针对医学图像配准鲁棒性强、准确性高和速度快的要求,提出了一种基于融合多种特征点信息的最小生成树医学图像配准算法.该算法首先提取3种特征点,Harris-Laplace,Laplacian of Gaussian和网格点;然后使用遗传算法去除特征点集的冗余,并...针对医学图像配准鲁棒性强、准确性高和速度快的要求,提出了一种基于融合多种特征点信息的最小生成树医学图像配准算法.该算法首先提取3种特征点,Harris-Laplace,Laplacian of Gaussian和网格点;然后使用遗传算法去除特征点集的冗余,并通过对位映射构建无向完全图顶点集合;进而使用改进的Kruskal算法来构造最小生成树;最后使用得到的最小生成树估计Rényi熵.该算法较好地解决了在噪声数据中使用最小生成树估计Rényi熵面临的特征点不稳定导致鲁棒性低和构造最小生成树遇到的速度瓶颈.实验结果表明:在图像含有噪声、灰度不均匀以及初始误配范围较大的情况下,该算法在达到良好配准精度的同时,具有较强的鲁棒性和较快的速度.展开更多
为减少分簇感知网络数据通信量、延长网络生命周期,提出一种结合混合压缩感知(CS)技术的分簇无线传感器网络数据收集方法。该方法按地理位置划分感知区域为若干簇,并假设各簇区域中心存在一个虚拟簇头节点,且选取虚拟簇头节点一跳通信...为减少分簇感知网络数据通信量、延长网络生命周期,提出一种结合混合压缩感知(CS)技术的分簇无线传感器网络数据收集方法。该方法按地理位置划分感知区域为若干簇,并假设各簇区域中心存在一个虚拟簇头节点,且选取虚拟簇头节点一跳通信范围内的节点为候选簇头节点,使用Prim算法以sink为根节点连接各虚拟簇头节点生成一棵最小生成树,由sink节点开始,为最小生成树各分支中的簇从候选簇头节点中动态规划选出簇头节点,构造以sink节点为根节点且按最小生成树顺序连接各簇头节点的数据传输骨干树。仿真结果表明,当压缩率为10时,与clustering without CS、SPT without CS、SPT with hybrid CS和clustering with hybrid CS方法相比,该方法通信量分别减少了65%、55%、40%和10%。展开更多
文摘针对医学图像配准鲁棒性强、准确性高和速度快的要求,提出了一种基于融合多种特征点信息的最小生成树医学图像配准算法.该算法首先提取3种特征点,Harris-Laplace,Laplacian of Gaussian和网格点;然后使用遗传算法去除特征点集的冗余,并通过对位映射构建无向完全图顶点集合;进而使用改进的Kruskal算法来构造最小生成树;最后使用得到的最小生成树估计Rényi熵.该算法较好地解决了在噪声数据中使用最小生成树估计Rényi熵面临的特征点不稳定导致鲁棒性低和构造最小生成树遇到的速度瓶颈.实验结果表明:在图像含有噪声、灰度不均匀以及初始误配范围较大的情况下,该算法在达到良好配准精度的同时,具有较强的鲁棒性和较快的速度.
文摘为减少分簇感知网络数据通信量、延长网络生命周期,提出一种结合混合压缩感知(CS)技术的分簇无线传感器网络数据收集方法。该方法按地理位置划分感知区域为若干簇,并假设各簇区域中心存在一个虚拟簇头节点,且选取虚拟簇头节点一跳通信范围内的节点为候选簇头节点,使用Prim算法以sink为根节点连接各虚拟簇头节点生成一棵最小生成树,由sink节点开始,为最小生成树各分支中的簇从候选簇头节点中动态规划选出簇头节点,构造以sink节点为根节点且按最小生成树顺序连接各簇头节点的数据传输骨干树。仿真结果表明,当压缩率为10时,与clustering without CS、SPT without CS、SPT with hybrid CS和clustering with hybrid CS方法相比,该方法通信量分别减少了65%、55%、40%和10%。
