摘要：图像多阈值分割在图像压缩、图像分析和模式识别等很多领域具有重要应用,但是阈值数的自动选择一直是至今未解决的难题.为此,基于分块采样和遗传算法提出一种自动多阈值图像分割算法.首先将一幅图像看成是由像素值组成的总体,运用分块采样得到若干子样本;其次在每一个子样本中运用遗传算法来使样本的均值与方差比极大化;再基于获得的样本信息对阈值数目和阈值进行自动预测;最后利用一种确定性的算法对阈值数和阈值做进一步的优化.该算法无需事先考虑图像的纹理和分割数等先验信息,具有较高的易用性,其计算复杂性对图像阈值个数敏感性较低,且无需进行灰度直方图分析.在Berkeley图像分割数据集上的大量仿真实验结果表明,文中算法能获得较准确、快速和稳定的图像分割.

摘要：高校学生评教对提高高等教育质量至关重要。学生评教的直接目的是对该门课程的任课教师的教学效果做出评价,但是更重要的是为了总结和分析教师的教学经验,为本科教学质量的稳定提高找到科学的方法和规范。然而,当前高校学生评教方案的缺陷是在学生评教过程中,评教的指标过多并且以打分的形式,浪费了学生许多宝贵的时间;而且仅仅通过评教得分,并不能给出老师较好的建议。鉴于短文本聚类与分析技术的快速发展,提出基于短文本聚类的学生评教方案,一定程度上可以弥补这个缺陷。

摘要：目前,基于多尺度特征卷积神经网络的医学图像超分辨率重建算法取得了良好的重建效果,但是这些方法还面临着多尺度特征类型单一,特征提取与融合中易丢失高频信息以及模型规模过大的问题.针对以上问题,提出一种基于误差反馈的多尺度特征网络模型的医学图像超分辨率重建方法.该方法使用不同深度的并行卷积层实现感受野的区别,设计了一种基于误差反馈的多尺度特征提取模块,从而实现多尺度特征的提取.该方法还使用全局反馈结构逐步提取高频信息,最后使用误差反馈反向传递高频信息到每次循环提取的特征中,利用融合后的特征重建出高分辨率CT图像.实验结果表明:(1)该方法在×2,×4,×8这3种放大倍率上都取得了良好的效果,与主流的超分辨率算法相比,在客观指标和主观评价上取得了更好的结果;(2)该方法重建的CT图像,更清晰,细节纹理更丰富.