血管内超声图像初始轮廓提取算法的研究

Snake模型在医学图像分割中的应用已经越来越广泛,但在应用该模型时,如何选取合适的初始轮廓是一个难题;在对血管内超声医学图像的研究基础上,提出了一种基于灰度信息与ROI区域的初始轮廓获取方法,根据IVUS图像的灰度特征对其进行自适应阈值分割以及面积滤波,然后获得分割轮廓点集进而得到snake初始轮廓点集;在matlab7.0环境分别对不同类别的2种IVUS图像的中外膜边缘提取进行仿真实验,实验证明该方法获得的初始snake轮廓较为逼近目标真实轮廓且适合于snake模型进行迭代收敛,由于其初始轮廓已较为接近目标真实轮廓,因此节省了snake模型的迭代次数,算法运行效率也优于手工提取初始轮廓的snake方法,可以较为方便的应用于实际领域。     

红外凝视传感器定量仿真及模型验证

针对新一代红外凝视成像传感器,依据红外辐射能量传递和转换的物理过程,完成了对传感器各组成单元的物理效应建模.不同于以往成像模型的定性仿真,该模型实现了对系统各模块成像特性的定量描述,综合考虑了传感器的信号传递特性、空间传递特性、空间采样特性和时空噪音特性,构建了较为完善的高仿真度红外成像仿真模型.为验证仿真模型的有效性,搭建了有效性实验验证平台,获取了真实热像仪的性能曲线和输出图像.通过计算和比较仿真模型和真实热像仪性能曲线和输出图像相似程度,定量化评价了模型的仿真度,验证了仿真模型的有效性.     

基于单站地基望远镜的空间目标姿态估计方法

为实现从单站光测图像中估计出已知3D模型的空间目标姿态,利用Vega Prime提出了一种采用仿真图像进行相关度局部最优搜索的姿态估计方法,该方法无需建立2D-3D特征投影关系和大量的模型匹配库。首先,对输入图像进行图像预处理,获得目标原始图像。然后,利用Vega Prime加载目标3D模型生成仿真匹配图像,并进行图像预处理获得目标匹配图像,计算两幅图像相关度。最后,更新3D目标模型姿态,直至仿真匹配图像与目标原始图像的相关度值取得局部最优,输出目标模型姿态。仿真实验结果表明,采用本文所提方法的观测仿真图像姿态平均估计误差为3.85°,仿真原图可实现姿态准确估计,表明该方法是一种空间目标姿态估计的有效方法。     

一种基于GAN和自适应迁移学习的样本生成方法

研究了基于生成式对抗网络(GAN)和跨域自适应迁移学习的样本生成和自动标注方法。该方法利用自适应迁移学习网络，基于已有的少量可见光图像样本集，挖掘目标在红外和可见光图像中特征内在相关性，构建自适应的转换迁移学习网络模型，生成标注好的目标图像。提出的方法解决了红外图像样本数量少且标注费时的问题，为后续多频段协同目标检测和识别获得了足够的样本数据。实验结果表明:自动标注算法对实际采集的装甲目标图像和生成的装甲目标图像各1 000张进行自动标注测试，对实际装甲目标图像的标注准确率达到95%以上，对生成的装甲目标标注准确率达到83%以上；利用真实图像和生成图像的混合数据集训练的分类器的性能和使用纯真实图像时基本一致。     

血管内光声图像的建模与仿真

为了给血管内光声(intravascular photoacoustic,IVPA)成像的图像重建算法和图像后处理算法提供数据源,为培训医师提供图像库,提出一种二维IVPA图像的建模与仿真方法。建立包含斑块的血管横截面模型,并对成像导管发射激光脉冲照射血管壁组织、血管壁组织产生光声信号、利用得到的一组光声信号重建IVPA图像整个过程进行仿真,得到血管横截面模型的二维IVPA灰阶图像,同时根据冠状动脉血管随心脏搏动的规律,实现序列图像的仿真。利用仿真模型得到的IVPA图像与原电磁吸收分布图接近程度较高。仿真模型的物理意义清晰,可得到质量稳定的IVPA图像。      

基于Sigmoid-iCAM色貌模型的真实影像再现算法

为了模拟人类视觉系统成像机制,真实再现人眼对外界场景的视觉感知,为机器视觉提供符合生物视觉特性的理想图像,从色度学的角度研究了彩色图像的真实影像再现技术。针对色貌模型存在图像模糊、对比度低的缺点,在iCAM色貌模型的基础上,引入了人工神经网络的非线性Sigmoid函数,提出了基于Sigmoid-iCAM色貌模型的真实影像再现算法,并给出了该模型处理不同类型图像的控制参数统计规律。与基于CIECAM02、iCAM色貌模型的真实影像再现算法相比,该算法在对色调失真图像实现颜色复原的同时,有效地提高了图像的对比度和局部细节,很好地实现了视觉系统的颜色恒定性。     

基于图像衍生的红外无人机图像仿真方法研究

对无人机群的红外视频进行监视是安防和军事领域的新热点。由于复杂背景下无人机图像获取难度大,图像数量难以满足相关算法的模型训练和验证等需求,因此提出一种基于图像衍生的红外无人机图像仿真方法。采用该方法对红外无人机模板图像与红外背景图像进行混合,从而生成大量不同背景下的无人机目标图像。针对图像混合技术受背景噪声影响严重、无人机目标边缘模糊和合成图像调和度低等问题,采用一种无监督的生成式对抗网络来生成调和度较高的灰度约束图像,将其与目标梯度图像作为联合约束来求解高斯-泊松方程,得到与真实图像特征一致性较高的混合图像。实验结果表明,所提方法生成的混合图像具有较高的图像调和度和视觉真实性,说明所得图像作为扩充样本可有效提高机器学习算法的性能。     

提高复杂燃烧流场羟基示踪测速精度的方法

为了提高流速测量精度,研究OH荧光图像背景抑制的方法.分析识别复杂燃烧流场中存在的背景干扰,构建染噪的数值仿真模型;基于干扰图像和OH标记线信号图像的特性,采用空间变换思想,提出了自适应差分法消除发动机燃烧室剧烈反应区域的燃烧OH荧光干扰;利用空域上信号与背景残余的差别,采用空间滤波法优化背景抑制结果,最后对仿真模型和实验图片对比,验证了该方法的有效性,处理前后峰值信噪比提高了11.83dB,信噪比提高了8.66dB,速度计算误差改善到了1.2%.该方法可有效的抑制背景噪声,提高测速精度,满足激光诊断系统对测量精度的要求.     

基于循环生成对抗网络的大视场显微成像方法

提出了一种利用循环生成对抗网络实现由大视场、低分辨率染色图像生成与之相匹配的高分辨率虚拟染色图像的方法,在完成了对细胞虚拟染色的同时,解决了传统光学显微镜的大视场与高分辨率两个目标无法同时满足的问题。首先,进行了理论验证,通过对选定图像的分辨率分级缩放模拟实际分辨率变化,训练对应的算法模型并与真实图像相比较,结果在主观与客观上均符合设想预期。在完成理论验证的基础上,分别进行了由10倍、4倍低分辨率真实染色图像生成25倍高分辨率虚拟染色图像的实验。通过主观视觉与客观评价指标进行评价,得到结构相似性、峰值信噪比和归一化均方根误差三个指标的具体数据。结果显示,通过循环生成对抗网络生成的虚拟染色图像与真实染色图像间的相似度较高,虚拟生成效果很好。     

传统解剖学特征与深度学习相结合的肺叶分割算法

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。