1 陕西科技大学 人工智能研究所, 陕西 西安 710021
2 陕西科技大学 电子信息与人工智能学院, 陕西 西安 710021
针对视网膜血管在分割过程容易出现细节特征信息丢失、血管轮廓模糊等问题, 提出一种改进的循环分割对抗网络算法。该算法改进了分割器的网络模型, 在U型网络上、下采样过程中添加了密集连接结构, 充分保留了图像的特征信息, 提升了模型的泛化能力以及鲁棒性, 缓解了过度分割现象。为防止网络退化, 将损失函数替换为最小二乘函数, 提高了图像的分割质量, 提升了网络模型训练的稳定性。实验结果表明, 本文的网络模型在DRIVE以及CHASE数据集中, 两者分割的准确性、敏感性分别达到了96.93%、84.30%以及96.94%、79.92%。该算法具有较好的网络泛化能力以及分割准确率, 可以为疾病诊断提供重要的依据。
视网膜血管分割 循环分割对抗网络 U型网络 密集连接结构 损失函数 retinal blood vessels segmentation cycle segmentation adversarial networks U-Net work densely connected structure loss function
西安交通大学机械工程学院， 陕西 西安 710049
针对结构光测量中条纹灰度非对称分布使条纹中心提取精度降低的问题，提出了一种应用于条纹中心提取的条纹灰度非对称调整方法。首先对初始灰度进行幂运算，将初始灰度和幂运算结果相减，并对相减结果进行灰度补偿，然后利用补偿后的灰度再进行迭代，直至满足迭代终止条件。此外，分析了条纹灰度非对称分布的影响因素，提出了条纹灰度分布的评价参数，并对所提方法进行了实验验证。实验结果表明，该方法可以根据条纹灰度的初始分布情况对条纹灰度进行有效调整，迭代结果突出了最大值附近的灰度信息，降低了灰度非对称分布对条纹中心提取的影响，提高了条纹中心提取的精度。上述结果验证了该方法的有效性和可靠性。
测量 条纹中心 迭代调整 灰度分布 非对称
