非限定手写汉字的分割研究

分析目前手写汉字分割研究的几种有效方法，在此基础之上提出了针对非限定手写汉字分割的多层投影算法。通过对经典投影方法的补充和扩展，建立算法的基本模型，编写相应的程序，应用于支票校验系统当中。实际的金融支票大写汉字识别实验结果证实所提出的算法的有效性。     

应用连续小波变换提取对流云团

准确地从卫星云图背景中划分出对流云团的边界十分困难。提出了一种应用连续小波变换从红外卫星云图中提取对流云团的处理方法。将正弦波经过Gauss函数调制后，得到一组满足允许条件的连续小波基函数，利用这组小波基实现了对流云团小波提取算法，得到了强对流云团边界的分割。与提取对流云团的常规处理手段相比，这种方法具有物理意义明确、分割结果准确的优点，是提取卫星云图中对流云团的有效方法。     

网络拓扑图多级分割塌缩阶段算法改进

针对网络拓扑图上的宏观异常预警可视化显示需要,分析了当前图的多级划分算法.算法分为图塌缩、初始划分和多级优化三个阶段.在多级分割算法的图塌缩阶段,提出改进算法———KV算法和VC算法.实验验证改进后算法在运行时间、恢复时间和分割边数上均优于传统算法.改进塌缩KV算法在分割边数上平均提高了4.6%,在运行时间上提高了12%,而VC算法降低了KV算法的时间复杂度.     

工业造型设计的基本形态和形态构成

本文主要介绍了工业造型设计的形态和形态构成的一些基本知识。     

基于扫描线种子填充的二值图像聚类算法

提出了一种基于扫描线种子填充的二值图像快速聚类算法 .该算法步骤为 :对二值图像进行扫描 ,如果检测到了目标点 ,则将该点作为新的聚类的种子 ,将该种子扩展到整个目标区域 ,形成一个包含目标区域的聚类 .该算法的特点为 :只需一次扫描即可动态生成所有聚类 ,聚类总数动态生成 ,每一时刻只有一个聚类被处理 ,可提前进行一些后续处理 ,算法描述简单 ,易于编程实现 .     

基于核最小二乘回归子空间分割的高维小样本数据聚类

针对基于线性表示理论的子空间分割方法没有考虑高维小样本数据的非线性性质,借鉴核理论,提出核最小二乘回归子空间分割方法,使子空间分割方法适合高维小样本数据的非线性性质.经6个基因表达数据集和4个图像数据集上的实验,表明该方法是有效的.     

基于快速最小距离树的肝脏图像非刚性配准

为精确诊疗肝脏疾病,针对CT肝脏图像中呈现出与相邻器官灰度值相似、边界不清晰,仅靠灰度水平法难获得理想的分割结果的问题,采用快速最小距离树度量多维特征,构造了Renyiα-entropy能量函数,成功完成了atlas和待分割图像之间的非刚性配准,实现了肝脏的自动精准分割.该方法的分割精度较传统互信息法明显提高,较传统Prim算法分割速度更快.     

基于小波变换的卫星遥感图像融合与分割

近年来针对卫星云图的分析成为研究人员进行天气预报及判断大气走势的重要途径.卫星云图本身是包含着众多数据的数据源之一,是探测地表-大气系统的可靠依据.本文利用卫星云图的云层信息和水汽图的水汽信息,采用小波变换的方式对二者图像进行融合处理,使得一幅图像中既包含云层信息也包含水汽信息,并且在融合之后的基础上进行图像分割,实现云层、陆地、海洋的分离,便于下一步对特征提取的研究.     

面向脑MR影像分割与偏置场修正的FCM方法

传统模糊C-均值(fuzzy C-means,FCM)算法以及结合空间信息的改进方法在分割脑磁共振(magnetic resonance,MR)影像时对噪声十分敏感,且无法消除脑MR影像中的偏置场。针对上述问题,提出一种面向脑MR影像分割与偏置场修正的FCM方法。该方法充分利用图像中的空间局部信息和非局部信息,分别构造出多局部信息模糊因子和非局部权重,在提高算法抗噪性的同时,尽可能多地保持图像细节;建立偏置场模型,以去除脑MR影像中的灰度不均匀性;将提出的多局部信息模糊因子和非局部权重嵌入到带有偏置场模型的FCM方法中,以实现噪声和偏置场条件下的脑MR影像分割。实验结果表明,与其他方法相比,所提方法对脑MR影像中的噪声具有更强的抑制能力,且能够有效消除偏置场对脑MR影像分割的影响,具有更优的分割性能。     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。