公共文化服务平台

共 5 条记录，以下是 1-5

全选清除导出

排序方式：

一种基于学习的图像智能适配显示技术: 年,随着不同分辨率和长宽比的显示设备不断产生,图像的智能适配显示逐渐成为图像处理的研究热点之一.在这样的背景下,出现了各式各样的图像适配显示(Image Retargeting)的方法.通过图像适配显示技术,我们将输入的...; 杨奕臻李可颜波; 关键词：图像处理分辨率

基于网格面积保持的图像智能适配显示被引量：1: 2016年; 目的 ASAP(as-similar-as-possible)算法在处理某些图像时存在着不足,即重要区域被过分压缩,而非重要区域被拉伸得很大。为此,在该算法已有的研究基础上提出一种改进后的图像处理算法。方法利用二次规划,通过在原始能量方程中加入网格面积大小的累加项来改进原算法的能量方程,使网格在放缩过程中不仅要保证均匀缩放,也要保证每个网格的面积尽可能地大。对ASAP算法中被过分压缩和拉伸的图像区域进行保护。然后使用图像评测算法对处理图像进行打分,以衡量算法的改进效果。结果改进后的算法保持了原算法的高效。从图像质量上来看,图像过度压缩或拉伸的程度有所缓解,图像较好地保留了原始图像中的信息。在客观评测中,改进算法得分较于原始算法有所增加。评分提高的百分比最大达到了39.0%.结论实验结果表明,改进后的算法不仅有较高的效率,而且保护了原始算法中被过分压缩或拉伸的图像区域,得到了视觉效果较好的处理图像。; 李璠李可颜波; 关键词：图像处理

基于深度学习的人工智能辅助诊断在食管早癌中的应用被引量：12: 2019年; 目的构建人工智能食管早癌辅助诊断系统,旨在提高临床食管早癌的检出率。方法收集复旦大学附属中山医院2016年1月至2017年12月共2 400张食管图像,食管早癌、正常食管黏膜各1 200张,对图片中病变位置进行矩形框标记。将其中2 000张图片作为训练集、400张图片作为测试集,通过计算机深度学习中的反向传播算法建立食管早癌的诊断辅助模型。利用测试集来测试训练得到的模型,计算不同截断点系统的灵敏度及特异度,绘制受试者工作特征曲线(ROC曲线),评价诊断模型的性能指标。结果辅助诊断模型的ROC曲线下面积(AUC)值达0.996 1,灵敏度及特异度均令人满意。结论本研究构建的深度学习模型用于食管早癌的诊断具有较好的特异度、敏感度和AUC值,可在临床检查中辅助内镜医师进行实时诊断。; 蔡世伦阿依木克地斯·亚力孔李染颜波姚礼庆周平红钟芸诗

基于学习的图像智能适配显示技术被引量：1: 2015年; 为适应不同的显示分辨率,出现了各式各样的图像适配显示(IR)的方法.提出了基于图像列的一种快速适配显示方法.在处理过程中,首先,计算一个原始图像的重要性图;其次,根据图像每列的重要性程度为其分配一个比例因子,对不同图像而言,应对比例因子设置不同的上限才可以得到较好的结果;最后,提出通过机器学习方法计算出不同图像的上限,从而可以高效率地得到理想的结果.根据每一列的比例因子采用像素融合的方式处理图片得到目标分辨率.本方法是基于列实现的,其复杂度低、便于计算;设置每列系数的上限控制了图像重要部分的宽度,从而减少了不连贯,处理结果更为自然.; 李可杨奕臻颜波; 关键词：图像缩放低复杂度

基于深度学习人工智能在结肠镜检查中应用研究被引量：8: 2020年; 目的构建人工智能辅助的结肠镜质量评估算法及肠息肉形态分类算法,客观评估肠镜检查质量、息肉形态,实现结肠镜检查的规范化和统一化。方法收集复旦大学附属中山医院2018年1月至8月,共18962张肠镜图片。其中7140张用于肠镜质量评估算法建立,11822张用于肠息肉形态分类算法建立。把肠镜图像作为卷积神经网络(CNN)的输入,端到端训练卷积神经网络,实现肠镜图像的分类任务,从而建立算法。其中包括3个模型:(1)肠道准备质量评分(四分类)。(2)回盲瓣的识别(二分类)。(3)无蒂和有蒂息肉的分类(二分类)。结果肠镜质量评估模型对回盲瓣识别的准确率为95.27%,受试者工作特征(ROC)曲线下的面积(AUC)为0.9769,对基于波士顿评分标准四分类的图像的识别总精度为76.96%。肠息肉形态分类模型的AUC值为0.8695。结论该深度学习模型用于肠镜检查质量的评估和肠息肉形态学的分类,具有良好的特异度、敏感度和AUC值,可辅助医师对肠镜检查质量进行评价,并对肠息肉进行分类,实现规范化和统一化。; 阿依木克地斯·亚力孔庄惠军蔡世伦牛雪静谭伟敏颜波姚礼庆周平红钟芸诗; 关键词：结肠镜检查人工智能结肠息肉

全选清除导出

共1页<1>

颜波