现有的医学图像配准算法对于灰度均匀、弱边缘以及弱纹理图像易陷入局部最优从而导致配准精度低下、收敛速度缓慢.分数阶主动Demons(Fractional active Demons,FAD)算法是解决该问题的有效方法,并且适用于图像的非刚性配准.但FAD中的最...
详细信息
现有的医学图像配准算法对于灰度均匀、弱边缘以及弱纹理图像易陷入局部最优从而导致配准精度低下、收敛速度缓慢.分数阶主动Demons(Fractional active Demons,FAD)算法是解决该问题的有效方法,并且适用于图像的非刚性配准.但FAD中的最佳分数阶阶次是人工交互选取,并且对整幅图像都是固定不变的.为了解决该问题,提出一种阶次自适应的主动Demons算法并将其应用到医学图像的非刚性配准中.算法首先根据图像的局部特征建立分数阶阶次自适应的数学模型,并逐像素计算最优阶次,基于该阶次构造Riemann-Liouvill(R-L)分数阶微分动态模板;然后将自适应R-L分数阶微分引入到Active Demons算法,在一定程度上缓解了图像配准在弱边缘和弱纹理区域易陷入局部最优问题,从而提高了配准精度.通过在两个医学图像库上进行实验验证,实验结果表明该方法可以处理灰度均匀、弱纹理和弱边缘的医学图像非刚性配准,配准精度得到较大提升.
一般的高维多目标进化算法无法有效处理不同类型的Pareto前沿.针对这一情况,提出一种基于种群关联策略和强化解集准则的高维多目标进化算法(many-objective evolutionary algorithm based on population association strategy and enhan...
详细信息
一般的高维多目标进化算法无法有效处理不同类型的Pareto前沿.针对这一情况,提出一种基于种群关联策略和强化解集准则的高维多目标进化算法(many-objective evolutionary algorithm based on population association strategy and enhanced solution set criterion,MaOEA/PAS-ESC).该算法在环境选择中采用种群关联策略(population association strategy,PAS)和强化解集准则(enhanced solution set criterion,ESC)协同指导种群进化.PAS利用解与参考向量的角度和欧氏距离以及种群中解之间的距离构建角度与距离联合函数(joint function of angle and distance,JFAD),选择多样性良好的解,然后ESC利用参考点与种群间的联系组成适应度函数,选择收敛性良好的解,以共同达到有效平衡多样性和收敛性的目的.实验结果表明,采用MaOEA/PAS-ESC处理高维多目标优化问题具有更强的竞争性能,而且提高了处理不同类型Pareto前沿的能力.
暂无评论