基于幅度统计多分辨率分析的SAR图像灰度压缩

基于幅度统计多分辨率分析的原理，针对SAR图像特殊的显示要求，提出了一种新的灰度压缩方法，解决了常规灰度级压缩方法不能很好保持原始图像数据直方图分布的问题，实验结果表明该方法能有效保证灰度压缩前后图像数据直方图分布形状的一致性，较好地保持原始图像的视觉特征。     

基于锯齿空洞残差卷积的单幅图像超分辨率重建研究

针对残差学习的超分辨率重建方法中存在感受野受限、分辨率低、复杂性较高、边缘信息丢失等问题,提出一种锯齿空洞残差卷积的神经网络.首先,基于ResNet网络设计了锯齿空洞卷积,扩大网络的感受野,消除网络的"网格化",并增加跳跃连接,将图像特征传递到更深的网路;然后,通过最后一个卷积层得到与原始图像大小相等的残差图像;最后,...     

医学图像归档与通信系统的设计方案

分析与综述了医学图像归档与通信系统（PictureArchivingandCommunicationSystem，简称PACS的研究状况，提出了适用于国内医院的PACS设计方案，并对建立国内PACS的著于问题进行了探讨．实践表明该系统设计合理，通用性强，适合国内医院现代化管理的要求．     

自然图像认知阈值的度量

提出了图像认知阈限的概念及其度量方法．通过计算机实验和心理物理学实验，在一个自然图像数据库上研究了不同图像色彩模式和变换方式下的图像认知阈值问题．使用的图像变换方法有尺度变换、高斯噪声变换和运动模糊变换．得出的初步结论是：在自然图像认知的过程中存在一个认知闽限；可以用图像熵和图像分维数来度量图像认知阈值；图像认知过程中存在类似Weber定理所描述的规律；差别阈限图像及其原始图像度量值的比值和图像内容无关，而与图像的色彩模式和变换方法有关．     

二值和灰度图像的直接多尺度表示算法

图像多尺度表示是图像处理的重要内容,常规的离散处理方法常依赖于坐标或网格的选取,因此处理结果很不稳定,本文提出了不依赖网格划分方法、不依赖坐标选取方式的快速、直接多尺度表示算法．应用该算法可直接得到任意指定一层（指定尺度）的图像,因而没有大多数算法因为逐层计算所带采的误差传播或误差扩散现象,同时该算法因保持处理前后图像的“整体”相似,因而能最大限度地体现形状保持乃至拓扑保持,算法计算非常简单,且不局限于特定类型的图像,可用于高要求的图像处理领域。     

面向有限带宽信道的字典学习图像超分辨率重建

固定邻域回归(ANR)算法采用K层奇异值分解(K-SVD)算法进行字典训练, 在字典学习过程中存在稀疏表示系数不准确的问题, 导致重建的结果不理想. 因此, 引入一种改进的K-SVD算法对字典进行训练, 该算法对字典训练改变了传统K-SVD算法更新稀疏表示系数的方式, 使得稀疏表示系数更加准确, 而且加快了字典的收敛速度, 使得训练得到的字典具有更好的稀疏表达能力. 同时, 针对ANR算法的不足, 提出一种面向有限带宽信道基于字典学习的图像超分辨率方法, 该方法采用改进的K-SVD算法训练字典对 , 并将其应用到ANR算法中, 实现图像的超分辨率重建. 实验结果表明, 本文提出的方法不仅能够保持ANR算法快速重建的优势, 而且提高了图像的重建质量, 具有更高的峰值信噪比和结构相似度.     

基于区间T-球形模糊熵的TODIM-VIKOR多属性决策方法

区间T-球形模糊熵在区间T-球形模糊环境下的多属性决策问题中有着重要价值。为了更好地保留区间T-球形模糊集的模糊信息,首先提出了区间T-球形模糊数的得分区间、精确区间以及缺失区间,并基于此定义了新的区间T-球形模糊数的比较规则。然后结合上述三个区间,基于区间上连续香农熵函数的积分中值思想,提出了区间T-球形模糊熵公式,并分析了其满足的性质。最后,利用区间T-球形模糊熵确定属性的客观权重,并结合新的区间T-球形模糊数的比较规则,提出一种区间T-球形模糊TODIM-VIKOR方法。通过实例说明了基于区间T-球形模糊熵的TODIM-VIKOR方法的可行性和有效性,为解决区间T-球形模糊环境下的多属性决策问题提供了一种新的思路。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

超有效解与集值映射多目标规划问题的Lagrange定理

讨论了超有效点的截口性质，并建立了集值映射多目标规划问题的Ｌａｇｒａｎｇｅ乘子定理，该定理推广了（２）中的定理６。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

逆极限空间上移位映射的拓扑熵与混沌

研究了紧致度量空间上连续映射ｆ：Ｘ→Ｘ的逆极限空间上移位映射σｆ：ｌｉｍ（Ｘ，ｆ）→ｌｉｍ（Ｘ，ｆ）的拓扑熵与Ｌｉ－Ｙｏｒｋｅ意义下的混沌．证明了１）ｈ（σｆ）＝ｈ（ｆ）；２）ｆ为满射时，σｆ是Ｌｉ－Ｙｏｒｋｅ意义下混沌的当且仅当ｆ是Ｌｉ－Ｙｏｒｋｅ意义下混沌的．     

一种基于多光谱波段选择的白细胞图像分类法

基于多光谱波段的优化理论，在白细胞图像各波段问相关性分析的基础上，对传统最大似然分类法进行改进，提出一种对白细胞图像选择最有效部分波段进行识别的分类方法．该方法通过贝叶斯理论与其他先验知识进行融合，提高了分类准确度，克服了传统最大似然分类法在图像识别过程中具有的数据量庞大、计算程度繁冗和识别速度慢等缺点．实验结果表明，在保证分类精度基本不变的条件下使计算效率提高了2倍以上，为今后图像特征提取和图像分割奠定良好的基础。     

基于改进直觉模糊熵与Dice测度的VIKOR应急决策

针对不确定信息环境下决策属性权重未知的应急决策问题,提出一种改进直觉模糊熵权与Dice距离测度的VIKOR决策模型.首先,分析现有直觉模糊熵存在的不足,提出一种考虑隶属度、非隶属度以及犹豫度综合影响的改进直觉模糊熵;其次,引入Dice系数,结合犹豫度的特点构建直觉模糊Dice距离测度;然后,将直觉模糊熵权与直觉模糊Dice距离测度运用到基于直觉模糊的VIKOR方法中,并定义了群体贴近度公式,进而构建契合现实环境的应急决策模型;最后通过地震灾害后的应急决策算例,验证了该模型的合理性和有效性.     

LK-CAUNet：基于交叉注意的大内核多尺度可变形医学图像配准网络

经典的UNet网络可用于预测全分辨率空间域的密集位移场,在医学图像配准中取得了巨大成功。但对大变形的三维图像配准,还存在运行时间长、无法有效保持拓扑结构、空间特征易丢失等缺点。为此,提出一种基于交叉注意的大内核多尺度可变形医学图像配准网络（large kernel multi-scale deformable medical image registration network based on cross-attention,LK-CAUNet）。在经典UNet模型基础上,通过引入交叉注意力模块,实现高效、多层次的语义特征融合;配备大内核非对称并行卷积,使其具有多尺度特征和对复杂结构的学习能力;通过加入平方和缩放模块,实现拓扑守恒和变换可逆。基于脑部MRI数据集,将LK-CAUNet与18种经典图像配准模型进行了比较,结果表明,LK-CAUNet的配准性能较其他模型有明显提升,其Dice得分较TransMorph配准方法提高了8%,而参数量仅为TransMorph的1/5。     

MFDC-Net：一种融合多尺度特征和注意力机制的乳腺癌病理图像分类算法

乳腺癌是全球最常见的恶性肿瘤之一,采用传统方法诊断需花费大量时间和精力,且受个人能力影响较大。用计算机辅助诊断的方法,可以提高病理图像分类的准确率和效率,从而满足临床应用的需求。为此,提出一种基于DenseNet的融合多尺度特征和注意力机制的乳腺癌病理图像分类算法（MFDC-Net）。在密集块中引入坐标注意力机制,精准定位重要特征的空间信息。采用多尺度池化过渡层,通过不同卷积核的平均池化和普通卷积,在实现降维的同时扩大感受野。采用多尺度特征增强模块,融合深层次图像特征,提高分类性能。结果显示,MFDC-Net模型的分类性能较其他经典模型更优,分类准确率达97.12%,易混淆率低至3.34%,能较好地进行乳腺癌组织病理图像分类,为诊断和治疗提供重要依据。     

基于BP神经网络与熵值法的浙江省城市韧性评估研究

以浙江省为例, 利用BP神经网络与熵值法综合建模, 对2011—2020年间浙江省各地级市的城市韧性进行定量评价, 分析经济、社会、环境、设施4项城市单系统韧性及其复合韧性, 从而揭示浙江省城市韧性的空间分布特征与发展规律. 研究表明: 浙江省韧性发展趋势较为平稳, 韧性水平的空间分布差异较大, 内部存在发展不均衡现象; 核心地区与边缘地区的韧性水平均呈现缓慢上升势态, 且分异格局短期内不会发生改变.     

基于熵值法的浙江省“十一五”基础研究热点分析与思考

熵值法是一种科学、简单、实用的综合评价方法．由于熵值法是一种客观赋权法,因此可以避免人为因素带来的偏差．以浙江省“十一五”期间6个基础研究学科领域获得浙江省自然科学基金资助项目的情况作为数据源,采用熵值法对这些数据进行分析总结,揭示了浙江省在基础学科领域的研究热点,并据此对浙江省“十二五”期间基础学科领域的研究发展趋势进行了预测和思考．     

结合Hilbert填充曲线与游程长度的图像隐写算法

针对游程长度隐写算法存在嵌入容量小的问题, 提出基于Hilbert曲线扫描改进的游程长度隐写算法, 该算法能增加可用于嵌入秘密信息的游程数量, 也因此有效地增大了嵌入容量. 新算法利用比特流中游程长度的奇偶特性来嵌入秘密信息. 嵌入过程首先使用Hilbert扫描曲线对载体图像的像素进行置乱, 再将置乱的载体图像分解为8个位平面, 然后通过分析置乱后得到的各个位平面比特流分布来确定可用于嵌入信息的游程, 最后修改在可嵌入游程的比特流中0和1交界处至多1个值来嵌入1bit秘密信息. 结果表明, 基于Hilbert曲线扫描的游程长度隐写算法与已有基于游程长度隐写算法相比, 前者具有较大嵌入容量, 较好的视觉不可感知性.     

基于双目融合与竞争的无参考立体图像质量评价方法

根据人眼对立体图像的感知过程,提出了一种基于双目融合和竞争特性的无参考立体图像质量评价方法.首先将左右视点图像进行融合,对得到的独眼图进行Gabor特征提取;然后对左右视点图像的绝对差值图提取特征;最后将独眼图特征和绝对差值图特征融合得到立体图像特征集,通过支持向量回归预测得到客观值.采用该方法对LIVE立体图像数据库进行评价,Pearson线性相关系数(PLCC)和Spearman等级相关系数(SROCC)均在0.94左右,优于其他参与对比的质量评价方法.表明该方法符合人眼视觉特性,能够很好地描述人眼感知特性.