。训练集和测试集的AUC分别为0.832(95%CI 0.767~0.898)和0.819(95%CI 0.722~0.916),提示模型的区分度良好。训练集和测试集的Hosmer-Lemeshow分别为5.969(P=0.651)和4.336(P=0.826),校准曲线与对角线重合度较高,说明预测模型的校准度较好。结论本研究基于早期股直肌超声纹理特征建立的预测模型可有效地预测首次机械通气患者30天死亡风险。

基于T_(2)WI纹理分析鉴别宫颈鳞癌和腺癌的价值研究

目的探讨T_(2)WI纹理分析在术前鉴别宫颈鳞癌和宫颈腺癌中的价值。方法选取92例患者的术前T_(2)WI图像,从A·K软件中提取纹理参数共1117个,进一步进行纹理分析。通过Mann-Whitney u检验、单变量logistic回归分析和最小冗余最大相关性算法,选择纹理特征来区分宫颈鳞癌和宫颈腺癌。基于随机森林算法构建区分鳞癌和腺癌的预测模型,并通过受试者工作特征(ROC)曲线分析,以评价模型的诊断性能。最后,通过10次留组交叉验证法(LGOCV)评估预测模型的稳健性和可重复性。结果本文中在特征选择后,最终保留了5个鉴别宫颈鳞癌和宫颈腺癌的纹理特征用于构建RF模型。预测模型在区分宫颈鳞癌和宫颈腺癌方面具有良好的分类性能:准确率为81.4%、敏感性为81.33%,特异性为81.8%。此外,使用10次LGOCV算法证明了预测模型的稳健性和可重现性(平均AUC,0.83)。结论磁共振T_(2)WI纹理分析在鉴别宫颈鳞癌和宫颈腺癌方面有一定的鉴别诊断价值。

CT征象联合纹理分析鉴别硬化性肺泡细胞瘤与周围型肺癌的价值

目的探讨CT征象联合纹理分析鉴别硬化性肺泡细胞瘤(pulmonary sclerosing pneumocytoma,PSP)与周围型肺癌(peripheral lung cancer,PLC)的价值。方法选取经病理证实的PSP患者136例及PLC患者131例,以7∶3的比例将所有病例随机分为训练集和验证集。分析两组病变CT特征及静脉期薄层CT图像纹理特征,用筛选出的特征参数构建多因素二元logistic回归模型并绘制ROC曲线,计算AUC值,评价各模型诊断PSP与PLC的效能。结果训练集和验证集两组间形态、钙化、液化坏死、分叶、毛刺、胸膜凹陷征、空洞、纵隔/肺门淋巴结肿大和16组最佳纹理参数差异有统计学意义(P<0.05)。CT特征模型由分叶、毛刺、胸膜凹陷征及纵膈/肺门淋巴结肿大组成;纳入训练集回归模型的最佳纹理参数共5组,分别为Perc.10%、S(3,0)SumAverg、S(4,0)SumAverg、S(4,4)SumAverg及WavEnLH_s-1。训练集中CT特征模型与CT纹理参数模型诊断PSP与PLC的AUC分别为0.847、0.851,二者间差异无统计学意义(P=0.912);CT特征联合纹理参数模型诊断两组病变的AUC最高,为0.939,其准确度、灵敏度和特异度分别为85.0%、82.1%和93.5%。验证集中影像学特征联合纹理参数模型诊断两组病变的AUC为0.923,高于CT影像特征模型(AUC=0.864;Z=2.627,P=0.009)和CT纹理参数模型(AUC=0.832;Z=2.147,P=0.031)。结论CT征象联合纹理分析对于鉴别PSP与PLC具有较好的诊断价值。

基于整体与局部纹理特征加权融合的港机装备钢丝绳断丝缺陷检测研究

钢丝绳是港机装备的重要部件,由于作业工况环境恶劣,钢丝绳表面极易引起断丝等缺陷,影响港机装备作业安全。针对港机装备钢丝绳表面油泥严重、光照亮度不均,以及港机装备钢丝绳断丝缺陷能够在钢丝绳股顶钢丝椭圆形区域内有效体现的特点,提出了一种基于钢丝绳整体纹理特征与股顶钢丝椭圆形区域边缘轮廓纹理特征加权融合的钢丝绳断丝缺陷检测方法。首先采用图像降噪、增强、校正技术对钢丝绳原始图像进行预处理。然后采用图像平滑、阈值分割及边缘特征提取技术对股顶钢丝椭圆形区域边缘轮廓进行提取。接着采用局部二值模式(LBP)算子分别提取钢丝绳整体纹理特征与股顶钢丝椭圆形区域边缘轮廓纹理特征,并对钢丝绳整体纹理及边缘轮廓纹理特征进行特征加权融合。最后对加权融合后的特征向量进行主成分分析(PCA)法降维,并应用支持向量机(SVM)技术对钢丝绳断丝缺陷进行检测。研究结果表明:本文提出的方法对实际工况下重油泥、光照不均等钢丝绳断丝缺陷具有较好的检测效果,具有一定的工程应用价值。

叶脉仿生分形纹理化金刚石砂轮磨削氧化锆陶瓷试验评价

针对氧化锆陶瓷在传统砂轮磨削过程中存在的磨削力大、加工质量较差等问题,根据叶脉分形结构在减阻导流与散热传质方面的优异性能,建立叶脉分形角模型,设计30.0°、45.0°和60.0°3种不同分形角度的叶脉仿生分形纹理化金刚石砂轮,对比分析原始砂轮与3种仿生分形砂轮对氧化锆陶瓷磨削表面粗糙度Ra、磨削力和磨削力比的影响。结果表明:仿生分形砂轮比原始砂轮具有更好的磨削性能;与原始砂轮相比,仿生分形砂轮的法向磨削力降低了12.7%~55.8%,切向磨削力降低了8.1%~40.3%,且其对表面粗糙度Ra影响不明显;当分形角为30.0°时,获得的磨削力比最小值为1.4~3.0,表面粗糙度Ra最小值为1.824μm。

基于自适应纹理特征融合的纹理图像分类方法

现有基于深度学习的图像分类方法普遍缺少纹理特征的针对性,分类精度较低,难以同时适用于简单纹理和复杂纹理分类。提出一种基于自适应纹理特征融合的深度学习模型,能够结合类间差异性纹理特征做出分类决策。首先,根据纹理特征的最大类间差异性,构建图像的纹理特征图像;然后,采用原始图像与特征鲜明的纹理特征图像并行训练改进的双线性模型,获取双通道特征;最后,基于决策融合构建自适应分类模块,连接原图与纹理集的平均池化特征图进行通道权重提取,根据通道权重融合2个并行神经网络模型的分类向量,得到最优融合分类结果。在KTH-TIPS,KTH-TIPS-2b, UIUC和DTD 4个公共纹理数据集上对模型的分类性能进行评估,分别得到了99.98%、99.95%、99.99%和67.09%的准确率,表明所提模型具有普遍高效的识别性能。

基于结构纹理分解的矿井图像增强方法

矿井下存在低照度、多灰尘现象,导致监控视频采集的图像具有光照不均、模糊及细节丢失的问题,影响后续智能图像识别,现有矿井图像增强方法普遍存在图像纹理细节不清晰、视觉效果差的问题。提出了一种基于结构纹理分解的图像增强方法。首先,利用maxRGB算法对原始图像提取初始光照分量,接着构建优化目标函数,依次优化求解初始光照分量中的结构分量、纹理分量及噪声分量:先对初始光照分量进行加权引导滤波,作为先验约束,迭代获得边缘清晰的结构分量;再结合最大邻域差方法和加权平均局部变分构建局部变化偏差函数,作为约束权重,迭代得到细节丰富的纹理分量。然后,将原始图像转换到HSV颜色空间,提取出原始图像的亮度分量,并结合结构分量、纹理分量及噪声分量,利用Retinex理论进行重构,得到增强后的初始亮度分量。为避免亮度过增强,引入带有截断因子的自适应伽马校正(AGCWD)处理图像初始亮度信息,以获得最终的亮度分量。最后,将图像转换到RGB颜色空间,得到增强图像。实验结果表明:①基于结构纹理分解的图像增强算法能保证图像边缘纹理细节更加清晰,减少了图像增强过程中的光晕伪影,且增强后的图像灰度直方图更均衡。②与结构纹理感知Retinex(STAR)算法、联合内外先验(JieP)算法、加权变分模型(WVM)、半解耦分解(SDD)算法、带色彩恢复的多尺度Retinex(MSRCR)算法等5种图像增强算法相比,基于结构纹理分解的图像增强算法的自然图像质量评价指标(NIQE)分别降低了8.69%,29.05%,11.2%,29.53%,33.54%,视觉质量保真度(VIF)分别提高了91.17%,117.86%,59.38%,48.78%,183.12%,信息熵指标(Entropy)分别提高了3.20%,8.02%,4.07%,3.49%,22.68%。③基于结构纹理分解的图像增强算法运行时间仅长于MSRCR算法,但增强效果更好,能够满足矿井下图像增强的需求。

面向低光弱纹理环境的SLAM系统实验教学平台设计

为提升机器人专业实验教学质量和人才培养质量,针对机器人状态估计和精确定位工程问题提出一种面向低光弱纹理环境的视觉惯性融合鲁棒SLAM算法,并设计一种面向低光弱纹理环境的SLAM系统实验软件教学平台,实现稳健鲁棒4DOF状态估计和高精度实时定位,并在公开数据集上验证了该算法的有效性。实验结果表明,与现有的视觉惯性SLAM算法相比,所提算法在结构化弱纹理场景中有着更高的精度和鲁棒性,能有效降低机器人系统的累积误差,保证地图构建的一致性。通过上述SLAM系统教学平台在实验教学中的应用,可提升机器人专业本科生在工程问题中的创新能力和实践能力。