论文部分内容阅读
针对互信息配准方法耗时较长、容易陷入极值的缺陷,提出采用ReNet的方法提取图像边缘,构建边缘特征点互信息能量函数,通过改进Powell算法对配准进行优化.通过实验,基于特征点互信息的医学图像配准方法与结构互信息相比,在配准准确率大致相同的情况下,配准所需时间大幅降低.
基于特征点互信息的医学图像配准
【摘 要】
：
针对互信息配准方法耗时较长、容易陷入极值的缺陷,提出采用ReNet的方法提取图像边缘,构建边缘特征点互信息能量函数,通过改进Powell算法对配准进行优化.通过实验,基于特征点互信息的医学图像配准方法与结构互信息相比,在配准准确率大致相同的情况下,配准所需时间大幅降低.
【机 构】
：
武汉科技大学计算机科学与技术学院 武汉 430065
【出 处】
：
计算机与数字工程
【发表日期】
：
2022年2期
其他文献
针对红外与可见光图像融合时出现的细节模糊、对比度降低等问题,论文提出了一种基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)和卷积稀疏表示(Convolutional Sparse Representation,CSR)的图像融合方法.首先,分别对红外图像和可见光图像进行NSCT分解,获取其高频子带和低频子带.然后,通过导向滤波增强高频子带,并将增强后的高频子带系数通过选择最大值策略进行融合;同时,利用CSR模型和选择最大值策略得到低频子带的融合稀疏系
Kubernetes是目前主流的容器云编排和管理系统,其内置的伸缩策略是通过监测衡量指标并与阈值比较计算,从而实现伸缩的功能.该策略主要存在单一衡量指标和响应延迟问题:单一指标在衡量多种资源消耗的复杂应用时存在明显缺陷;响应延迟问题会造成应用在一段时间内的服务质量无法得到保障.针对上述问题,提出了一种改进的Kuber?netes弹性伸缩策略,该策略对应用涉及的多种资源进行计算,得出综合负载率作为衡量应用伸缩的指标;使用ARIMA-Kal?man预测模型对综合负载进行预测,从而实现预测式伸缩,提高了应用在面
随着人工智能技术的不断创新发展,语音识别技术一直在迭代升级,而语音去噪是语音识别领域中关键研究点之一.由于这些外界干扰声的存在,就使得原本的语音信号变得不再纯净,或多或少会对所需传输的语音信号有所影响.传统的信号分析以傅立叶变换为基础,但傅立叶分析属于全局变换,变换只能全部在时域变换或在频域变换.因此,傅里叶变换不能获取语音信号的时频局部性质,该变换不利于分析非平稳信号.为了更好地分析语音信号,该实验通过卷积神经网络对语音信号进行去噪处理,将处理完的信号逆向使用短时傅里叶变换,并分析结果.