基于Fourier-Mellin变换的全景图像拼接与曲线匹配

基于Fourier-Mellin变换的图像配准方法,对于图像拼接与曲线匹配进行新探讨.该方法在不需要准确控制相机运动,不需要知道相机的焦距等内部参数及检测图像特征,在配准精度要求不高的情况下,直接生成的全景图像可以满足很多实际需求;先将图像曲线转化为二值图像,然后应用。Fourier-Mellin变换对这些二值图像进行配准,从而达到两条曲线的匹配.     

低分辨率医学图像的多图谱分割方法

基于多图谱的图像分割方法因其分割精度高和鲁棒性强,在医学图像分割领域被广泛研究,主要包含图像配准和标签融合两个步骤.目前对多图谱分割方法的研究通常都是在图谱图像和待分割目标图像具有相同分辨率的情况下展开的.然而,由于受图像采集时间,采集设备等影响,临床实践中采集的影像大多是低分辨率数据,使得目前在影像研究中广泛使用的方法无法有效应用于临床实践.因此,针对这一问题,我们结合图像超分辨率恢复方法,提出了精确鲁棒的低分辨率医学图像的多图谱分割方法,实验结果显示提出的方法显著地提高了多图谱分割方法的分割精度.     

X射线CT成像的数学模型及其有关问题

介绍了X射线CT系统和有关物理基础,综述了理想假设下的CT成像的连续数学模型和离散数学模型,以及相应的图像反演公式（重建算法）,并对其基本思想及优缺点进行了分析。最后,分类阐述了实际X射线CT系统研制和应用需要研究的若干问题。 关键词：计算机断层成像;数学模型;Radon变换;投影变换;图像重建算法     

深度学习在医学影像研究中的应用

医学影像在临床应用中发挥着至关重要的作用,可用于早期发现、监测、诊断和治疗评估.当前,具有优异特征学习能力的深度学习方法已经迅速成为研究和分析医学影像的首选方法.本文介绍了医学影像研究中常见的深度学习模型,并梳理了这些深度学习模型在医学影像研究中的应用,其中包括传统的医学图像检测、分割和配准,以及深度学习模型在脑影像分析和低剂量CT医学图像重建中的应用.本文最后还对深度学习在未来医学影像研究领域的发展前景进行了讨论.     

估计运动模糊图像方向角的数学模型研究

从实拍的运动模糊图像出发,建立了数学模型来估计运动模糊的方向角.经理论推导,得出了运动模糊方向角、图像尺寸和频谱图像中平行条纹方向角三者的关系,将问题转化为估计频谱平行条纹方向角.在模型求解部分,分析了常用的Radon变换法以及两种改进方法即Gabor变换法和频谱分块法的不足,并提出了基于频谱边缘检测的改进方法.数值实验部分比较了三种方法,结果表明,方法的估计精度更高,具有更广泛的应用性.     

一个用于图像去噪、量化的反应扩散模型

提出一个用于图像去噪、量化的反应扩散模型,并通过计算机使用该模型对图像实例实行去噪和量化,验证了该模型在图像处理速度和效果上都优于已有模型.     

带方向信息的薄板样条插值函数及其应用北大核心CSCD

薄板样条(TPS)函数是一个很好的形变分析工具,常用于图像配准,传统的薄板样条函数只是利用特征点的坐标信息,而现实中很多特征点都带有方向信息,比如指纹细节点和sift特征点.为了在薄板样条函数中利用方向信息,本文在传统薄板样条目标函数基础上增加了方向平行惩罚项及方向一致性惩罚项,根据变分法的结论,目标函数的求解转换为求解一个微分方程,用格林函数法求解这个微分方程,从而得到带方向信息的薄板样条函数新形式.本文得到的薄板样条函数适合于任意维度的点集,在指纹图像配准和人造点集插值上的实验表明,和传统薄板样条函数相比,本文提出的薄板样条函数对于带方向信息的图像配准和点集插值更加准确.     

一道图像信息试题的命制、实践及感悟

图像信息类试题是近年中考的热点问题,往往通过图像形状、点的位置以及变化趋势等来呈现信息,侧重考查从现实背景中分析问题、解决问题能力以及数学思想方法的灵活应用,考查学生建立的数感和符号意识,形成模型意识,体现“问题情景-建立模型-解释、应用和拓展”的数学学习模式．解题关键“识图”和“用图”,需充分发掘图像所蕴含的信息,利用函数、方程（组）、不等式及几何知识来解决问题,并从中体会、感悟所蕴涵的思想方法．     

多目标优化配气数学模型及其MATLAB编程实现

为了更全面地理解区块优化配气问题,更快速深入地掌握区块优化配气方法,将详尽的数学模型及其MATLAB代码同时给出.采用高次多项式拟合得到目标函数,根据产量、经济效益、混合目标三种需求,结合现场主要考虑的四种约束条件,建立了全面而详尽的三类数学模型.给出了求解模型最关键的四个MATLAB函数文件,并与其数学模型一一对应.求解得到了三类模型在不同约束状态下的配气方案,并与现场常用的简易配气方法进行比较,最后给出了一种充分利用各类设备处理能力的方法.     

基于Huber正则化的红外与可见光图像融合

图像融合通常是指从多源信道采集同一目标图像,将互补的多焦点、多模态、多时相和/或多视点图像集成在一起,形成新图像的过程.在本文中,我们采用基于Huber正则化的红外与可见光图像的融合模型.该模型通过约束融合图像与红外图像相似的像素强度保持热辐射信息,以及约束融合图像与可见光图像相似的灰度梯度和像素强度保持图像的边缘和纹理等外观信息,同时能够改善图像灰度梯度相对较小区域的阶梯效应.为了最小化这种变分模型,我们结合增广拉格朗日方法(ALM)和量身定做有限点方法(TFPM)的思想设计数值算法,并给出了算法的收敛性分析.最后,我们将所提模型和算法与其他七种图像融合方法进行定性和定量的比较,分析了本文所提模型的特点和所提数值算法的有效性.     

利用两个函数图像解一元二次方程

一元二次方程问题有几种常见的解法:因式分解法,开平方法,配方法和公式法,在08年的中考试题中,有些省市把一元二次方程与函数图像综合起来,利用两个函数图像的交点     

基于改进C-V水平集模型的SAR图像分割

本文研究了SAR图像分割的问题.利用一种加入图像边缘信息且无需重新初始化的改进水平集方法,获得了比传统C-V模型分割速度更快、准确度更高的分割结果.推广了C-V水平集模型分割灰度不均匀的SAR图像以及零水平集曲线的初始化等结果.     

低秩表示实现鲁棒的CT和MR图像分割

由于图像中的噪声和复杂性,传统的图像分割方法并不总是能够捕捉到所有细节,即可能会忽略相邻像素的属性或者将图像的不同部分合并在一起.为了充分利用可用信息,利用低秩表示(LRR)和鲁棒主成分分析(RPCA)模型的优点,提出了一种新的图像分割方法,通过模糊c均值(FCM)方法对低秩亲和矩阵进行聚类来获得分割结果.在整个方法中,低秩分量是图像的主要信息,是通过求解RPCA模型获得的,而亲和矩阵表示全局结构,则是通过求解LRR模型获得的.在实验部分,使用计算机断层扫描(CT)图像分割来评估本文方法,结果显示在准确性和鲁棒性方面都有了显著改进.与现有一些算法相比,本文算法对异常值更加鲁棒,并尽可能地保留了图像的细节信息.     

一种新型的四相水平集图像分割方法

水平集方法在图像分割和计算机视觉领域有很广泛的应用,在传统的水平集方法中,水平集函数需要保持符号距离函数.现有的活动轮廓模型、GAC模型、M-S模型、C-V模型等在演化过程中均需要对水平集函数进行重新初始化,使其保持符号距离函数,然而这样会引起数值计算的错误,最终破坏演化的稳定性,另外这些模型只适用于灰度值较为均匀的图像,对灰度值不均匀的图像不能进行理想的分割·针对这些问题,结合C-V模型的思想,提出了一种带有正则项的四相水平集分割模型,其中正则项被定义为一个势函数,具有向前向后扩散的作用,使水平集函数在演化过程中保持为符号距离函数,避免了水平集函数重新初始化的过程.最后对该模型进行数值实现,实验表明了新模型的可行性和有效性.     

基于PDE和几何曲率流驱动扩散的图像分析与处理

本文介绍由变分优化模型导出的偏微分方程(PDEs)模型与几何曲率流驱动扩散在图像恢复方面的应用，以及多种非线性异质扩散模型，讨论了PDEs模型在图像分析与处理方面的优点，理论与实验结果表明，要恢复得到商质量的图像，PDEs模型的利用是极为必要的．文中还介绍了求解PDEs模型的数值方案．其中，曲率计算是一个关键问题，其结果直接参与自适应扩散的控制．详细总结了基于有限差分和水平集方法，求解藕合非线性异质扩散模型方程的数值方案，追求高质量图像、高精度计算方法、降低计算复杂性是本文处理方法不断进步的发展动力。     

基于矩阵变换的聚类集成优化模型

聚类集成方法能够有效综合不同的聚类结果,提高聚类的精确度和稳定性.提出了一个基于矩阵变换的聚类集成优化模型,模型通过矩阵变换代替传统方法中的聚类配准模式,使得优化模型更加简洁,然后给出了求解该优化模型的叠代算法.实验表明,提出的聚类集成方法能够有效提高聚类集成的稳定性和精确度,并且在聚类数目比较少时,算法有着较低的时间复杂度.     

基于分类学习字典全局稀疏表示模型的图像修复算法研究

基于稀疏重构的图像修复依赖于图像全局自相似性信息的利用和稀疏分解字典的选择,为此提出了基于分类学习字典全局稀疏表示模型的图像修复思路.该算法首先将图像未丢失信息聚类为具有相似几何结构的多个子区域,并分别对各个子区域用K-SVD字典学习方法得到与各子区域结构特征相适应的学习字典.然后根据图像自相似性特点构建能够描述图像块空间组织结构关系的全局稀疏最大期望值表示模型,迭代地使用该模型交替更新图像块的组织结构关系和损坏图像的估计直到修复结果趋于稳定.实验结果表明,方法对于图像的纹理细节、结构信息都能起到好的修复作用.     

基于分层树回归模型的快速图像超分辨率重建算法

设计了一种改进的分层树模型来实现图像实时超分辨率重建.其核心思想是在压缩的图像空间中训练分层树,来获得最优树节点参数和叶子节点回归矩阵,从而达到实时目的.与原始的分层树模型相比,有如下改进·在图像预处理部分,提出通过幅值、相位、频率变换极大压缩图像空间,从而加快训练速度和提高重建质量.在模型设计部分,去掉将低分辨率图像线性插值这一步骤,提出将低分辨率图像和高分辨率图像直接进行回归训练,从而减少模型参数数量·在理论部分,从泰勒展式的角度和离散余弦变换(DCT)的角度分别解释了模型设计和图像空间压缩的合理性.实验结果表明,在传统实时超分辨率重建方法中,所提出的新方法在重建效果上有较明显优势.同时与其他超分辨率模型相比,新方法所需参数较少,可极大节省硬件成本.模型可应用于以CPU为主的移动设备进行图像或视频的快速超分辨率重建.     

基于混合高斯过程模型的高光谱图像分类算法

提出了一种基于混合高斯过程模型的高光谱遥感图像分类算法,它不同于传统的基于多元统计的分类方法.为更好利用高光谱遥感图像的高谱分辨率特点,首先将函数数据分析的思想引进高光谱数据的分类问题,分类对象视为像元对应的谱线,故它们是函数型数据.为了有效模拟地物在空间上的分片聚集特性,则将混合高斯分布模型推广到混合高斯过程模型并用于高光谱数据分类算法中.数值实验表明,混合高斯过程模型是处理函数型数据的有效方法.     

基于小波多分辨率分析和改进窄带法的C-V水平集图像分割模型

本文研究了基于小波分析改进的C-V模型图像分割问题.利用小波多分辨率分析和改进的窄带水平集方法,获得了比传统C-V模型分割速度更快、准确度更高、算法复杂度更低的分割结果.推广了C-V水平集模型如何快速准确地分割灰度不均匀的图像和窄带水平集法等结果.