融合多种特征点信息的最小生成树医学图像配准

针对医学图像配准鲁棒性强、准确性高和速度快的要求,提出了一种基于融合多种特征点信息的最小生成树医学图像配准算法.该算法首先提取3种特征点,Harris-Laplace,Laplacian of Gaussian和网格点;然后使用遗传算法去除特征点集的冗余,并通过对位映射构建无向完全图顶点集合;进而使用改进的Kruskal算法来构造最小生成树;最后使用得到的最小生成树估计Rényi熵.该算法较好地解决了在噪声数据中使用最小生成树估计Rényi熵面临的特征点不稳定导致鲁棒性低和构造最小生成树遇到的速度瓶颈.实验结果表明:在图像含有噪声、灰度不均匀以及初始误配范围较大的情况下,该算法在达到良好配准精度的同时,具有较强的鲁棒性和较快的速度.

一种求解最小生成树问题的算法

基于节点合并和反向追踪的思想,提出一种求解最小生成树问题的算法。该算法依据网络邻接矩阵,将与源节点相邻的节点逐步合并为新的源节点,使网络中的所有节点合并为一个点,借助引入的前点标号数组得到网络的最小生成树,对算法正确性与算法复杂度进行分析。将该算法应用于某高速公路网工程建设方案,结果证明了算法的有效性。

基于优化网格的最小生成树聚类算法

提出一种基于优化网格的最小生成树聚类算法OGMST(MST Clustering Algorithm Based on Optimized Grid),一方面利用最小生成树的方法进行聚类,另一方面利用了参数自动化的网格划分技术和密度阈值处理技术,解决了最小生成树聚类算法不适用于多密度数据集的局限性,提高了现有的多密度聚类算法的效率和精度。算法还对边界点进行了有效的处理。实验表明算法具有较好的可扩展性,是一种高效、快速的聚类算法。

混合点状和非规则军标的在线手绘识别

当前对在线手绘军标图符识别的研究只针对单一类型的手绘点状军标或非规则军标,分别使用不同方法进行识别.但在特殊应用中二者常混合输入,当待识别军标图符的类型未知时,如何识别是一个重要问题.提出一种基于最小生成树(MST)覆盖模型的混合识别方法,训练阶段,分别对点状和非规则军标样本建立MST覆盖模型,并训练一个二分类支持向量机(SVM)分类器;识别阶段,先通过几何和结构信息粗判断军标类型,再通过置信度估计和融合的方法确定未知军标的类型.在113类点状军标和36类非规则军标的数据集中实验,军标类型区分准确率为94.7%,最终识别率为91.6%,且能满足实时要求.