题名 基于自适应分数阶的医学图像非刚性配准
被引量：4
1
作者
张桂梅 胡强 郭黎娟
机构
江西省 图像 处理 与模式识别 重点 实验室 (南昌 航空 大学 )
出处
《自动化学报》
EI
CSCD
北大核心
2020年第9期1941-1951,共11页
基金
国家自然科学基金(61462065,61661036)资助。
文摘
现有的医学图像配准算法对于灰度均匀、弱边缘以及弱纹理图像易陷入局部最优从而导致配准精度低下、收敛速度缓慢.分数阶主动Demons(Fractional active Demons,FAD)算法是解决该问题的有效方法,并且适用于图像的非刚性配准.但FAD中的最佳分数阶阶次是人工交互选取,并且对整幅图像都是固定不变的.为了解决该问题,提出一种阶次自适应的主动Demons算法并将其应用到医学图像的非刚性配准中.算法首先根据图像的局部特征建立分数阶阶次自适应的数学模型,并逐像素计算最优阶次,基于该阶次构造Riemann-Liouvill(R-L)分数阶微分动态模板;然后将自适应R-L分数阶微分引入到Active Demons算法,在一定程度上缓解了图像配准在弱边缘和弱纹理区域易陷入局部最优问题,从而提高了配准精度.通过在两个医学图像库上进行实验验证,实验结果表明该方法可以处理灰度均匀、弱纹理和弱边缘的医学图像非刚性配准,配准精度得到较大提升.
关键词
自适应分数阶 主动Demons 算法 自适应模型 非刚性配准 医学图像
Keywords
Adaptive fractional order active Demons algorithm adaptive model non-rigid registration medicine image
分类号
R319
[医药卫生—基础医学]
TP391.41
[自动化与计算机技术—计算机应用技术]
题名 图像增强中分数阶阶次自适应模型的构造
被引量：2
2
作者
张桂梅 刘峰瑞 刘建新
机构
江西省 图像 处理 与模式识别 重点 实验室 (南昌 航空 大学 )西华大学 机械工程学院
出处
《计算机工程与应用》
CSCD
北大核心
2018年第3期184-191,共8页
基金
国家自然科学基金(No.61462065) 江西省自然科学基金(No.20151BAB207036)
文摘
为了解决分数阶微分算子在图像增强中需要人工寻找最佳阶次,缺乏阶次自适应的问题,构造了分数阶微分阶次自适应数学模型。该模型以反正切函数为原型,以图像的梯度信息、局部信息熵、亮度和对比度为自变量,建立了微分阶次与图像局部信息之间的关系,从而可以根据图像的局部信息特征自动计算图像中各个像素点的最佳阶次,并将该模型应用在分数阶微分Tiansi算子的图像增强中。为了验证该模型的有效性,选用标准图像库中的多幅纹理图像进行实验,对实验结果进行了定性和定量分析,在定量分析中采用图像信息熵、平均梯度、清晰度和对比度四个评价指标衡量图像增强的效果,并与二阶微分Laplacian算子、Tiansi算子进行比较。理论分析和实验结果均表明建立该模型的有效性,对灰度图像可以得到连续变化的增强效果,接近于最佳分数阶微分增强效果,符合人们的视觉感受。
关键词
分数阶微分 Tiansi算子 阶次自适应模型 图像增强
Keywords
fractional order differential Tiansi operator adaptive degree model image enhancement
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
题名 基于轻量级分组注意力模块的图像分类算法
被引量：8
3
作者
张盼盼 李其申 杨词慧
机构
南昌 航空 大学 信息工程学院江西省 图像 处理 与模式识别 重点 实验室 (南昌 航空 大学 )
出处
《计算机应用》
CSCD
北大核心
2020年第3期645-650,共6页
基金
国家自然科学基金资助项目(61662048) 南昌航空大学研究生专项创新资金资助项目(YC2018030)~~
文摘
针对图像分类任务中现有神经网络模型对分类对象特征表征能力不足,导致识别精度不高的问题,提出一种基于轻量级分组注意力模块(LGAM)的图像分类算法。该模块从输入特征图的通道和空间两个方向出发重构特征图:首先,将输入特征图沿通道方向进行分组并生成每个分组对应的通道注意力权重,同时采用阶梯型结构解决分组间信息不流通的问题;然后,基于各分组串联成的新特征图生成全局空间注意力权重,通过两种注意力权重加权得到重构特征图;最后,将重构特征图与输入特征图融合得到增强的特征图。以分类Top-1错误率作为评估指标,基于Cifar10和Cifar100数据集以及部分ImageNet2012数据集,对经LGAM增强之后的ResNet、Wide-ResNet、ResNeXt进行对比实验。实验结果表明,经LGAM增强之后的神经网络模型其Top-1错误率均低于增强之前1至2个百分点。因此LGAM能够提升现有神经网络模型的特征表征能力,从而提高图像分类的识别精度。
关键词
注意力机制 图像分类 通道注意力 空间注意力 分组卷积
Keywords
attention mechanism image classification channel attention spatial attention group convolution
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
题名 基于高低频特征增强的图像去雾
被引量：8
4
作者
卢昂 储珺 冷璐
机构
江西省 图像 处理 与模式识别 重点 实验室 (南昌 航空 大学 )南昌 航空 大学 信息工程学院南昌 航空 大学 软件学院
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第8期174-181,共8页
基金
国家自然科学基金(62162045,61866028) 江西省技术创新引导类计划项目(20212BDH81003) 南昌航空大学研究生创新基金(YC2020-033)。
文摘
图像去雾是典型的不适定问题,编解码网络是常用的去雾网络架构,编解码网络由编码器、解码器和连接两者的特征转换器构成。已有去雾算法生成的去雾图像通常质量较低,存在局部细节去雾不彻底、颜色失真或引入噪声等问题。针对基于编解码网络的去雾算法在设计特征转换器时没有充分利用小尺度特征、解码阶段仅利用对应层编码特征的问题,提出一种基于高低频特征增强的去雾算法。在特征转换阶段,设计扩张残差组件并组成上下文聚合网络,充分利用大感受野的低分辨率特征,提取特征图远距离相关性,增强低频小尺度特征。设计基于通道注意力的多级特征重用网络,实现浅层高频特征的重利用,同时深度融合解码重建特征,增强视觉感知特征的恢复。在编码阶段构建视觉特性感知模块,利用残差块在局部建模方面的优势增强浅层丰富的高频视觉特征。实验结果表明,与AOD-Net、PFF-Net等去雾算法相比,该算法的PSNR和SSIM指标均有明显优势,在室内合成数据集SOTS和室外真实数据集Dense-Haze上,所提算法的PSNR和SSIM分别高出性能次优算法0.77 dB、0.000 7和0.40 dB、0.037 1。
关键词
图像去雾 编解码网络 扩张残差 特征增强 通道注意力
Keywords
image dehazing encoder-decoder network dilated residual feature enhancement channel attention
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 结合语义和多层特征融合的行人检测
被引量：13
5
作者
储珺 束雯 周子博 缪君 冷璐
机构
江西省 图像 处理 与模式识别 重点 实验室 (南昌 航空 大学 )
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2022年第1期282-291,共10页
基金
国家自然科学基金(62162045,61866028) 江西省重点研发计划项目(20192BBE50073) 研究生创新基金(YC2018094)资助~~。
文摘
遮挡及背景中相似物干扰是行人检测准确率较低的主要原因.针对该问题,提出一种结合语义和多层特征融合(Combining semantics with multi-level feature fusion,CSMFF)的行人检测算法.首先,融合多个卷积层特征,并在融合层上添加语义分割,得到的语义特征与相应的卷积层连接作为行人位置的先验信息,增强行人和背景的辨别性.然后,在初步回归的基础上构建行人二次检测模块(Pedestrian secondary detection module,PSDM),进一步排除误检物体.实验结果表明,所提算法在数据集Caltech和CityPersons上漏检率(Miss rate,MR)为7.06%和11.2%.该算法对被遮挡的行人具有强鲁棒性,同时可方便地嵌入到其他检测框架.
关键词
行人检测 语义分割 特征融合 遮挡 二次检测
Keywords
Pedestrian detection semantic segmentation feature fusion occlusion secondary detection
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
题名 一种新的基于自适应分数阶的活动轮廓模型
被引量：10
6
作者
张桂梅 徐继元 刘建新
机构
江西省 图像 处理 与模式识别 重点 实验室 (南昌 航空 大学 )西华大学 机械工程学院
出处
《计算机研究与发展》
EI
CSCD
北大核心
2017年第5期1045-1056,共12页
基金
国家自然科学基金项目(61462065) 江西省自然科学基金项目(20151BAB207036) 江西省科技支撑计划基金项目(20161BBF60091)~~
文摘
区域可调拟合(region scalable fitting,RSF)活动轮廓模型在分割弱纹理、弱边缘图像时,优化易陷入局部极小导致曲线演化速度缓慢;同时该模型中的局部拟合项为高斯核函数,导致目标的边界模糊,影响分割精度.针对该问题,提出了一种基于自适应分数阶的活动轮廓模型,用于图像的分割.首先将全局G-L(Grünwald-Letnikov)分数阶梯度融合到RSF模型中,以增强灰度不均匀和弱纹理区域的梯度信息,从而提高对曲线初始位置选择的鲁棒性,并提高了图像分割的精度和速度;然后用双边滤波函数替换局部拟合项中的高斯核函数,解决了高斯核函数在演化过程中造成的边界模糊问题;最后根据图像的梯度模值和信息熵构建自适应分数阶阶次的数学模型,并计算出最佳分数阶阶次.理论分析和实验结果均表明:提出的算法可以用于灰度不均匀和弱纹理、弱边缘区域的图像分割,并能根据图像的特征自适应计算最佳分数阶阶次,避免曲线演化陷入局部最优.用多幅图像进行实验,得出该方法的分割精度和分割效率都有较大提高.
关键词
Grünwald-Letnikov分数阶 自适应分数阶 RSF模型 活动轮廓模型 图像分割
Keywords
Grünwald-Letnikov fractional order adaptive fractional order RSF model active contour model image segmentation
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
