摘要：低剂量CT(LDCT)包含丰富组织结构、病理信息和分布极其不规律的噪声伪影,这2种信息的幅度值分布规律相似。因此,LDCT降噪任务易出现特征提取不充分、网络对噪声伪影方向特性敏感度不足及降噪结果过度平滑等问题。为此,应用U-Net网络作为去噪网络的基本模型,设计了一种基于伪影估计的LDCT降噪网络。所提网络模型主要包括主特征提取网络和方向敏感注意力子网络2部分。为充分利用不同尺度特征之间的差异性,提高特征提取有效性,在编解码U-Net结构基础上增加了一个稠密特征增强模块;为提高降噪网络对噪声伪影方向特征的敏感度,设计了一个方向敏感注意力子网络;为保障网络训练稳定性,设计了多种损失函数来共同优化网络训练过程。实验结果表明:与目前主流的LDCT降噪方法相比,所提方法降噪结果的视觉效果与量化指标均表现最佳。

摘要：近年来,生成对抗网络(GAN)用于低剂量CT(LDCT)伪影抑制表现出一定性能优势,已成为该领域新的研究热点。由于伪影分布不规律且与正常组织位置息息相关,现有GAN网络的降噪性能受限。针对上述问题,提出了一种基于伪影感知GAN的LDCT降噪算法。首先,设计了伪影方向感知生成器,该生成器在U型残差编解码结构的基础上增加了伪影方向感知子模块(ADSS),从而提高生成器对伪影方向特征的敏感度;其次,设计了注意力判别器(AttD)来提高对噪声伪影的鉴别能力;最后,设计了与网络功能相对应的损失函数,通过多种损失函数协同作用来提高网络的降噪性能。实验结果表明,与高频敏感GAN(HFSGAN)相比,该降噪算法的平均峰值信噪比(PSNR)和结构相似度(SSIM)分别提升了4.9%和2.8%,伪影抑制效果良好。

摘要：生成对抗网络(GAN)用于低剂量CT(LDCT)图像降噪具有一定的性能优势,成为近年CT图像降噪领域新的研究热点。不同剂量的LDCT图像中噪声和伪影分布的强度发生变化时,GAN网络降噪性能不稳定,网络泛化能力较差。为了克服这一缺陷,该文首先设计了一个编解码结构的噪声水平估计子网,用于生成不同剂量LDCT图像对应的噪声图,并用原始输入图像与之相减来初步抑制噪声;其次,在主干降噪网络中,采用GAN框架,并将生成器设计为多路编码的U-Net结构,通过博弈对抗实现网络结构优化,进一步抑制CT图像噪声;最后,设计了多种损失函数来约束不同功能模块的参数优化,进一步保障了LDCT图像降噪网络的性能。实验结果表明,与目前流行算法相比,所提出的降噪网络能够在保留LDCT图像原有重要信息的基础上,取得较好的降噪效果。

摘要：针对传统反锐化掩膜算法对噪声敏感,不能较好地同时增强对比度和细节的问题,提出一种基于顶帽变换的反锐化掩膜算法。通过形态学中的顶帽变换增强图像的对比度,利用迭代中值滤波与原图像的差值获取图像的细节信息,采用自适应调节参数控制细节锐化。由于图像中某些局部细节信息和人类视觉系统具有模糊性,采用模糊数学算子代替普通的加减和数乘进行反锐化掩膜运算。实验结果表明,该算法在整体对比度增强的同时凸显了图像的细节信息,产生了较好的视觉效果。

摘要：在正电子发射断层成像(PET)中,最大后验重建引入图像先验分布信息,将重建结果约束在正则空间中,但是不恰当的约束将导致重建图像过度平滑;经典正逆各项异性扩散模型仅考虑图像的梯度信息,不能完整表征图像的特征。针对该问题,提出了一种基于正逆扩散的优质PET重建算法,将灰度方差与正逆扩散模型结合,并采用改进模型进行正逆各项异性扩散,进行中值先验分布的贝叶斯重建。仿真结果表明,新算法克服了传统算法图像退化的缺点,优化了重建质量,能获得较高的信噪比和较好的图像视觉效果。

摘要：新工科建设和工程教育认证对课程建设提出了更高的要求,倡导以成果产出为导向(OBE)作为课程目标,强调对学生的综合能力进行培养。传统的“数字图像处理”课程采用教材导向的课程目标,教学内容强调方法讲解忽略学生兴趣培养,强调孤立算法实现忽略完整项目的开发,强调知识讲解忽略实践技能培养。本文针对“数字图像处理”课程教学过程中存在的问题,将OBE理念引入该课程教学的各个方面,围绕课程教学目标设计、课程教学内容更新、课程教学方式改革、课程考核方式改革四个方面构建“数字图像处理”课程的教学体系。教学实践的成果表明,OBE理念引导下的“数字图像处理”课程教学方案可以有效避免传统教学方案存在的弊端,提升学生的综合能力和综合素质。

摘要：计算机断层扫描成像(CT)技术具有成像速度快分辨率高的优点,广泛应用于医学临床诊断中。然而,提高剂量辐射会引发人体组织器官受损,降低剂量又会造成成像质量严重下降。为解决上述矛盾,在确保成像质量满足临床诊断需求的条件下,研究如何最大程度地降低X射线辐射对人体造成的伤害,已成为低剂量CT成像技术的研究热点。近年来,在人工智能领域深度学习方法快速发展,已广泛应用于图像处理、模式识别、信号处理等领域。与此同时,大数据驱动下的深度学习方法在LDCT成像领域的应用也有了长足的发展。本文从CT成像的过程、低剂量CT噪声建模以及成像算法的设计3方面,介绍近年来国内外低剂量CT成像算法的发展,尤其对深度学习领域的成像算法进行阐述与分析,并对LDCT图像成像领域未来的发展进行展望。

摘要：目的:研究法医学同一认定中腭皱特征的提取和识别方法,建立腭皱自动识别的全数字化系统,并对同一认定效果进行评价。方法:采集二维腭皱数字图像建立样本库,对腭皱样本进行图像预处理,采用Gabor变换提取腭皱图像特征,对所提取的特征进行分块降维以避免维度灾难,采用最近邻分类算法对所提取的腭皱特征进行分类识别,在MATLAB软件平台上设计基于腭皱图像识别的法医学同一认定数字化系统,用样本库中的二维腭皱图像作为实验数据进行实验,采用平均正确匹配率和平均错误匹配率两个指标进行同一认定性能评估。结果:选取不同分块方案,对所提取的腭皱Gabor特征进行降维,可以发现,分块越密集识别效果越好,最高平均正确匹配率可以达到97.8%。结论:该算法可以达到快速准确腭皱图像自动识别,可作为法医学同一认定的备选方案。

摘要：针对无人机视频跟踪中正样本不足和单帧强判别特征易导致分类器过拟合的问题,提出一种基于多域对抗学习的实时无人机目标跟踪算法。将生成对抗网络引入到多域学习的特征生成中,利用对抗学习提高特征提取的鲁棒性;在卷积层中加入具有不同扩展系数的空洞卷积进行多尺度特征抽取,构建具有不同感受野的特征提取模块;在交叉熵损失函数中添加调制因子解决正负样本数量不平衡的问题。实验结果表明,该算法的跟踪精度、成功率均得到了提高。