基于视平面上特征计算的视点选择

提出一种能高效观察三维模型的视点选择方法.该方法基于视平面定义一种曲率特征,以度量模型的三维几何特征在视平面上的分布和体现状况,并由此计算与视点相关的一种熵值;然后对各个视点相关的这种熵值进行比较,可得到熵值最大的视点.实验结果表明,采用该方法找到的视点能观察到模型尽可能多的显著特征,与人眼的观察习惯比较接近.与已有方法相比,文中方法计算简单、不需要语义计算、有较高的工作效率.

实时交互式软组织切割与变形计算模型

为提高虚拟手术模拟的交互性与实时性,提出一种软组织实时切割与变形计算模型.该模型以混合有限元模型为基础,根据手术过程中不同区域的交互特点,利用GPU加速手术区域的切割与变形计算;同时,对非手术区域的软组织因交互而引起的实时变形可通过选择性相乘的方法快速实现.实验结果充分证明,该计算模型可以灵活有效地实现实时软组织的交互切割与变形模拟.

基于自适应分割的动态面光源图像空间绘制

针对图像空间绘制技术中可见性积分的计算不能达到实时,并且无法捕捉由面光源上辐射度变化引起的着色点亮度变化这两个问题,提出了一种基于自适应的空间划分技术的、在图像空间中对动态面光源效果进行绘制的方法。该方法将场景中的物体根据深度及分布情况,自适应地划分为非均匀的体素,同时构建场景中深度和法向变化量的多级纹理,并利用存储在这些体素和纹理中的信息对着色点进行快速的可见性积分和相应的光照度计算。

基于高通差异性特征的图像质量评估方法

现有的图像质量评估只能判断单一失真方式下失真图像的质量优劣。为了改进这一缺点,根据自然场景统计信息的图像特征,提出基于高通滤波下RGB差异性的图像质量评估方法,通过局部归一化亮度,提取RGB通道差异性、图像梯度、图像锐度、及图像对比度等特征,利用逻辑回归训练,最终得到无参考图像质量评估模型。实验结果表明,方法对各类型失真图像质量评估准确率较高,特别对多种失真类型混合的测试集时,具有明显优势。

基于Morlet小波变换的视网膜血管分割

眼底视网膜血管网络是诊断糖尿病视网膜病、青光眼等眼科疾病的重要手段.根据视网膜血管的树状网络结构和灰度分布特征,提出一种基于Morlet小波和高斯匹配滤波的分割方法.首先通过分析二维Morlet小波变换对血管的系数响应来构造血管特征函数图;随后采用多尺度的离散高斯核对血管骨架进行匹配滤波,提高微小血管与背景区域的对比度;最后结合区域连通性分析和滞后阈值技术滤除背景噪声,提取出更加精确的血管树细节.在DRIVE和STARE数据库上的实验结果表明,作为非监督类分割方法,该方法能有效地提取眼底图像的视网膜血管网络,粘连现象少,而且对图像中噪声的鲁棒性较其他方法明显提高,具有较好的临床应用参考价值.

实时多组织虚拟手术的反馈力模拟

为了在虚拟下颌整形手术系统中提供实时和真实的触觉交互,分别构建了基于虚拟中介平面的推操作触觉模型、基于粘附力的拉操作触觉模型和基于非线性粘弹性的针刺触觉模型,以模拟皮肤拉钩、整形镊和针的典型手术操作;同时通过相邻组织间的动态触觉约束建立了多组织联合形变模型,以避免表面弹簧-质点模型形变过程中可能出现的表面间相互穿透的异常现象;并进一步将触觉交互模型和多组织形变模型集成于虚拟下颌手术系统,从而为医生提供一个手术训练的虚拟平台.触觉感知和交互效率的实验结果表明,通过触觉交互识别皮肤、肌肉和骨骼能够获得较高的识别正确率,并能提供实时的触觉和视觉交互体验.

基于改进K-Means的腹内脂肪自动定量检测算法

检测肥胖病人腹部脂肪的分布及含量情况,判定腹型肥胖的种类,对评估和治疗糖尿病和心血管代谢等相关疾病有重要的临床价值.通过分析人体腹部磁共振(MR)图像中脂肪成像的特点,提出一种无监督的腹部脂肪自动检测算法.该算法运用SLIC算法对腹部磁共振图像进行预处理,生成超像素;然后用泛洪填充算法进行背景剔除,再将改进的K-means算法用于脂肪区域与非脂肪区域以及皮下脂肪与内脏脂肪的自动分割;最后基于分割结果实现对腹部脂肪的定量分析.实验结果表明,文中算法能精确地检测出腹部脂肪的含量,并能够区分脂肪的类别,相比以往的半自动或全自动算法,其准确率得到了有效的提高.

基于桶型深度剥离算法的屏幕空间环境遮挡

针对屏幕空间环境遮挡算法不能计算屏幕空间中被遮挡物体产生的环境遮挡值,提出了一种基于桶型深度剥离算法的屏幕空间环境遮挡算法。将位于场景中不同深度层次的物体的深度值信息剥离出来,并用这些信息计算场景中所有物体产生的环境遮挡值,从而解决了屏幕空间环境遮挡算法中被遮挡物体无法产生环境遮挡值的问题。该方法的计算过程完全在图形处理器中完成,实验结果表明,该方法具有较好的真实感并保证实时绘制速度。

面向高光谱图像分类网络的对比半监督对抗训练方法

目的 深度神经网络在高光谱图像分类任务中表现出明显的优越性,但是对抗样本的出现使其鲁棒性受到严重威胁,对抗训练方法为深度神经网络提供了一种有效的保护策略,但是在有限标记样本下提高目标网络的鲁棒性和泛化能力仍然需要进一步研究。为此,本文提出了一种面向高光谱图像分类网络的对比半监督对抗训练方法。方法 首先,根据少量标记样本预训练目标模型,并同时利用少量标记样本和大量无标记样本构建训练样本集合;然后,通过最大化训练样本集合中干净样本和对抗样本在目标模型上的特征差异生成高迁移性对抗样本;最后,为了减少对抗训练过程对样本标签的依赖以及提高目标模型对困难对抗样本的学习和泛化能力,充分利用目标模型和预训练模型的输出层及中间层特征,构建对比对抗损失函数对目标模型进行优化,提高目标模型的对抗鲁棒性。对抗样本生成和目标网络优化过程交替进行,并且不需要样本标签的参与。结果 在PaviaU和Indian Pines两组高光谱图像数据集上与主流的5种对抗训练方法进行了比较,本文方法在防御已知攻击和多种未知攻击上均表现出明显的优越性。面对6种未知攻击,相比于监督对抗训练方法 AT(adversarial training)和TRADES(trade-off between robustness and accuracy),本文方法分类精度在两个数据集上平均提高了13.3%和16%,相比于半监督对抗训练方法 SRT(semi-supervised robust training)、RST(robust self-training)和MART(misclassification aware adversarial risk training),本文方法分类精度再两个数据集上平均提高了5.6%和4.4%。实验结果表明了提出模型的有效性。结论 本文方法能够在少量标记样本下提高高光谱图像分类网络的防御性能。

基于渐进式聚类的局部光与材质设计技术

文中提出一种基于图形处理器(GPU,graphics processing unit)的重光照技术,可以在局部点光源,表面反射属性和视点的同时变化中,以交互式的帧率计算全局光照.为了支持这些变化,选择在运行时刻模拟光能的物理传播过程.尽管这种模拟往往由于计算代价过于昂贵而难以被交互式系统采用,但是文中通过引入一个被称为传播树的层次性结构来大大降低模拟计算的开销.在误差允许的范围内,传播树将近似的发光面片进行聚类,然后便可以使用聚类的代表面片来近似整个场景.另外,还挖掘出了光能分布场在空间上和时间上的连续性,并以此为基础对聚类进行渐进式调整,以避免在每一帧中都得从头计算聚类划分,这就叫渐进式聚类.由于采样点之间的可见性可以预计算,把本来很复杂的间接光照计算问题化解成了简单的累加和少量的合并与分裂操作,即聚类代表所发射出的光能的累加以及聚类的合并与分裂.而累加、合并和分裂都是可以直接在图形硬件上并行执行的.在材质动画和场景装修等实际应用中,使用文中技术能够以交互式的速度生成带有多次反射效果的全局光照.