一种基于改进的K-means聚类和PSO的软件可靠性模型选择

针对软件可靠性选择主要依靠人的主观经验进行判断、缺乏客观性和准确性的问题,提出了一种基于改进的K-means聚类和粒子群优化(PSO)算法的软件可靠性模型选择方法。该方法采用多评价标准编码,选定一种新的规则化距离作为元素间的相似性度量,应用K-means聚类和PSO分析实现了软件可靠性模型的选择。实验结果验证了该方法的有效性,为软件可靠性模型选择提供了一条新途径。

采用测地线活动轮廓模型检测与跟踪运动目标

水平集几何活动轮廓模型能较好地适应曲线的拓扑变化.为了跟踪和获取刚体和非刚体运动目标的轮廓信息,提出了一种基于改进测地线活动轮廓(GAC)模型和Kalman滤波相结合的算法以检测和跟踪运动目标.该算法首先采用高斯混合模型和背景差分获取目标的运动区域,在运动区域内采用引入距离规则化项的GAC模型进行曲线演化,使改进GAC模型在运动目标的真实轮廓处收敛;然后通过结合Kalman滤波预测目标下一帧的位置,实现对目标轮廓跟踪.实验结果表明,该方法适用于刚体和非刚体目标,在部分遮挡的情况下也能保持良好的检测和跟踪效果.

基于DRLSE模型的运动目标跟踪

高斯粒子滤波不能处理曲线的拓扑变化,而基于水平集的几何活动轮廓模型能较好地适应拓扑变化,为了跟踪和提取刚体和非刚体运动目标精确的轮廓信息,提出基于距离规则化的水平集演化(DRLSE)模型和高斯粒子滤波(GPF)相结合的运动目标跟踪方法.首先用高斯粒子滤波对目标跟踪得到目标的运动区域,然后把水平集规则项引入到测地线活动轮廓模型中,以外接轮廓的中心为基础进行DRLSE.距离规则化不仅消除了水平集重新初始化的需要,而且避免了因此而导致的数值错误,在水平集演化过程中保持了水平集函数的规则化.最后,将获得的精确轮廓信息反馈到跟踪框架.实验结果表明,该方法适用于刚体和非刚体目标,在实际交通环境中跟踪结果更加精确.

改进的双水平集心脏MRI图像左心室分割算法

针对基于深度学习的心脏MRI图像左心室分割网络仅使用简单的阈值法对输出的概率图进行二值化,使得分割的结果边缘模糊的问题,提出了一种改进的基于双水平集的后处理算法。在使用传统水平集方法对左心室内外膜进行分割时,存在水平集函数演化不稳定、边缘分割精度低和分割效率低等问题。提出新的距离规则化函数对水平集的能量函数进行改进,新的距离规则化函数可以更好地约束边缘正则性,能够很好地弥补深度网络输出结果当中的缺陷,并使用双水平集,即0水平集函数和k水平集函数分别向左心室内外膜演化。利用多伦多市儿童病医院影像科提供的数据集,用上述算法对基于深度网络的心脏MRI图像左心室分割结果进行后处理,实验结果表明,左心室内膜和外膜分割的Dice相似系数分别为0.9338和0.9587。对比其他分割模型,分割精度获得了明显提高。

结合马氏距离的区域化模糊聚类遥感图像分割

传统模糊聚类算法通常将像素光谱测度间的欧式距离作为相似性准则,其仅适用于同质区域内像素光谱测度呈对称分布的图像.同时,基于像素的图像分割算法极易受噪声干扰,导致该类算法难以适用于高分辨率遥感图像分割.因此,提出结合马氏距离的区域化模糊聚类遥感图像分割算法,该算法以Voronoi多边形为基本单元,令多边形内所有像素与该多边形具有同一类属性,并采用马氏距离定义非相似性测度.此外,在目标函数中引入马氏距离规则化项以控制聚类尺度,进而构建区域化高分辨率遥感图像分割模型.通过对合成及真实遥感图像分割结果的定性及定量分析,证明了提出算法具有较强的鲁棒性.