黑龙江省自然科学基金(F201208)
- 作品数：6 被引量：25H指数：3
- 相关作者：刘露丁博周洋张宏李小进更多>>
- 相关机构：哈尔滨理工大学哈尔滨医科大学附属肿瘤医院更多>>
- 发文基金：黑龙江省自然科学基金哈尔滨市科技创新人才研究专项资金更多>>
- 相关领域：自动化与计算机技术电子电信更多>>
- 基于音频信号频谱分析的混合光效设计与实现被引量：2
- 2013年
- 频谱分析可快速提取信号特征,由于快速傅里叶变换(FFT)具有快速、高效的特性,可以大大降低离散傅里叶变换(DFT)中的运算量,因此被应用于频谱分析中.以FFT为基础,针对采集的音频信号对算法中的倒序位和蝶形运算进行优化,然后利用优化后的算法对不同格式的音频信号进行频谱分析.通过微控制器,利用串行外围设备接口(SPI)协议对SD卡或U盘等物理介质上的多种数字音乐文件进行读取,然后利用音频译码器将数字信号转换为模拟信号进行播放.在播放音乐同时,利用A/D转换器采集模拟信号,利用优化的FFT算法对其进行分析、提取特征值,然后通过微控制器和脉冲宽度调制(PWM)技术,产生不同占空比的脉冲信号,进而驱动多种色彩的发光二极管(LED)实现多种灯光的动态混合效果.
- 张宏田春伟林高雅李小进刘露
- 关键词：音频信号FFT频谱分析RGB
- DBN融合模型对脱机手写汉字识别被引量：1
- 2017年
- 针对脱机手写汉字识别问题,提出一种新的分类器级联识别模型。新模型将修正的二次判别函数(modified quadratic discriminant function,MQDF)与深度置信网络(deep belief network,DBN)相融合,利用MQDF先进行识别并得出结果,同时计算一个该识别结果的可信度,通过这个可信度对识别结果进行判别,若可信度符合要求,则MQDF的识别结果可作为最终结果直接输出,否则再与DBN结合进行二次识别,得到最终的识别结果。实验结果表明,在ETL-9B手写汉字数据集上进行的脱机手写汉字识别任务中,使用MQDF与DBN融合模型,可以取得比单独使用MQDF和DBN更好的准确率。
- 刘露孙巍巍丁博
- 关键词：汉字识别
- 结合伪彩色与上下文感知的肺癌PET图像分割算法被引量：3
- 2017年
- 由于肺癌PET成像质量较低且待分割区域边界没有明显的灰度差,使得基于颜色特征的图像分割算法不能做到有效分割。提出了结合伪彩色与上下文感知的肺癌PET图像分割算法。首先,将原始的肺癌PET图像根据彩色查找表生成对应的伪彩图;然后,使用改进的上下文感知模型获得伪彩图对应的显著图,并采用大津法对显著图进行二值化处理,初始化显著图的分割区域;最后,使用改进的Grab Cut算法迭代分割图像。算法应用于肺癌的PET图像分割。实验结果表明,该算法有效提升肺癌PET图像的分割效率、提升分割精度,取消Grab Cut算法、Snake算法的用户操作,实现图像分割自动化,具有较高的可靠性、执行效率、以及实际应用价值。
- 刘露于晓婷丁博
- 关键词：正电子发射型计算机断层显像上下文感知图像分割
- 基于仿射CPD的股骨医学图像配准方法被引量：1
- 2015年
- 股骨医学图像配准是股骨三维重建技术的主要研究内容,通过机器辅助获得配准的参数决定了三维重建的准确性。针对传统ICP算法普遍存在的准确度和鲁棒性较低的问题,提出一种基于仿射CPD的股骨医学图像配准方法,使配准自动化及精准化。该方法通过边缘提取获得浮动、参考点集;在配准后获取结果参数;通过结果参数将股骨通用模型摆成股骨个体化骨折姿态。实验结果表明:平移、旋转的平均误差分别小于2.1 mm、1.6°;配准失败率仅在10%左右;三维重建后的3D图像真实度较高。该方法对于图像配准和三维重建是可行的和高效的。
- 刘露刘春宇周洋张斌王培东
- 关键词：配准方法
- 一种基于视觉显著模型的PET图像快速分割算法被引量：6
- 2017年
- 由于PET图像质量较低且灰度相近导致常用的分割算法不能兼顾分割效果与分割效率,提出了一种基于视觉显著模型的PET图像分割算法。首先使用优化的Itti视觉显著模型替代人工操作对PET图像进行快速识别,并将获得的显著图进行预处理,初始化前景区与背景区的高斯混合模型,最后使用优化的GrabCut算法对PET显著图进行分割获得结果。与其他两种算法相比实验结果表明,该算法在操作简易性、算法执行效率、结果准确性具有一定优势,分割时间提升超过30%,分割精度提升超过21%。
- 刘露于晓婷丁博
- 深度置信网络对孤立性肺结节良恶性的分类被引量：12
- 2018年
- 针对肺部CT图像中孤立性肺结节(SPN)良恶性分类问题,寻求能够有效表示SPN图像的特征,通过适合的分类器实现对SPN良恶性的准确判别。由SPN图像的多分辨率直方图得到768维的特征空间,并将该类特征用于支持向量机(support vector machine,SVM)分类器进行训练,最后取得了令人满意的分类效果。结合深度学习领域中相关知识,将深度置信网络(deep belief network,DBN)用于SPN良恶性分类任务当中。将从肺部CT图像中分割出的SPN图像规整化作为DBN的输入,进行无监督训练;用带有良恶性类标的SPN图像对网络进行微调得到最终的DBN模型;用训练好的DBN模型在测试图像集上进行分类。在实验中选择肺结节患者480例,提取600个SPN图像作为实验数据。将新提出的DBN模型与基于纹理特征和多分辨率直方图特征的SVM模型进行对比,在不考虑医学象征的情况下,DBN模型的识别准确率高达86%,较SVM分类器的分类性能有了显著提升。
- 刘露杨培亮孙巍巍周洋赵宏远
- 关键词：CT图像
