基于视觉语义与RSSVM的图像检索

以图像的视觉语义为基础,设计了一种新的空间转换模型,提出了一种新的图像语义描述方法.首先,采用NCut方法对图像进行分割,提取每个区域的颜色、纹理与形状等视觉特征;再用K-Means聚类方法对训练集中所有的视觉特征进行聚类,称聚类中心为视觉语义(Visual Semantic,VS),用来构造投影空间;然后通过所定义的非线性函数,将每幅图像向投影空间作映射,得到图像的投影特征;最后,为了提高分类器的训练效率与性能,先采用RS(粗糙集)方法对投影特征进行属性约简,再用支持向量机(SVM)进行学习和分类.基于Corel图像集的对比实验结果表明,该方法性能受聚类数的影响不大,鲁棒性强,且性能优于其它方法.     

《数字图像处理》课程的教学改革与探索

本文结合本校信息工程专业实际情况,对《数字图像处理》课程的改革内容进行了总结和探讨。教改围绕教学内容、教学方法、实践环节和考核方式展开。经过三年的实施运行,学生的动手实践能力得到了充分的锻炼和提高。这不仅为培养应用型和创新型人才奠定了扎实的基础,而且也适应了"卓越计划"对高质量人才培养的要求。     

面向肺部CT影像的双3D-CNN结节诊断模型

为了捕获肺部CT影像中结节的三维不规则性并提高其诊断精度，本文设计了一种由筛到诊的双三维卷积神经网络（d3D-CNN）结节诊断模型.首先，构建了一个轻型3D-CNN网络，且将它与全卷积运算相结合，利用卷积运算的高优化性，完成结节筛选并生成疑似区域；然后，利用空间-切片注意力机制自动学习疑似区域在空间和切片序列上的偏移量，设计可变形3D卷积模块，且将它与ResNet101相结合而构造成一个高精度3D-CNN结节诊断网络，用于对筛选出的疑似区域进行最终判决.对比实验结果表明，所提模型在误报率为1的情况下，召回率达到88.9%，有效地提高了肺结节良恶性诊断精度.