分享到:

基于深度学习的医学图像识别研究进展

引言医学图像识别是综合医学影像、数学建模、计算机技术等多学科的交叉领域,在医学图像大数据时代,海量而复杂的图像数据带来两个方面的新问题:一方面要处理的医学图像数据维数更高,要求有更强学习适应能力的模型;另外一方面医学图像大数据更加分散破碎,数据结构更加复杂,常常需要整合不同的信息[1]。传统的数据分析方法常常不能满足人们的要求,因此在医学大数据时代,如何从海量医学图像数据中挖掘出有用信息,已成为学术界和工业界的研究热点。深度学习[2]是机器学习[3]中的新领域,旨在通过模拟人脑自动地学习数据各个层次的抽象特征,从而更好地反映数据的本质特征[4]。自2006年,Hinton[2]提出一种基于概率图模型的多层受限波尔兹曼机(restricted Boltzmann machine,RBM)后,深度学习已成为图像处理和计算机视觉领域的主导工具。近年来,深度学习在图像识别[5]、语音识别[6-7]、自然语言处理[8-9]、计算机视觉[1...  (本文共9页) 阅读全文>>

《中国信息技术教育》2017年Z2期
中国信息技术教育

人工“智能”图像识别

人们很容易知道,图1中四张图片其实来自同一张爱因斯坦的肖像画,第二张图片在尺寸上有变化(为后续行文方便,称其为苗条爱因斯坦),第三张图片加了个小点缀(称为灵感爱因斯坦),第四张布满了白色噪点(称为混沌爱因斯坦)。人的视觉和头脑很容易就能在一大堆无关的图片中,挑选出这几张图像,并把不完全相同的爱因斯坦归于一组,计算机能做到吗?本文设计了一个活动,以计算图像相似程度为主线,通过“应用—操作—讨论”这三步,探索计算机“辨图”的奥妙。●应用——专业找图Tin Eye是一个在线的反向图片查找工具,地址是www.tineye.com,用户上传图片,该工具负责找出图片的原始出处。将以上四张爱因斯坦的肖像画上传后,这款工具就能找到相近的爱因斯坦肖像(如图2)。Tin Eye能认出图1中这四张图都是“爱因斯坦”吗?其实不能。但计算机能借助算法,判断不同图像之间的差异。或许大家头脑中会冒出诸如“深度学习”“神经网络”这样的名词来,其实要实现上述判断...  (本文共3页) 阅读全文>>

《信息与电脑(理论版)》2018年21期
信息与电脑(理论版)

计算机图像识别的智能化处理技术瓶颈与突破

1计算机图像识别的智能化处理技术计算机图像识别的智能化处理技术就是将图片交给计算机进行处理,计算机图像识别的智能化的研究开发与未来发展都是有可行性的,但计算机识别的智能化可能会因为计算机技术的限制而出现瓶颈,所以,人们在更新计算机技术时,应了解什么是计算机图像识别的智能化处理技术,从而使计算机图像处理技术实现突破,同时,人们还要了解计算机图像识别的智能化技术的原理、其智能化处理技术的方法和现状以及趋势和方向,从而使计算机图像识别的智能化处理技术更好地融合到人们的日常生活中,使计算机图像识别的智能化能够更好地满足普通用户的需求,从而使计算机图像识别的智能化具有更好的发展前景。1.1计算机图像识别的智能化处理技术图像识别的智能化就是计算机运用精确且快速的处理技术对图像进行处理,帮助使用者处理不同的图片对象。计算机图像识别处理技术已经被广泛运用到人们的日常生活和办公中,其中包括许多被运用到图像识别领域。计算机图像识别技术在很多领域都充...  (本文共2页) 阅读全文>>

《现代电子技术》2018年04期
现代电子技术

基于远程图像识别的景观设计合理性判断方法

利用远程图像识别的景观设计过程中,由于使用的是远程图像,因此会产生一定的视觉误差,为此,对远程图像识别的景观设计合理性进行判别是十分重要的[1]。远程图像识别的景观设计合理性包括:景观建筑结构的安全性和施工过程的误差性以及设计的景观样式是否有足够的技术支撑。远程图像识别的景观设计合理性能够影响结构整体施工过程,同时也是人员调配以及施工准备的重要数据指标。目前对远程图像识别的景观设计合理性的判断方法大致包括以下几种:比例尺权衡法、超声波对照法、摄影图像法等[2],但是对多几何形体以及多遮挡物的景观其判断的准确性非常的低。针对上述过程中远程图像识别的景观设计合理性,本文提出一种有效的判断方法,并通过实验数据有效证明验证了本文设计的基于远程图像识别景观设计合理性判断方法的有效性。1远程图像识别的景观设计合理性加权表示1.1远程图像识别的景观设计合理性提取本文设计的基于远程图像识别的景观设计合理性判断方法,使用权值进行表示,但是需要进行...  (本文共4页) 阅读全文>>

《南通大学学报(自然科学版)》2018年01期
南通大学学报(自然科学版)

深度学习在图像识别中的应用

图像识别是人工智能领域的一项重要研究.它以图像的主要特征为基础,对图像进行处理、分析和理解,识别不同的对象[1].具有代表性的传统图像识别方法包括:反向传播[2]、支持向量机[3]、K近邻分类[4]、小波变换[5]、模板匹配[6]和分形特征识别[7].这些方法的泛化能力受到一定的制约,在图像识别领域精度不高.直到2006年Hinton等[8]提出的深度学习推动了图像识别技术的发展.深度学习旨在研究如何从大数据中学习知识并自动完成特征的提取与分类任务,通过数据驱动方式并采用非线性变换,从原始数据中提取由低层到高层、由具体到抽象、由一般到特定语义的特征.目前深度学习已在图像识别领域取得了突破性的进展.文献[9]提出了Alex Net,首次将深度学习用在大规模的图像分类中,错误率为16.4%,相比于传统图像识别方法降低了约10%.Zeiler等[10]在Image Net Large Scale Visual Recognition ...  (本文共9页) 阅读全文>>

《科学技术创新》2018年24期
科学技术创新

计算机智能图像识别的算法与技术研究

1计算机智能图像识别的算法分析言,它的质心坐标是(x0,y0),在该坐标当中,x0所代表的是水在人工智能当中,计算机智能图像识别是一个非常重要的平方向上,图像灰度的质心,而y0所代表的则是水平方向上图领域,其能够对不同的目标及对象进行识别。目前,智能图像识像灰度的质心。可对(p+q)阶归一化中心矩进行如下定义:别比较常用的算法有以下几种:Hu不变矩以及D-S证据推理pqpq等。下面重点对这两种算法进行分析。r00(3)1.1 Hu不变矩算法在上式当中,r=(p+q+2)/2,p+q=2,3,L。Hu不变矩是智能图像识别最早出现的算法之一,该算法于1.2 D-S证据推理20世纪60年代初期,由M.K.Hu提出,它以图像中的低阶归一计算机智能图像识别归属于多源信息处理的范畴,在此类化中心矩的非线性组合构成了七个变量值。下面重点对该算法信息的处理中,数据融合是一项全新的技术,D-S证据推理则是进行分析。主要的研究方法之一,它是依托非空...  (本文共2页) 阅读全文>>