演化曲线自适应驱动的图像分割水平集模型研究

利用图像梯度和几何曲率等信息可以准确定位分割图像的边缘.基于此,本文在对图像分割典型变分模型有效性及所存在问题分析和讨论的基础上,提出了一种演化曲线自适应驱动的图像分割水平集模型.模型通过调整演化曲线长度项和面积项的权重函数,使演化曲线能够根据图像当前的状态自适应的调整演化幅度和方向,不仅提高了图像分割的准确度,还大大缩减了图像分割时间;模型在利用图像局部区域信息的同时,也利用全局化的正则函数来兼顾模型能量泛函的全局性,使模型有了对异质区域边界的捕捉能力.经试验验证文章所提出的新模型有效可靠.

基于自适应活动轮廓模型的医学图像分割算法研究

针对传统活动轮廓模型中CV模型和LBF模型能量泛函单一,不能准确快速分割灰度不均匀医学图像的问题,提出一种基于自适应的活动轮廓模型。新模型首先对CV模型的全局拟合项进行改进,使改进后的轮廓曲线对灰度变化区域敏感,其次引入LBF模型的局部拟合项,并对局部拟合项和全局拟合项的权重系数采用自适应函数的形式进行调整,得到最终的自适应活动轮廓模型。实验结果表明:新的模型不仅能够对医学图像中灰度不均匀区域起到较好的分割效果,而且对初始轮廓具有较强的鲁棒性,与此同时自适应权重函数的加入提高了算法在图像上的通用性和运算效率。

基于指数映射与自适应权重能量函数的图像去雾方法

现有图像去雾算法在复原含明亮区域的雾天图像时,存在色彩失真、偏色、亮度低等问题。针对现有算法的不足,提出一种基于指数映射与自适应权重能量函数的单幅图像去雾算法。首先结合图像暗通道值的统计规律,利用指数函数衰减特性,构建清晰图像暗通道与有雾图像暗通道的指数映射模型,并根据所获得的暗通道估计值求解出透射率估计值;其次,根据图像的马尔可夫性,构建基于马尔可夫网的自适应权重能量函数,对透射率进行优化,并使用降采样方法降低算法复杂度;最后,利用优化后的透射率估计值与局部大气光值复原出无雾图像。实验对比结果表明,该算法复原结果视觉效果清晰、色彩保真度高,并且多项客观评价参数在实验对比中取得了最高值,其中直方图相关系数达到了0.4521,高出对比算法的平均表现67.3%。综上所述,该算法较好地解决了包含明亮区域的有雾图像复原问题。

基于IABC优化LSSVR的变形预测研究

针对最小二乘支持向量回归机(LSSVR)中惩罚参数c和核函数参数σ难以确定,以及标准人工蜂群算法(ABC)易陷入局部最优、收敛速度慢等问题,提出一种改进的人工蜂群算法(IABC)来优化LSSVR的参数并进行变形预测研究。首先,IABC算法利用反向学习策略生成正反2个种群来增加初始群体的多样性,一次迭代后对双种群的当前最优食物源进行信息交换以实现优中选优,并设计食物源自适应权重函数及适应度自适应选择函数平衡ABC的勘探和开发能力;其次,以LSSVR的预测精度为目标函数,并将其转化为IABC的适应度函数,以此构建出基于IABC优化LSSVR的预测模型;最后,以基坑监测数据为例,将IABC优化的LSSVR模型、ABC优化的LSSVR模型以及基于PSO的组合模型进行预测对比分析。结果表明,IABC增加了种群的多样性,提高了收敛精度,基于IABC优化的LSSVR模型预测的变形趋势更符合实际,预测精度高于对比模型。

基于多尺度残差双域注意力网络的乳腺动态对比度增强磁共振成像肿瘤分割方法

针对乳腺肿瘤大小形态多变、边界模糊以及前景与背景间严重类不平衡的问题,该文提出一种多尺度残差双域注意力融合网络。该网络以多尺度卷积构成的多尺度残差块作为基本搭建模块,通过提取多尺度特征和优化梯度传播通道提高其识别不同尺寸目标的能力,同时融入双域注意力单元,提高网络的边缘识别和边界保持能力。另外该文提出一种混合自适应权重损失函数改善网络优化方向,缓解正负样本极度不均衡的影响。实验结果表明,该文所提方法的平均骰子相似系数(Dice)值达到0.8063,较U形网络(UNet)提高5.3%,参数量下降73.36%,具有更优的分割性能。

基于深度学习的腹部多器官图像分割

CT扫描是临床上腹部相关疾病诊断的常规检查方式,通过CT,医生能对腹部的器官结构和组织病变结构产生更加直观的观察,从而提高了疾病诊断的准确性,因此,精准地对CT图片进行图像分割有着非常重要的临床价值。传统的分割算法针对腹部形变较大、体积较小且组织边缘模糊的器官分割效果相对较差。为此,该文提出了基于改进nnUNet腹部多器官图像分割方法,在腹部CT图像上分割肝脏、胃、肠道和胰腺4个器官。该文利用自适应权重的损失函数对nnUNet网络进行改进,使得网络在分割过程中更加关注体积较小且样本数量相对较少的器官特征。实验表明,该文提出方法相对于现有传统的分割方法具有更高的准确性和敏感性。

改进的人体运动检测方法

为改善Kinect采集到的用户运动时骨骼节点位置的跳变随机性以及平滑用户动作过程中各骨骼关节的角度,对运动数据的采集和计算算法进行研究,提出改进的中位值平均滤波算法和改进的EWMA算法。改进的中位值平均滤波算法在滤波输出节点位置计算中引入自适应滤波因子和偏移预测量,改进的EWMA算法在角度平滑计算中引入自适应权重动态分配函数。在算法的数据仿真测试中,分别用改进后的两个算法和各自的原算法进行测试和比较分析,实验结果表明,改进算法保证了节点基本静止时滤波和平滑的稳定性,兼顾用户动作变化时节点滤波预测位置的实时性和角度平滑值输出的实时性,优于同类其它算法。

增强型DeepLab算法和自适应损失函数的高分辨率遥感影像分类

高分辨率遥感影像地物复杂,分类难度大,而深度学习方法可以提取地物更多更深层次的特征信息,适用于高分辨率遥感影像的地物分类。本文研究对高分辨率影像中不透水地面、建筑、低矮植被、树、车辆等地物的高精度分类。结合遥感多地物分类的特点,以DeepLab v3+网络模型为基础,提出E-DeepLab网络模型。主要改进为:(1)改进编码器和解码器的结合方式,使用简洁有效的加成连接方式。(2)缩小单次上采样倍数,增加上采样层,提高编码器与解码器连接的紧密性。(3)使用改进的自适应权重损失函数,自动调节地物损失权重。同时根据数据特点,提出结合DSM、NDVI数据等多通道训练方式。使用两个地区数据进行实验,结果表明,两地区精度均明显优于原始DeepLab v3+模型和其他相关模型,Potsdam地区总体提取精度达到93.2%,建筑物提取精度达到97.8%,Vaihingen地区总体提取精度达到90.7%,建筑物提取精度达到96.3%。目视对比分类图和标准标记图,两者具有高度的一致性。本文所提出的E-DeepLab网络在高分辨率遥感影像地物高精度提取和分类中有较好的应用价值。

改进粒子群算法在柔性作业加工时间问题研究

为了减少柔性作业加工时长,在柔性作业加工问题中,提出一种改进粒子群算法(β-PSO)。该算法以最小加工时间为目标函数,惯性权重幂函数自适应调节,随机数采用贝塔分布进行改进,选取Kacem算例进行验证,通过对比β-PSO算法与标准粒子群算法(PSO)、余弦惯性权重改进粒子群算法(CPSO)的优化结果,β-PSO算法加工时间均较低。实验结果表明,β-PSO算法在减少柔性作业加工时间问题上的有效性。

基于混合决策的改进鸟群算法

针对鸟群算法(bird swarm algorithms, BSA)在求解复杂函数问题时存在的精度低、易陷入局部最优等问题,在保留BSA简单性的同时,提出一种基于混合决策的改进鸟群算法(improved bird swarm algorithms based on mixed decision making, IBSA)。应用重心反向学习机制初始化鸟群,维持鸟群较好的空间解分布。为了有效平衡算法在寻优过程中全局探索能力和局部发觉能力,动态调整鸟群飞往另外区域的周期。引入自适应余弦函数权重策略和加权平均思想对生产者觅食公式进行改进,增加算法在陷入局部最优后的脱困能力。在9个测试函数的基础上通过仿真试验对比基于IBSA、BSA、粒子群算法(particle swarm optimization, PSO)性能。结果表明,改进算法在单峰函数和多峰函数的测试中,寻优精度和寻优速度得到了较大程度上的提升。