首页 | 本学科首页   官方微博 | 高级检索  
    检索          
共有20条相似文献,以下是第1-20项 搜索用时 500 毫秒

1.  DenseNet-centercrop:一个用于肺结节分类的卷积网络  
   刘一璟  张旭斌  张建伟  周哲磊  冯元力  陈为《浙江大学学报(理学版)》,2020年第47卷第1期
   为解决由肺部CT图像对肺结节进行良恶性分类的问题,提出了一个新颖的端到端深度学习网络DenseNet-centercrop。通过在原有的DenseNet结构中的稠密块间增加新的分支,引入了中心剪裁操作。该网络结构具有2个优势:(1)不仅最大程度保留了DenseNet的结构,而且将其稠密连接机制扩展到了稠密块水平,大大丰富了肺结节的多尺度特征。(2)参数量较少,是一种轻量化的网络结构。将基于该网络的肺结节良恶性分类方法在LIDC-IDRI数据集上进行评估,实验结果表明,DenseNet-centercrop极大地提高了DenseNet的性能,较现有的其他肺结节良恶性分类方法具有更高的AUC分值和分类精度。    

2.  基于GLCM和NN的陶瓷推挤加工表面特征研究  
   田欣利  王龙  王望龙  李浩  唐修检  吴志远《人工晶体学报》,2014年第9期
   基于边缘效应驱动裂纹推挤加工技术是一项对工程陶瓷的非传统的接触式加工。基于灰度共生矩阵(GLCM)对采集的Si3N4陶瓷加工表面形貌图像提取了纹理特征参数,充分研究了步长、灰度量化级、方向三个构造参数对灰度共生矩阵的对比度、熵、相关性、能量的影响。结果表明:采用步长4,灰度量化级128时能更好获得较稳定的加工表面纹理特征参数,在采集图像的45°、135°两条对角线上的纹理特征变化更为明显。通过径向基层网络和竞争层网络两类神经网络(NN)的分工协作,针对不同加工参数的纹理特征的预测和分类,并探讨了各加工参数对纹理特征的影响规律。    

3.  基于灰度共生矩阵的自动聚焦算法  
   焦萍  姜威  贲晛烨  刘湜  张健钊《光学技术》,2018年第3期
   为了快速而准确的进行聚焦,提出一种基于灰度共生矩阵的自动聚焦评价算法。算法利用灰度共生矩阵提取图像的纹理,以此矩阵的对比度作为图像的清晰度值;为了提高算法的实时性,在计算对比度时,选取合适的阈值去掉矩阵对角线附近灰度差较小的元素,减少算法的计算量。实验结果表明:算法满足无偏性和单峰性,具有较高的灵敏度和陡峭度,聚焦性能较好,对引入噪声的图像同样具有很好的聚焦性能。    

4.  基于小波变换和灰度共生矩阵的轮胎花纹检索  
   贾世英  马姣婷《应用声学》,2016年第24卷第6期
   针对在用离散小波变换中提取纹理特征缺少纹理的空间分布特性问题,提出引入方向测度的灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)与离散小波分解相互融合的算法,在低频子带上借助方向测度引入权值因子的方法提取灰度共生矩阵的六个统计量,用生成的综合特征来描述轮胎花纹的纹理构成,用欧式距离进行相似性度量。实验结果表明,融合算法能够有效提高检索效率,改进方法的检索效率优于用传统的灰度共生矩阵和小波变换提取纹理方法的检索效率。    

5.  基于NSST和MCM纹理特征提取算法  
   《大学数学》,2016年第1期
   纹理特征提取作为图像处理的重要环节,对图像的后续处理有着至关重要的影响.文中在多分辨共生矩阵算法的基础上,针对标准Brodatz纹理图像检索,通过非下采样剪切波变换的多分辨共生矩阵和混合高斯模型相结合,提出了一种纹理特征提取算法.文中首先对Brodatz纹理图像进行非下采样剪切波变换得到子带系数,通过对细节子带直方图分析,引入了拟合效果较好的混合高斯模型.然后利用优化的非均匀量化策略,提取多分辨共生矩阵纹理特征F2和F10.最后将提取的纹理特征与统计特征级联融合并结合具有权重系数的相似性度量公式,用于最终纹理图像检索.仿真实验表明:与传统多分辨共生矩阵的方法相比,文中所提算法的平均检索率分别提高了2.01%和8.87%.    

6.  基于光谱-空间特征的黄茶多酚含量估算模型  
   《光谱学与光谱分析》,2021年第3期
   茶多酚是黄茶中的重要成分之一,具有保健和药用功效。准确估测茶多酚含量对茶叶品质鉴定和定量分析具有重要的意义。学者们已经利用电子鼻、电子舌、高光谱和近红外技术开展了茶多酚的估测研究,取得了良好的效果。然而,由于缺乏空间特征,难以满足黄茶内外品质综合判断的要求。随着高光谱成像系统的发展,尽管基于灰度共生矩阵的茶叶成分估测已经被证实取得较好的效果,但在实际应用中仍然存在一些障碍。一方面,分辨率较低时,图像的纹理特征不会有显著差异,并且少数特征无法充分地解译高光谱图像,从而导致模型估测效果较差。另一方面,分辨率较高时,特征的增加会导致模型更复杂。因此,在保留高光谱图像原始信息的前提下,有必要进一步挖掘高光谱图像的潜在特征,尤其是纹理的细节部分。因此,提出了一种融合光谱和空间特征的模型来提高茶多酚估测的准确性。首先,利用连续小波变换提取光谱信息的小波系数;其次,根据不同尺度的小波系数能量优选小波系数特征,分别是第4尺度的959和1 561 nm,第5尺度的1 321, 1 520和1 540 nm,以及第6尺度的1 202和1 228 nm;再者,基于小波系数能量之和优选2个特征波长,分别是1 102和1 309 nm;然后,根据特征波长对应的高光谱图像分别提取灰度共生矩阵和小波纹理。最后,分别利用小波系数特征、灰度共生矩阵、小波纹理和他们的组合构建黄茶多酚含量的估测模型。通过对五种黄茶的分析和验证,比较基于不同特征的不同模型估测效果,包括偏最小二乘回归、支持向量回归和随机森林方法。结果表明,融合小波系数特征,共生矩阵和小波纹理的支持向量回归模型效果最佳,校正集的R~2为0.933 0,验证集的R~2为0.823 8。因此,所提出的模型能有效的提高茶多酚含量的预测精度,为预测茶叶的其他成分提供了技术基础。    

7.  基于三维卷积神经网络的肺结节识别研究  
   冯雨  易本顺  吴晨玥  章云港《光学学报》,2019年第6期
   针对传统计算机辅助检测系统中肺结节检测存在大量假阳性的问题,提出一种基于三维卷积神经网络的肺结节识别方法。首先,将传统二维卷积神经网络扩展为三维卷积神经网络,充分挖掘肺结节的三维特征,增强特征的表达能力;其次,将密集连接网络与SENet相结合,在加强特征传递和复用的同时,通过特征重标定自适应学习特征权重;另外,引入focal loss作为网络的分类损失函数,提高对难样本的学习。在LUNA16数据集上的实验结果表明:与当前的主流深度学习算法相比,所提网络模型在平均每组CT图像中假阳个数为1和4时的检出率达到了0.911和0.934,CPM得分为0.891,优于大部分主流算法。    

8.  Laws纹理模板在立体匹配中的应用  
   葛亮  朱庆生  傅思思《光学学报》,2009年第29卷第9期
   立体匹配一直是计算机视觉领域的一个中心问题,基于区域整体匹配算法较好地解决了纹理单一区域的立体匹配问题,其关键步骤是纹理单一区域的分割和匹配.针对纹理单一区域的特点,提出利用Laws纹理模板对图像纹理特征进行分析描述,然后进行基于直方图的分割,得到纹理单一区域.对于各种场景图像.通过分析比较各种Laws纹理模板组合,能够得到最好的分割效果.在国际标准图像上测试的实验结果表明,相对于灰度共生矩阵描述纹理单一区域和基于区域生长的方法,该方法能提高纹理单一区域的识别率和分割阈值选取的稳健性,这有助于提高基于区域整体匹配算法的匹配精度和实用价值.    

9.  X射线数字纹理图像的特征提取  被引次数:1
   孔凡琴  路宏年《光子学报》,2006年第35卷第6期
   以减少图像背景和结构纹理对特征提取的干扰为目的,提出了先去除背景和纹理,再进行特征分析的算法.该算法通过最小二乘法则拟合了类抛物线曲面函数提取数字射线图像的背景,减少了背景对图像特征的模糊,在此基础上,针对图像的结构纹理特点确定几何分布参量,定义减法运算公式消隐图像纹理,减少了纹理造成的图像灰度起伏,图像灰度级分布均匀.在平坦的图像背景中,根据数字射线图像信号点服从正态分布规律特点,设定阈值进行特征分割.    

10.  小型内窥镜干涉型光纤陀螺仪装配质量控制系统(英文)  
   《强激光与粒子束》,2016年第6期
   提出一种用于干涉型光纤陀螺仪(IFOG)装配质量控制的内窥镜系统设计及相关图像分析方法。同时采用1.0mm与2.4mm工业内窥镜系统采集IFOG内部图像与视频数据;并利用多自由度运动控制平台调节内窥镜工作姿态以保证图像的顺利采集。在此基础上,设计了基于db4小波基的图像增强方法,基于灰度共生矩阵的图像纹理特征估计方法以及图像几何形状特征的计算方法等,用以进行内窥镜图像的分析。通过上述系统与方法的应用,能够有效检测出IFOG产品在装配过程中出现的多余物颗粒、光纤断纤或异常胶粘等质量问题,有效提高了IFOG产品的装配质量。    

11.  小型内窥镜干涉型光纤陀螺仪装配质量控制系统(英文)  
   刘皓挺  马玉洲  王巍  闫贝贝  单联洁  于文鹏《强激光与粒子束》,2016年第6期
   提出一种用于干涉型光纤陀螺仪(IFOG)装配质量控制的内窥镜系统设计及相关图像分析方法。同时采用1.0mm与2.4mm工业内窥镜系统采集IFOG内部图像与视频数据;并利用多自由度运动控制平台调节内窥镜工作姿态以保证图像的顺利采集。在此基础上,设计了基于db4小波基的图像增强方法,基于灰度共生矩阵的图像纹理特征估计方法以及图像几何形状特征的计算方法等,用以进行内窥镜图像的分析。通过上述系统与方法的应用,能够有效检测出IFOG产品在装配过程中出现的多余物颗粒、光纤断纤或异常胶粘等质量问题,有效提高了IFOG产品的装配质量。    

12.  基于小波多通道特征级融合的彩色纹理图像分析  被引次数:5
   李明  吴艳  吴顺君《光子学报》,2004年第33卷第8期
   在不完全树型小波分解基础上将纹理和颜色特征进行融合,提出了适合彩色纹理图像分析的新的特征,它比单纯的灰度纹理特征或颜色特征具有更强的分类能力.同时还利用20类真实彩色自然纹理图像对塔式小波分解、不完全树型小波分解和小波包分解进行了多特征融合的分类比较,实验结果表明:不完全树型小波分解的特征级融合表现出良好的分类性能和抗噪能力.    

13.  微光夜视仪分辨力客观测量方法研究  
   刘正云  谭谦  苏建刚  阚虎《光学技术》,2000年第26卷第5期
   利用灰度 梯度共生矩阵模型对微光夜视仪分辨力测量图像的纹理特征进行了分析 ,通过对大量图像的 5个纹理特征参数的计算 ,结果表明 ,这些参数能对微光夜视仪分辨力测量图像的纹理特征作出有效的客观评价 ,此计算结果与人眼的观察结果具有较好的一致性。    

14.  基于深度卷积神经网络算法的肺结节检测模型  
   《数学建模及其应用》,2017年第4期
   以卷积神经网络为代表的深度学习算法在医学影像分析领域正引起广泛关注,并取得了令人惊叹的进步。为了进一步提高卷积神经网络在计算机辅助筛查肺结节应用的准确率,本文设计了2种改良的深度卷积神经网络,这些改进加快了神经网络的训练速度,有效地防止了算法的过拟合。相比只采用二维卷积核的其他检测模型,该模型能够有效地学习到CT影像三维重建后的图像特征。通过实验,改进的检测模型在LUNA16数据集上的准确率明显好于其他模型,这种网络结构也可用于医学影像领域中其他三维图像的检测场景。最后,构建了一套适用于远程医疗的"计算机辅助肺癌筛查与诊断系统",该系统能够自动检测出CT影像中肺结节,并给出结节的良恶性概率评估。通过该系统的应用,可以有效缓解放射科医生超高的劳动强度,提高阅片效率,服务更多患者;减少漏诊和误诊发生的次数,有助于提高肺结节的诊断准确率;从而促进我国肺癌早筛工作的推广。    

15.  基于高光谱图像的即食海参新鲜度无损检测  
   王慧慧  张士林  李凯  程沙沙  谭明乾  陶学恒  张旭《光谱学与光谱分析》,2017年第37卷第11期
   新鲜度是即食海参加工品质调控和贮藏品质监控的关键指标.针对感官评定和现有理化检测无法满足即食海参产品大批量、标准化、工业化生产问题,提出了一种基于高光谱图像的即食海参新鲜度快速无损检测方法,通过图像主成分分析和波段比运算相结合,优选特征波长和图像;依据海参腐败机理,建立图像纹理特征与即食海参新鲜度等级间的关联模型,实现即食海参新鲜度无损、快速评价.首先针对高光谱图像巨大的数据量展开降维研究.根据即食海参体壁光谱吸收特性,以具有明显化学吸收特征的波长(474和985 nm)为分界点,获得包括全检测波段(400~1000 nm)在内的六个待处理波段,通过分段图像主成分分析实现待测波段的优选,利用权重系数和波段比图像运算,最终将686和985 nm波段比图像确定为特征图像.面向特征图像的感兴趣区域(ROI),构建灰度共生矩阵(gray-level co-occurrence matrix,GLCM)、灰度梯度共生矩阵(gray-gradient co-occurrence matrix,GGCM)、改进的局部二元模式纹理描述子(local binary pattern,LBP),分别提取纹理参数作为输入,以挥发性盐基氮(total volatile basic nitrogen,TVB-N)检测为标准,建立经粒子群优化的BP神经网络(back propagation,BP)即食海参新鲜度判别模型,新鲜度等级判别准确率分别为90%,95%和80%.结果表明,即食海参高光谱图像灰度梯度共生矩阵的纹理特征用于新鲜度判别效果较好.为即食海参新鲜度快速无损检测方法研究和仪器开发提供了理论基础和数据支持.    

16.  基于高光谱图像的即食海参新鲜度无损检测(英文)  
   《光谱学与光谱分析》,2017年第11期
   新鲜度是即食海参加工品质调控和贮藏品质监控的关键指标。针对感官评定和现有理化检测无法满足即食海参产品大批量、标准化、工业化生产问题,提出了一种基于高光谱图像的即食海参新鲜度快速无损检测方法,通过图像主成分分析和波段比运算相结合,优选特征波长和图像;依据海参腐败机理,建立图像纹理特征与即食海参新鲜度等级间的关联模型,实现即食海参新鲜度无损、快速评价。首先针对高光谱图像巨大的数据量展开降维研究。根据即食海参体壁光谱吸收特性,以具有明显化学吸收特征的波长(474和985nm)为分界点,获得包括全检测波段(400~1 000nm)在内的六个待处理波段,通过分段图像主成分分析实现待测波段的优选,利用权重系数和波段比图像运算,最终将686和985nm波段比图像确定为特征图像。面向特征图像的感兴趣区域(ROI),构建灰度共生矩阵(gray-level co-occurrence matrix,GLCM)、灰度梯度共生矩阵(gray-gradient co-occurrence matrix,GGCM)、改进的局部二元模式纹理描述子(local binary pattern,LBP),分别提取纹理参数作为输入,以挥发性盐基氮(total volatile basic nitrogen,TVB-N)检测为标准,建立经粒子群优化的BP神经网络(back propagation,BP)即食海参新鲜度判别模型,新鲜度等级判别准确率分别为90%,95%和80%。结果表明,即食海参高光谱图像灰度梯度共生矩阵的纹理特征用于新鲜度判别效果较好。为即食海参新鲜度快速无损检测方法研究和仪器开发提供了理论基础和数据支持。    

17.  复杂背景下钢索图像的纹理分割与边界识别  
   孙慧贤  张玉华  罗飞路《光子学报》,2014年第39卷第9期
    针对复杂背景下钢索图像难以准确分割的问题,提出一种基于纹理分析的钢索图像分割与边界识别方法.采用基于模糊Hough变换的纹理方向检测方法确定钢索走向,利用边缘方向密度直方图作为纹理特征,对与钢索纹理方向相应的边缘方向赋予不同权重,抑制纹理分割中背景的干扰,对钢丝绳图像进行聚类分割,采用检测平行直线的方法确定其边界,并根据算法参量对边界进行修正.在实验中,对比了边缘方向密度直方图特征与灰度共生矩阵、局部二值模式在钢索图像纹理分割中的结果与计算时间,结果表明边缘方向密度直方图特征计算速度快、受背景干扰小,分割准确率高.本文方法无须预先训练,受背景干扰小,可以准确地识别出钢索并确定其边界,能满足钢丝绳视觉检测的要求.    

18.  复杂背景下钢索图像的纹理分割与边界识别  被引次数:1
   孙慧贤  张玉华  罗飞路《光子学报》,2010年第39卷第9期
   针对复杂背景下钢索图像难以准确分割的问题,提出一种基于纹理分析的钢索图像分割与边界识别方法.采用基于模糊Hough变换的纹理方向检测方法确定钢索走向,利用边缘方向密度直方图作为纹理特征,对与钢索纹理方向相应的边缘方向赋予不同权重,抑制纹理分割中背景的干扰,对钢丝绳图像进行聚类分割,采用检测平行直线的方法确定其边界,并根据算法参量对边界进行修正.在实验中,对比了边缘方向密度直方图特征与灰度共生矩阵、局部二值模式在钢索图像纹理分割中的结果与计算时间,结果表明边缘方向密度直方图特征计算速度快、受背景干扰小,分割准确率高.本文方法无须预先训练,受背景干扰小,可以准确地识别出钢索并确定其边界,能满足钢丝绳视觉检测的要求.    

19.  基于改进LVQ算法的肺结节识别与分类  
   吕晨  杨长春  晁亚《应用声学》,2016年第24卷第12期
   目前,肺癌的是发病率最高的肿瘤,若能在早期发现癌变并进行相应治疗,将极大的提高患者的生存率。肺癌的症状在早期表现为肺结节。以提高肺结节检测识别率并进行良恶性分类为目的,提出了一种改进的LVQ分类器算法。首先使用C-V算法对原始图像进行肺实质分割,再使用最优阈值法进行感兴趣区域提取,并进行特征提取和特征归一化。使用多次聚类算法检测肺结节。使用基于改进的LVQ分类器进行肺结节的良恶性进行分类。利用改进后的LVQ分类器在LIDC数据集上进行实验,得到了对良性结节的确诊率为87.3%,对恶性结节的确诊率为80.8%。实验结果表明,改进后的算法在良恶性结节分类上具有较高的确诊率,有助于提高医生的工作效率,实现肺结节的辅助发现。    

20.  传统解剖学特征与深度学习相结合的肺叶分割算法  
   《光学技术》,2020年第2期
   CT图像中肺叶位置的确定对于肺部疾病的准确定位以及定性定量分析具有重要意义。为了提高肺叶自动分割准确率,提出了一种结合气管,血管等传统解剖学特征以及深度学习的肺叶分割算法。对原始图像进行预处理,获取肺实质、气管、血管以及基于深度学习网络的肺裂分割结果;整合来自多个解剖结构的信息生成分水岭分割所需成本图像;通过基于深度学习网络的肺叶粗分割结果,获取肺叶标记区域;执行基于标记的分水岭分割,实现肺叶的自动分割。选取了来自上海市肺科医院的20例含有肺部疾病患者的CT图像对该方法进行验证,最终的Jaccard相似性系数为92.4%。实验结果表明方法具有较高的肺叶分割精度,并且具有较强的鲁棒性。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号