基于L1范数主成分分析的颅脑图像恢复

医学颅脑图像处理已成为脑部疾病诊断的重要途径,为去除颅脑图像的噪声和异物遮挡而又不损失正常组织信息,提出了一种基于L1范数鲁棒主成分分析降维的颅脑图像恢复方法。首先用L1范数代替传统主成分分析中的L2范数,构造对噪声更加鲁棒的L1范数主成分分析;然后对其代价函数进行交替凸规划算法计算图像降维后的特征数据与投影矩阵;最后利用线性变换得到恢复后的医学颅脑图像。与传统图像压缩与恢复方法不同,该方法利用了L1范数的噪声鲁棒性,通过降维的方法来实现颅脑图像的恢复,同时实现去噪和异常检测的功能。在真实颅脑图像库中进行的比较实验证明了该方法对于颅脑图像恢复的有效性。

基于复杂网络的图像建模与特征提取方法

针对传统图像结构图表示特征不稳定的问题,提出一种基于复杂网络模型的图像表示与识别方法。以图像的关键点作为网络节点,构建复杂网络初始模型。利用最小生成树分解方法对初始网络模型进行动态演化,提取不同演化阶段下的网络特征,实现对图像结构特征的描述。该方法直接利用图像关键点之间的空间分布信息,结构简单。分类与聚类实验结果表明,与传统基于边权值阈值的演化方法相比,该方法能更准确地描述图像的结构。

基于快速稀疏表示的医学图像压缩

随着数字医学图像数据量的日益增大,有必要采取一定的图像压缩技术进行压缩存储。为此,提出基于快速稀疏表示的医学图像压缩方法。使用K-奇异值分解算法构造医学图像过完备字典,采用批量正交匹配追踪(Batch-OMP)算法进行稀疏编码。该方法只需要存储稀疏编码非零位置的系数信息,利用过完备字典即可实现原始医学图像的重构。实验结果表明,该方法可提高图像稀疏编码的速度,与正交匹配追踪(OMP)算法相比可提速40%左右,并且图像重构效果优于联合图像专家组(JPEG)算法和多级树集合分裂(SPIHT)算法的压缩效果,相对JPEG压缩的图像峰值信噪比平均提高18%,相对SPIHT算法平均提高50%。

组合核支持向量机的模式分析新方法

基于支持向量机核函数的条件,将Sobolev Hilbert空间的再生核函数和多项式核函数进行有效的线性组合,给出一种新的支持向量机的组合核函数,提出一种基于再生核的组合核函数支持向量机的模式分析方法,该方法兼具了全局核函数与局部核函数的优点,且算法的复杂度被降低。仿真实验结果表明:支持向量机的核函数采用基于再生核的组合核函数是可行的,且此核函数不仅具有核函数的非线性映射特征,而且也继承了核函数对非线性逐级精细逼近的特征,模式分析的效果比单核函数可以更加细腻。

基于L1-范数的二维线性判别分析

为了避免图像数据向量化后的维数灾难问题,以及增强对野值(outliers)及噪声的鲁棒性,该文提出一种基于L1-范数的2维线性判别分析(L1-norm-based Two-Dimensional Linear Discriminant Analysis,2DLDA-L1)降维方法。它充分利用L1-范数对野值及噪声的强鲁棒性,并且直接在图像矩阵上进行投影降维。该文还提出一种快速迭代优化算法,并给出了其单调收敛到局部最优的证明。在多个图像数据库上的实验验证了该方法的鲁棒性与高效性。

基于梯度广义近邻图的多模医学图像配准

提出一种融合梯度信息的医学图像配准算法。提取图像中互补的尺度空间特征点,并计算特征点周围的梯度信息,以Rényi互信息作为目标函数,利用广义近邻图估计Rényi熵。实验结果表明,在受外界因素影响较大的情况下,该算法速度较快、准确率较高,具有较强的鲁棒性。

基于梯度相似性与Rényi熵图的图像配准算法

图像配准技术是图像处理与分析中的基本任务。针对图像配准对鲁棒性强、准确性高和速度快的要求,文中提出一种基于梯度相似性与Rényi熵图的图像配准算法。该算法首先提取图像特征点集,以Rényi互信息作为目标函数,然后使用特征点集的广义近邻图来估计Rényi熵与互信息,最后将特征点梯度信息融入到配准框架中。新算法结合了特征点梯度信息的鲁棒性和Rényi熵图理论的高效性。在真实遥感图像上进行的配准的实验表明,与传统方法相比,新算法在鲁棒性、速度和准确度上都达到很好的结果,是一种有效的图像配准方法。

结合SURF描述符和广义近邻图的图像配准算法

针对传统互信息配准方法计算量较大且未利用图像空间信息的缺点,提出了一种结合SURF描述符和广义近邻图的图像配准算法。该算法用SURF从图像中提取尺度空间特征点并获得特征点描述子,然后用广义近邻图来估计Rényi熵与互信息。该算法结合了SURF描述子的鲁棒性和广义近邻图估计Rényi熵的高效性。实验结果表明,对于真实遥感图像,该算法在配准准确度、鲁棒性和速度上都明显优于几种传统配准方法。

双份分形码与自适应TV模型的图像恢复

为了既能让被篡改图像的结构信息得到恢复,又能让图像的细节部分得到很好的修复,提出了一种基于双份分形码解码与自适应TV算法相结合的迭代图像修复方法。该方法结合了自适应TV算法的梯度修复特性,利用原图的两种不同分形码进行迭代解码,从而实现对篡改图像结构和细节部分的修复。实验结果表明,算法对图像的结构和细节修复上都具有较好的效果。

基于局部小波模式和一致性点漂移的多模医学图像配准

为提高多模医学图像配准的速度、精度和鲁棒性,本文提出一种基于局部小波模式(LWP)和一致性点漂移(CPD)的多模医学图像配准算法。首先提取图像稳定特征点,然后通过局部小波分解编码8邻域信息;接着变换中心像素值,使中心点像素构成的向量取值与小波分解向量取值范围相一致,通过比较中心像素变换向量与小波分解向量计算LWP描述子;最后把结合高斯混合模型后验概率和负对数似然函数的函数作为目标函数,利用一致性点漂移算法进行模型参数估计和空间变换。实验结果表明在图像存在噪声、灰度不均匀和初始误配的情况下,LWP-CPD算法的鲁棒性、配准精度和计算复杂度都达到很好的效果。

基于Tamura纹理特征的Copy-Move图像篡改盲检测

针对图像盲认证中一种常见的Copy-Move型图像篡改,提出了基于图像的Tamura纹理特征的Copy-Move型篡改区域的检测和定位算法。该算法提取每一图像块的Tamura纹理特征组成图像的特征向量,用字典排序法对特征向量进行排序,利用欧式距离计算图像块的相似性,以检测和定位被篡改的图像区域。实验结果表明,该算法能有效地检测和定位被篡改的图像区域。

融合低层和高层特征图表示的图像显著性检测算法

为了有效地利用不同层次特征的互补性,提高鲁棒性,提出一种融合低层和高层特征的图表示的图像显著性算法.首先以超像素为结点构图,通过高层特征和底层特征差异定义该图的点和边的权重;然后根据该图模型构造不对称转移概率矩阵,并利用Markov随机游走算法进行求解,得到初始显著性图;最后结合中心先验及改进的边界先验得到最终的图像显著性结果.在4个公共数据集上与10种方法进行比较与分析,验证了该算法的有效性.

一种基于加权投票的图像匹配改进方法

在谱匹配方法中,谱分解耗时较长,且图像匹配方法的效果欠佳。为此,提出一种基于加权投票的图像匹配改进方法。建立特征点候选匹配之间的亲邻矩阵,每个候选匹配以一定的权重对其他候选匹配进行投票和接收投票,通过简单的数学运算和排序操作确定最优匹配。实验结果表明,引入投票权重可改善基于加权投票图像匹配方法的匹配效果,并能保持较短的运行时间。

热红外与可见光图像融合算法研究

融合热红外与可见光图像能够达到信息的互补,弥补单一模态在某些条件下的不足,因此具有较高的研究和应用价值。采用了一种基于稀疏表示模型的热红外与可见光图像融合算法。首先,根据一定量图像样本学习出较为完备的字典。其次,对于给定的两模态图像对,通过稀疏表示模型在学习出的字典上分别对其进行稀A表示。同时,为了提高鲁棒性,使用了拉普拉斯约束对表示系数进行正则化。然后,根据融合算法对两模态图像进行有效融合。最后,在公共的图像以及收集的图像上进行了实验,实验结果表明,该算法能够有效地融合两模态图像的信息。

非负Laplacian嵌入在颅脑MR图像分割中的应用

在图理论的基础上,将非负Laplacian嵌入应用于颅脑核磁共振图像分割。该算法首先利用均值漂移算法对图像进行预分割,然后利用Gabor滤波器组对分块进行纹理特征提取,再将各分块映射为图中的每一个顶点,最后对图进行非负Laplacian嵌入得到每一小块的聚类结果。实验表明,相对于传统的Laplacian嵌入方法,非负Laplacian嵌入能够得到更好的分割结果。

基于图像视觉的非接触式液位自动检测系统

由于环境、精度及维护成本高等因素,液位自动检测方法不能满足日益发展的工业环境测量要求。针对该特定应用设计出一套基于图像视觉的非接触式液位自动检测系统。系统基于计算机图像视觉方法,为液位自动检测提供新的思路。特点是测量精度高、适应能力强、维护方便、成本低、运行安全可靠,能实时检测罐体中的液位。

基于多标签ReliefF的特征选择算法

针对传统特征选择算法局限于单标签数据问题,提出一种多标签数据特征选择算法——多标签ReliefF算法。该算法依据多标签数据类别的共现性,假设样本各类标签的贡献值是相等的,结合三种贡献值计算方法,改进特征权值更新公式,最终获得有效的分类特征。分类实验结果表明,在特征维数相同的情况下,多标签ReliefF算法的分类正确率明显高于传统特征选择算法。

使用自适应线性回归的多标签分类算法

针对多标签数据类别间的相关性与共现性,提出了一种使用自适应线性回归的多标签分类算法,将经典线性回归理论推广到多标签形式,结合多种评判标准对回归结果设置阈值,进而自适应地预测出最终标签.该方法同时考虑了符合数据期望的固定阈值与反映分类器综合效果的自适应阈值,因而降低了数据分布与噪声对分类的影响.实验结果表明,该方法可以有效地解决多标签分类问题.

基于关联图划分的Kmeans算法

Kmeans是最典型的聚类算法,因其简洁、快速而被广泛使用。针对传统Kmeans算法对初始聚类中心敏感和聚类参数k难以确定的问题,提出了一种基于关联图划分的Kmeans算法。该算法能够有效地根据数据的分布特性选取初始聚类中心,能够在指定的数据密集程度下自适应确定聚类数目。有效性实验表明上述改进的Kmeans算法具有较高的准确率和稳定性。

局部保持的稀疏表示字典学习

稀疏表示分类中的字典选择至关重要,为了用较少的字典原子更好地表示原始训练样本的局部信息,并且使学习出的字典更加具有判别信息,提出了一种基于局部保持准则的稀疏表示字典学习方法.该方法将局部保持准则强加在编码系数上,使得学习出的字典具有相近数据点的编码系数也保持近邻关系的特性,从而保持原始训练样本的局部信息.在扩展YaleB、AR和COIL20数据库上的实验结果表明,文中方法的分类识别结果优于其他方法,说明该方法是有效的.