约束恒模医学CT图像盲均衡算法
医学CT图像恒模盲均衡算法性能分析
Ｋｅ ｗｏ ｄ ：ｂ ｉｄｅ ｕ ｌ ａｉｎ； ｃ ｎｓａ ｔ ｏ ｕ ｅａｇ ｒ ｈ ； ＣＴ ａ ｅ ｃ ｓ ｎ ｔ ｎ ｙ ｒ ｓ ｌ ｑ ａｉ ｔ ｎ ｚ ｏ ｏ ｔｎ ｄ ｌ ｌｏ ｉ ｍ ｍ ｔ ｉ ｇ ； ｏ ｔ ｃｉ ｍ ｕ ｆ ｏ
了算 法的稳 态与动 态收敛性 能 ，理论上验证 了算法的可行性．计算机仿真表 明，该算法有效改善 了峰 值信噪 比和恢 复效果 ．增 强 了抗噪 声性 能的鲁棒性 ，提 高了运算效率． 关键词 ：盲均衡 ；恒模算法 ；Ｃ Ｔ图像 ；代价函数
中 图分 类 号 ：Ｔ ９ １ ３ Ｐ １． ７ 文 献 标 志 码 ：Ａ 文 章 编 号 ：０ ９ — １７ ２ １）２ １５ —６ ４ ３２ ３ （０ １ １—０ ７０
ｒ ｓｏ ａｉｎ ｉｔ ｎ — ｉ ｅ ｓｏ ａ ｌ ｄ ｅ ｕ ｌ ａｉ ｎ Ｔｈ ｏ ｓａ ｔ ｏ ｕ ｕ ｌ ｄ ｅ ｕ ｌ ａｉｎ ｃ ｓ ｕ ｃｉｎ ａ ｐｉｄ ｔ ｅ ｔ ｒｔ ｏ ｏ ｅ ｄｍ ｎ ｉ ｎ ｌ ｉ ｑ ａｉ ｔ ． ｅｃ ｎ ｔｎ ｄ ｌ ｓｂ ｉ ｑ ａｉ ｔｏ ｏｔｆ ｎ ｔｏ ｐ ｌｅ ｏ ｏ ｎ ｂ ｎ ｚ ｏ ｍ ｎ ｚ ｍ ｅ ｉａ ｄｃ ｌ ＣＴ ａ ｅｗａ ｏ ｎ ｅ ． ｅｓｇ ａ ｓｅ ｔ ｔｄｂ ｐ ｉ ｉｉｇｃ ｓ ｃｉｎ Ｔ ｅ ｉ ｇ ｓｆｕ ｄ ｄ Ｔｈ ｉｎ ｌ ｍ ｗａ ｓｉ ｅ ｙ ｏ ｔ ｚｎ ｏ ｔｕｎ ｔ ． ｈ ｎ， ｔｅｅ ｔ ｔｏ ｆｉ ａ ｅ ｍａ ｍ ｆ ｏ ｈ ｓｉ ｉｎ ｏ ｇ ｍａ ｍ ｗａ ｂ ａｎ ｄｂ ｃｅ ｓｎ ｉ ｎ ｉｎ Ｓ ａｉ ｎ ｙ ａ ｉ ｏ ｖ ｒ ｅ ｃ ｅｆ ｒ ｎ ｅｏ ｅａｇ ｒｔｍ ｓａ ａｙ ｅ ｓｏ ｔｉ ｅ ｙｉ ｒ ａ ｉｇｄ ｍｅ ｓｏ ． ｔｔ ａ ｄ ｄ ｎ ｍ ｃｃ ｎ ｅｇ ｎ ｅｐ ｒｏ ｍａ ｃ ｆｔ ｌ ｏ ｉ ｎ ｃ ｈ ｈ ｗａ ｎ ｌｚ ｄ， ｗｈ ｃ ｅ ｉ ｅ ｈ ｅ ｓｂｌ ｙ ｏ ｅ ａｇ ｒｔｍ ｎ ｔｅ ｒ ． ｍｐａｅ ｔ ｒ ｄｔ ｎ ｌｍｅｈ ｄ ， ｔ ｅｐ ｏ ｏ ｅ ｌｏ ｉ ｍ ｉｈｖ ｒｆ ｓｔ ｅｆａ ｉ ｉｔ ｆｔ ｌｏ ｉ ｉ ｉ ｈ ｈ ｉ ｈ ｏｙ Ｃｏ ｒｄ ｗｉ ｔａ ｉｏ ａ ｔ ｏ ｓ ｈ ｒ ｐ ｓ ｄａｇ ｒｔ ｈ ｉ ｈ
医学图像处理技术的算法与工具分析
医学图像处理技术的算法与工具分析医学图像处理技术是现代医学研究与临床诊断中重要的工具之一。
通过对医学图像的处理，可以提取并分析出图像中的关键特征，从而帮助医生做出准确的诊断和治疗决策。
本文将对医学图像处理技术的常见算法和工具进行分析。
医学图像处理技术的算法主要包括图像增强、图像分割、特征提取和图像识别等方面。
首先，图像增强是指通过增强图像的对比度和清晰度等属性，使得医生可以更容易地观察到图像中的细节信息。
其中，最常见的算法有直方图均衡化和滤波器。
直方图均衡化通过调整图像的亮度分布，使得图像的灰度级均匀分布，从而增强图像的对比度。
滤波器则可以通过去除图像中的噪声和模糊来提高图像的清晰度。
其次，图像分割是将医学图像中的感兴趣区域与背景区域进行区分的过程。
常见的图像分割算法包括阈值分割、边缘检测、区域生长和基于能量最小化的方法等。
阈值分割是将灰度图像根据一定阈值分成两个区域的方法，适用于图像中色彩对比明显的情况。
边缘检测则是通过检测图像中的边缘信息来实现分割。
区域生长和基于能量最小化的方法则可以根据像素之间的相似性进行区域的合并或分割。
特征提取是通过对医学图像中的关键特征进行提取和描述，来帮助医生进行诊断和分类判断。
常见的特征提取算法包括边缘检测、纹理特征提取和形态学特征提取等。
边缘检测可以提取出图像中的边缘信息，纹理特征提取可以描述图像中的纹理特征，形态学特征提取可以提取出图像中的形状信息。
这些特征可以用于图像的分类、定位和分析等任务。
图像识别是利用机器学习和人工智能等技术，对医学图像进行自动识别和分类的过程。
常见的图像识别算法包括支持向量机、神经网络和卷积神经网络等。
支持向量机是一种常见的监督学习算法，通过构建一个边界以将不同类别的样本分开。
神经网络和卷积神经网络则可以通过学习图像中的特征来进行自动识别和分类。
另外，在医学图像处理技术中，还有一些重要的工具被广泛应用。
MATLAB是一种常见的医学图像处理工具，提供了丰富的图像处理函数和算法，可以方便地实现各种图像处理任务。
时变步长恒模医学CT图像盲均衡算法
时变步长恒模医学CT图像盲均衡算法孙云山;张立毅;段继忠【期刊名称】《计算机工程》【年(卷),期】2011(037)022【摘要】提出一种基于误差信号峰度的自适应时变步长恒模医学CT图像盲均衡算法,通过降维处理将图像的恢复过程等效为一维盲均衡运算,构建行列等效变换的降维医学CT图像恒模盲均衡代价函数,利用误差信号蜂度控制步长因子,加快算法的收敛速度.仿真结果表明,该算法能改善恢复效果,减小稳态剩余误差.%A novel adaptive variable step-size constant module medical CT image blind equalization algorithm is proposed. The process of image restoration transformed by a linear operation is equivalent to one dimensional blind equalization. The constant modulus blind equalization cost function applied to medical CT image is founded. The kurtosis of error signal is utilized as step-size control factor to speed up the convergence and improve the performance of the algorithm. Computer simulations show that the algorithm improves peak signal to noise ratio, restoration effects and efficiency of operations, decreases state residual error, and speeds up the convergence.【总页数】3页(P193-195)【作者】孙云山;张立毅;段继忠【作者单位】天津大学电子信息工程学院,天津300072;天津商业大学信息工程学院,天津300134;天津大学电子信息工程学院,天津300072;天津商业大学信息工程学院,天津300134;天津大学电子信息工程学院,天津300072【正文语种】中文【中图分类】TP391【相关文献】1.基于行列变换的恒模医学CT图像盲均衡算法 [J], 孙云山;张立毅;段继忠2.基于输出信号峰度的时变步长恒模盲均衡算法的研究 [J], 张立毅;吴青松;张晓琴;刘婷;王华奎3.均方误差控制步长恒模医学CT图像盲均衡算法 [J], 孙云山;张立毅;段继忠4.基于误差信号峰度的时变步长恒模盲均衡算法 [J], 张立毅;刘婷;王华奎;滕建辅5.医学CT图像恒模盲均衡算法性能分析 [J], 孙云山;张立毅;段继忠因版权原因，仅展示原文概要，查看原文内容请购买。
模糊神经网络控制的混合小波神经网络盲均衡算法
模糊神经网络控制的混合小波神经网络盲均衡算法郭业才1,2,王丽华2(1.南京信息工程大学电子与信息学院,江苏南京210044;2.安徽理工大学电气与信息学院,安徽淮南232001)摘 要: 针对传统恒模算法(C MA)收敛速度与均方误差之间的矛盾,提出了模糊神经网络控制的混合小波神经网络(FHWNN)盲均衡算法.该算法在小波神经网络输入层之前级联一个横向滤波器,将横向滤波器的节点输出分为实部和虚部两路经过小波神经网络后再合成为一路复数信号;利用模糊神经网络(FNN )设计的模糊规则控制小波函数的尺度因子和平移因子的迭代步长,以提高步长控制的精度;通过常数模代价函数分别获得横向滤波器和小波神经网络的权系数迭代公式.理论分析与仿真结果表明,该算法具有较快的收敛速度和较小的稳态误差,较好地克服了收敛速度与均方误差之间的矛盾.关键词: 盲均衡;水声信道;复数系统;模糊控制;混合小波神经网络中图分类号: TN911 72 文献标识码: A 文章编号: 0372 2112(2011)04 0975 06A Hybrid Wavelet N eu ral Network Blind Equaliza tionAlgorithm Based on Fuzzy Con trollingGUO Ye cai 1,2,W HANG Li hua 2(1.College o f Elec tronic and Information Enginee ring ,Nanjing U ni versity o f In formation Sc ie nce and Te chnology ,Nan j ing ,Jiangsu 210044,china ;2.School o f Elec trical and Information Enginee ring ,Anhui U ni versity o f Sc ie nce and Te chnolo gy,Huainan ,Anhui 232001,China)Abstract: Aiming at the contradiction between the convergence rate and mean square error of traditional Constant M odulus A lgorithm (CM A),a hybrid wavelet neural network blind equalization algorithm based on fuzzy neural network contro lling (FH WNN)is proposed.In this proposed algorithm,a transversal filter is cascaded to the front end of the wavelet network input layer,outputs of the transversal filter nodes are divided into real and imag i nary parts,these two parts signals are merged into one complex signal after passing wavelet network.The proposed algorithm can impro ve the control precision of step size via using fuzzy rules of Fuzzy Neu ral Network (FNN)to control the step size of scale factor and dis placement factor of the WNN.The weight coefficients iterative formulas of the transversal filter and the wavelet neural network are obtained via cons tant modulus cost function.The theory analysis and simulation result demonstrate that the proposed algorithm has fas ter convergence rate and smaller steady state error.Ac cordingly ,it can o vercome the contradiction between the convergence rate and mean square error effectively.Key words: blind equalization;u nderwater acoustic channels;complex system;fuzzy contro lling ;hybrid wavelet neu ral net work1 引言在水声通信系统中,信道的多径衰落和畸变产生的码间干扰(I SI,Inter Symbol Interfere nce),降低了系统的性能,影响着通信质量.抑制码间干扰的有效方法是采用不需训练序列的盲均衡技术[1~3].盲均衡技术的本质是通过设计性能优越的算法来调整均衡器参数,是一个求逆系统的非线性逼近问题;而小波神经网络(W NN,Wavelet Neural Network)将神经网络的自学习功能和小波的时频局域化性质结合起来,具有自适应分辨性和良好的容错能力[4].而采用传统WNN 的盲均衡算法,仍然存在收敛速度慢和容易陷入局部极小值的缺陷[5~7].模糊神经网络(FNN,Fuzzy Neural Network)汇集了模糊理论与神经网络的优点,集学习、联想、识别、自适应及模糊信息处理于一体,具有计算简便、容错能力强、处理信息范围大、学习速度快等优点[8,9].因此,将F NN 与WNN 相结合应用于盲均衡算法中,将是有研究意义的课题.本文在充分利用WNN 和FNN 优点的基础上,提收稿日期:2010 04 26;修回日期:2010 07 12基金项目:全国优秀博士学位论文作者专项资金(No.200753);安徽省高等学校自然科学基金(No.KJ 2010A096);江苏省自然科学基金(No.BK2009410);江苏省高等学校自然科学基金(No.08KJ B510010);江苏省 六大人才高峰 培养对象(No.2008026)第4期2011年4月电 子 学 报ACTA ELECTRONICA SINICA Vol.39 No.4Apr. 2011出了模糊神经网络控制的混合小波神经网络盲均衡算法(FHWNN,F NN c ontroller based Hybrid WNN).该算法用小波元代替神经元,通过仿射变换建立起小波变换和网络参数之间的关系;用混合小波神经网络(HW NN,Hybrid WNN)结构中的前向横向滤波器实现对信道线性特性的补偿,用W NN 实现对信道非线性特性的补偿;用F NN 控制器对小波函数中的尺度因子和平移因子进行调整;从而提高了系统的灵活性,避免了易陷入局部极小值的困境.水声信道的仿真结果,验证了FHWNN 算法的有效性.2 模糊神经网络控制的小波神经网络盲均衡算法根据W NN 和F NN 的优点,本文利用FNN 来调整网络神经元小波函数中平移因子和尺度因子的迭代步长,并以均方误差E(n)=MSE(n)(MSE(n)为n 时刻的均方误差)与均方误差的偏差 E (n)=MSE(n)-MSE(n -1)作为模糊神经网络控制器的输入.FHWNN 原理,如图1所示.图1中,x (n)为发送信号序列,h(n)为未知信道,N (n)为信道的加性高斯白噪声,y (n)为改进的混合小波神经网络的输入, x (n)为判决器的判决输出.盲均衡算法就是依赖观测序列y (n)实现对发送信号x (n)的无失真恢复.结合常数模盲均衡算法,则WNN 盲均衡算法的代价函数[10]为J =12(| x (n)|2-R C M )2(1)式中,R CM =E[|x (n)|4]/E[|x (n)|2].图1中,改进的混合小波神经网络决定着盲均衡算法中神经网络的输入;模糊神经网络控制器控制改进的混合小波神经网络中小波函数的尺度因子和平移因子的迭代步长.下面将分别讨论这两部分.2 1 改进的混合小波神经网络盲均衡算法混合小波神经网络(HWNN )盲均衡算法是在WNN输入层之前级联一个横向滤波器[11],其不足之处有: 横向滤波器各节点输出直接作为W NN 输入层相应神经元的输入,即WNN 输入层各神经元的输入之间没有任何联系; 没有把信号的实部与虚部分开考虑,不适用于PSK 、QAM 等复数调制系统; 对小波函数中尺度因子和平移因子的迭代步长没有进行模糊控制与调整,从而影响了系统处理信息的灵活性和速度,均衡性能较差.因此,本文针对HWNN 的缺陷,提出一种改进的HWNN 结构,如图2所示.图2中,横向滤波器构成了网络的线性部分,而WNN 构成了非线性部分.设横向滤波器第i 个抽头系数为c i (n)(i =1,2, ,m,m 为HWNN 输入层神经元的个数,下同);HWNN 输入层第i 个神经元的输入为T i (n),隐层第k 个神经元的输入为u k (n),输出为Q k (n)(k =1,2, ,p ,p 为HWNN 隐层神经元的个数,下同);输出层的输入为g (n),输出为 x (n);输入层第i 个神经元至隐层第k 个神经元的连接权重为w i k (n),隐层第k 个神经元至输出层的连接权重为v k (n).为了使该算法适用于复数系统,将网络的信号、信道、权值等分解为实部和虚部两部分,则网络的状态方程为c i (n)=c i ,R (n)+j c i,I (n)(2)式中,c i,R (n)为c i (n)的实部,c i,I (n)为c i (n)的虚部,下同.w i k (n)=w ik,R (n)+j w ik,I (n)(3)v k (n)=v k,R (n)+j v k ,I (n)(4)y (n)=y R (n)+j y I (n)(5)T i (n)=it=1c t (n)y(n +1-t )= i t=1(c t,R (n)y R (n +1-t)-c t,I (n)y I (n+1-t ))+jit=1(c t,R (n)y I (n +1-t )+c i,I (n)y R (n+1-t ))(6)u k (n)=mi=1w i k (n)T i (n)=mi=1[w i k ,R (n)T i ,R (n)-w i k,I (n)T i,I (n)]+j mi=1[w ik,R (n)T i,I (n)-w ik,I (n)T i ,R (n)](7)Q k (n)= a,b (u k,R (n))+j a,b (u k,I (n))(8)976 电 子 学 报2011年式中, a,b ( )表示对隐层输入信号进行小波变换,这里选择Morle t 小波母函数,则a,b (u k,R (n))=|a |-12 u k,R(n)-ba=|a |-12u k,R (n)-b ae-12u k,R (n)-ba2(9)式中,b 为平移因子,a 为尺度因子.将式(9)中u k,R (n)换成u k,I (n)就得到 a,b (u k,I (n))的表达式.小波神经网络的输出为 x 2(n)=pk=1[v k,R (n)Q k,R (n)-v k,I (n)Q k ,I (n)]+jpk =1[v k ,R (n)Q k,I (n)+v k,I (n)Q k,R (n)](10)横向滤波器的输出为x 1(n)=c T i (n)y(n +1-i ),i =1,2, ,m (11)将 x 1(n)和 x 2(n)加权融合,得g(n)= x 1(n)+ x 2(n)(12)式中,0 , 1,为加权因子,并且满足 + =1.改进的HWNN 最终输出为x (n)=f (g(n))=g(n)+ sin( g(n))(13)式中,f ( )为输出层的输入和输出之间的传递函数,控制着整个网络的输出,要具有平滑、渐近、单调特点,并有利于对输入序列进行判别.f ( )的作用是对信号值在一定范围内进行修正,使其更接近于原信号g(n),其中 sin( g(n))是以g (n)为自变量的非线性修正项,它使得在原信号中心点附近左右摆信号向原信号靠拢. 的取值影响着f ( )对输出信号的调整速度.在实际的应用中,不同的信号和信道, 的选择应不同[12].根据误差反传算法和随机梯度下降算法实现对小波网络参数的更新调整,推导后可以得到小波神经网络隐层到输出层的连接权重更新公式为v k (n +1)=v k (n)- 1J (n)v k (n)(14)式中, 1为迭代步长.J (n)v k (n)=2 e(n)| x R (n)+j x I (n)|x (n) v k ,R (n)+j x (n)v k,I (n)(15)x (n) v k,R (n)=1| x (n)|[f (g R (n))f (g R (n))Q k,R (n)+f (g I (n))f (g I (n))Q k,I (n)](式中,f ( )为导数,下同.同理x (n) v k ,I (n)=1| x (n)|[-f (g R (n))f (g R (n))Q k,I (n)+f (g I (n))f (g I (n))Q k,R (n)](17)把式(15)~(17)代入式(14)中,即可得小波网络隐层到输出层连接权重的更新公式为v k (n +1)=v k (n)+ 1K (n)Q *k (n)(18) K (n)=-2 e(n)[f (g R (n))f (g R (n))+j f (g I (n))f (g I (n))](19)式中, 1为迭代步长,*为共轭.同理,输入层至隐层连接的权重更新公式为w ik (n +1)=w ik (n)+ 2K 0(n)T *i (n)(20)式中, 2为迭代步长.K 0(n)= e(n)a,b (u k,R (n))Re {[f (g R (n))f (g R (n))+j f (g I (n))f (g I (n))]v *k (n)}+j e(n) a,b (u k ,I (n))I m {[f (g R (n)) f (g R (n))+j f (g I (n))f (g I (n))]v *k (n)}(21)尺度因子a 和平移因子b 的更新公式为a(n +1)=a(n)- 3J (n)a(n)(22)b(n +1)=b(n)- 4J (n)b(n)(23)式中, 3, 4为迭代步长.J (n)a(n)=2 e(n)| x R (n)+j x I (n)| | x R (n)| a(n)+j| x I (n)| a(n)(24)式中 | x R (n)| a(n)=1| x (n)|[f (g R (n))f (g R (n))g R (n) a(n)+f (g I (n))f (g I (n)) g I (n)a(n)](25)g R (n) a(n)=v k,R (n)a,b (u k,R (n)) a(n)-v k,I (n) a,b (u k,I (n))a(n)(26)g I (n) a(n)=v k,R (n)a,b (u k,I (n)) a(n)+v k,I (n) a,b (u k,R (n))a(n)(27)a,b (u k,R (n))a(n)=-|a |-12(u k,R (n)-b)2e -12u k,R (n)-b a2977第 4 期郭业才:模糊神经网络控制的混合小波神经网络盲均衡算法将式(28)中的u k,R (n)换成u k,I (n )即可得到 a,b (u k,I (n))a(n)的表达式;按照式(25)的推导过程,可得 | x I (n)| a(n)的表达式(限于篇幅,这些表达式省略).把式(24)~(28)代入式(22)即得尺度因子a 的迭代公式.同理,可以得到关于平移因子b 的迭代公式.根据以上的公式,完成了对小波神经网络中小波函数尺度因子和平移因子的更新,从而进行盲均衡.2.2 模糊神经网络控制器在模糊神经网络控制器中,具有一个输入变量和一个输出变量的控制器称为单变量模糊神经网络控制器,其输入量个数称为模糊控制器的维数.维数越高、控制越精细;但维数过高,模糊控制规则就越复杂,控制器的实现就越困难[8].本文采用单变量模糊控制器结构中的二维模糊控制器,其输入量是均方误差E(n)=MSE(n)及其变化量 E (n)=MSE(n)-MSE(n -1).以步长 的变化值 作为输出量,它比一维控制器的控制效果好,且易于计算机实现.其结构如图3所示.此模糊神经网络(FNN )的模糊规则设计为规则1:如果 E(n)为正且E(n)大,则 正大;规则2:如果 E(n)为正且E(n)中,则 零;规则3:如果 E(n)为正且E(n)小,则 负小;规则4:如果 E(n)为零且E(n)大,则 正小;规则5:如果 E(n)为零且E(n)中,则 零;规则6:如果 E(n)为零且E(n)小,则 负小;规则7:如果 E(n)为负且E(n)大,则 正小;规则8:如果 E(n)为负且E(n)中,则 零;规则9:如果 E(n)为负且E(n)小,则 负大.FNN 控制器各层的处理过程如下:第一层 输入层,以E(n)和 E(n)作为步长的控制器输入量.I (1)1(n)= E(n)=MSE(n)-MSE(n -1)(29)I (1)2(n)=E(n)=MSE(n)(30)O (1)i j (n)=I (1)i (n)(31)式中,i =1,2为FNN 的输入个数,j =1,2,3为模糊域,I (t)、O (t)分别为FNN 第t(t =1,2, ,5)层的输入与输出,下同.第二层 模糊化层I (2)i j (n)=O (1)i j (n)(32)O (2)i j (n)=e xp -I (2)ij (n)-m (2)i j (n)(2)i j (n)2(33)式中,m (2)i j (n)和 (2)ij (n)分别表示输入空间模糊域的期望与方差.为了计算方便,在本文中采用固定的中心(m i j (n))和宽度( ij (n)).第三层 规则层I (3)i j (n)=O (2)i j (n)(34)O (3)l = I (3)i j (n)(35)式中,l =1,2, ,9表示模糊规则的前件数.第四层 选择层,即从第三层的输出中选择一路最大的值作为该层的输出,即O (4)=max (O (3)l )(36)第五层 归一化层O (5)=O (4)(i)(37)式中, (i )控制量,主要用来调整该层的输出,完成规则的后部分.第六层 解模糊层=O (6)=O (5) MSE(n)(38)式(22)、(23)中的迭代步长将分别变为 3+ 、 4+ .这就构成了用FNN 控制器来控制小波函数中尺度因子和平移因子迭代步长的盲均衡算法,且MSE(n)的引入使步长的改变量与均方误差相对应.综上所述,利用FNN 在控制方面的优势,来控制神经网络隐层神经元小波函数的平移因子和尺度因子的迭代步长.其主要思路是利用神经网络调整模糊逻辑推理系统的隶属函数和调整推理规则,利用模糊推理规则的形式构造前向传播结构,从而可以充分发挥各自的特点,实现功能互补.3 计算机仿真及分析为了验证FHW NN 算法的有效性,利用水声信道进行仿真实验,并与小波变换常数模算法(WTCMA)、WNN 及HWNN 算法进行比较.实验中,水声信道的传递函数为c =zeros (1,1001);c (1)=0 076;c (2)=0 122;c(1001)=1;发射信号为16QAM,信噪比为20dB,均衡978 电 子 学 报2011年器的权长均为32.对WTCMA均衡器,第7个抽头初始化为1,步长W TCM A=0 003,采用DB2小波分解,分解层数为2,功率初始化为4;对WNN均衡器,采用1/4抽头, W NN=0 52,小波函数中尺度因子和平移因子的初始化为aW NN=5 5、b W NN=0 0075;对HWNN均衡器,采用1/4抽头,横向滤波器也采用1/4抽头,步长 =0 0001,小波函数中尺度因子和平移因子的初始化a HW NN=7 5、b HW NN=0 0098,加权因子为 HW NN=0 98,HW NN=0 02, HW NN=3.8;对F HWNN均衡器,采用1/4抽头,横向滤波器也采用1/4抽头,步长F HW NN=0 0001,小波函数中尺度因子和平移因子的初始化为a F HW NN=7 5、b F HW NN=0 0098,加权因子为 F HW NN=0 95, F HW NN=0 05, F HW NN=3 65.500次蒙特卡诺的仿真结果,如图4所示.图4表明,与W TCMA、WNN和HWNN相比,F HW NN收敛速度分别加快了100步、3000步和300步;稳态误差分别减小了12dB、3dB和1 5dB;输出星座图更加清晰、紧凑.此外,与传统的小波神经网络盲均衡算法相比较,从算法的计算效率上看:在时间复杂度上,模糊神经网络控制的混合小波神经网络(F HWNN)盲均衡算法每次迭代过程仅增加了L次乘法运算(其中L为横向滤波器的阶数,等于小波网络的输入单元数);在空间复杂度上,仅增加了L+1个存储单元.4 结论将小波神经网络、模糊神经网络与传统的盲均衡算法相结合,提出了模糊神经网络控制的混合小波神经网络(F HWNN)盲均衡算法.该算法融合了小波变换良好的时频局域性质、神经网络的自学习功能及模糊运算,在加权融合处理的基础上,实现了线性寻优和非线性寻优的组合,并适用于复数通信系统.理论分析与仿真表明,F HWNN盲均衡算法,在增加有限计算复杂度的前提下,具有更快的收敛速度、更小的稳态误差,较好地克服了这两者之间的矛盾.参考文献[1]肖瑛.基于水声信道盲均衡算法研究[D].黑龙江哈尔滨:哈尔滨工程大学,2006.Xiao Ying.Res earch on Bli nd Equalization A lgorithm in Un derwater Acoustic Channel[D].Haerbin,Heilongjiang:Harbin Engineering University,2006.(in Chinese)[2]郭业才,张艳萍.一种适用于高阶QAM信号的双模式多模盲均衡算法[J].系统仿真学报,2008,20(6):1423-1426.Guo Y e cai,Zhang Yan ping.Dual mode multi modulus blind equalization algorithm for high order QAM signals[J].Journal of System Simulation,2008,20(6):1423-1426.(in Chinese) [3]Hyoung Nam Kim,Su ng Ik Park,Jae Moung Kim.Near optimum blind decision feedback equalization for AT SC digital television Receivers[J].E TRI Journal,2004,26(2):101-111.[4]Zhang Q H,Benveniste A.Wavelet networks[J].IEEE Transactions on Neural Networks,1992,3(6):889-898.[5]Rahib H.Abiyev.Neuro fuzzy system for equalization channeldistortion[J].International Journal of Computational Intelli gence,2005,1(4):229-232.[6]刘国军,唐降龙,黄剑华,刘家峰.基于模糊小波的图像对比度增强算法[J].电子学报,2005,33(4):643-647.Liu G uo jun,Tang X iang long,Huang Jian hua,Liu Jia feng.An image contras t enhancement approach based on fuzzy wavelet[J].Acta Electronica Sinica,2005,33(4):643-647.(in Chinese)[7]桂延宁,焦李成,张福顺.基于小波和BP神经网络的无线电探测目标识别技术[J].电子学报,2003,31(12):1811-1814.Gui Yan ning,Jiao Li cheng,Zhang Fu shun.A technique of recognition for radio detected target bas ed on wavelet and neu ral network theory[J].Acta Electronica Sinica,2003,31(12): 1811-1814.(in Chinese)[8]张晓琴.基于模糊神经网络盲均衡算法的研究[D].沈阳太原:太原理工大学,2008.979第 4 期郭业才:模糊神经网络控制的混合小波神经网络盲均衡算法Zhang Xiao qin.The Research of Blind Equalization Algorithm Based on the Fuzzy Neural N etwork[D].Taiyuan,Shenyang: Taiyuan University of Technology,2008.(in Chinese)[9]徐小来,雷英杰,谢文彪.基于U KF的自组织直觉模糊神经网络[J].电子学报,2010,28(3):638-645.Xu Xiao lai,Lei Ying jie,Xie Wen biao.Self organizing intu itionistic fuzzy neural networks bas ed on UKF[J].Acta Elec tronica Sinica,2010,28(3):638-645.(in Chinese)[10]Li X L,Z hang X D.A family of generalized constant modulusalgorithms for blind equalization[J].IEEE Transactions on Communications,2006,54(11):1913-1917.[11]肖瑛,董玉华.一种级联混合小波神经网络盲均衡算法[J].信息与控制,2009,38(4):479-483.Xiao Y ing,Dong Yu hua.A blind equalization by cascaded hybrid wavelet neural network[J].Information and Control, 2009,38(4):479-483.(in Chinese)[12]牛晓薇.基于小波神经网络理论盲均衡算法的研究[D].山西太原:太原理工大学,2004.Niu X iao wei.Study on Bli nd Equalization A lgorithm Based on Wavelet Neu ral Network Theory[D].Taiyuan,Shanxi: Taiyuan University of Techno logy,2004.(in Chinese)作者简介郭业才 男.1962年生于安徽安庆.博士、教授、博导.2006年全国优秀博士学位论文获得者.主要研究方向为智能信息处理与通信系统、气象通信安全与技术、生物医学信息与图像处理等.E mail:guo yecai@王丽华 女.1985年12月出生于安徽蚌埠.现为安徽理工大学在读研究生,研究方向为智能信号处理与通信系统.E mail:wlihua-510@163.c om(上接第974页)[7]P V adakkepat,O C Miin,X Peng,T H Lee.Fuzzy behaviorbased control of mobile robots[J].IEEE Transactions on Fuzzy Systems,2004,12(4):559-564.[8]M Mucientes,D L M oreno,A Bugarin,S Barro.Design of afuzzy controller in mobile robotics using genetic algorithms[J].Applied Soft Compu ting,2007,7(2):540-546.[9]R Huq,G K I.M ann,R G Gosine.Mobile robot navigation usingmotor schema and fuzzy context dependent behavior modula tion[J].Applied Soft Computing,2008,8(1):422-436. [10]Nelson H C,Yung Cang Ye.An i ntelligent mobile vehiclenavigation based on fuzzy logic and reinforcement learning[J].IEEE Trans on Sys Man Cybern Part B:Cyberetics,1999,29(2):314-321.[11]D K Pratihar,W.Bibel,Near optimal,collision free path generation for multiple robots working in the same workspace us ing a genetic fuzzy systems[J].Machine Intelligence and Robotic Control,20035(2):45-58.[12]刘先恩,赵学敏,李岩,等.基于多传感器的移动机器人路径规划[J].计算机工程,2008,34(8):213-215.Liu X ian en,Zhao Xue mi n,L i Yan.Path planning for mobile robot based on multi sensors[J].Computer Engineering,2008, 34(8):213-215.(in Chinese)980 电 子 学 报2011年。
基于空间约束的模糊C均值聚类肝脏CT图像分割
基于空间约束的模糊C均值聚类肝脏CT图像分割王荣淼; 张峰峰; 詹蔚; 陈军; 吴昊【期刊名称】《《计算机应用》》【年(卷),期】2019(039)011【总页数】4页(P3366-3369)【关键词】模糊C均值算法; 空间约束; 图像分割; 肝脏CT; 灰度不均匀; 边界泄露【作者】王荣淼; 张峰峰; 詹蔚; 陈军; 吴昊【作者单位】苏州大学机电工程学院江苏苏州215131; 苏州大学苏州纳米科技协同创新中心江苏苏州215123; 苏州大学附属第一医院江苏苏州215006【正文语种】中文【中图分类】TP317.40 引言医学图像分割一直以来都是一个具有挑战性的研究课题，在计算机辅助诊断和科学研究中占据着重要的地位。
准确并且有效地从CT图像中分割出肝脏组织是肝脏三维可视化技术中的关键[1]。
CT图像不可避免地存在有噪声并且具有灰度不均匀等特点，使得CT图像分割本身具有难度[2]。
此外肝脏具有复杂的解剖结构，与多个软组织器官相毗邻，轮廓大小随着切片变化，形状也各不相同，使得肝脏图像分割成为一项具有挑战性的任务[3-4]。
模糊C均值(Fuzzy C-Means, FCM)算法是一种基于灰度信息的无监督聚类算法，具有实现简单、运算速度快的优点，被广泛运用于医学图像分割领域[5-6]。
传统的FCM算法在图像分割过程中很难滤除噪声的影响，导致分割结果不够理想。
鉴于上述问题，研究者采取了两类方式来优化FCM算法。
第一种是在模糊隶属度概念上进一步做扩展。
Chaira 等[7]考虑到像素在分类时存在不确定性因素，使用单一的隶属度无法准确描述该不确定信息，因此引入直觉模糊集作为扩展得到直觉模糊C均值(Intuition Fuzzy C-means, IFCM)算法，利用犹豫度来描述该不确定信息，结果表明单个像素被更准确地划分，图像细节也被完整地保留。
另一种优化是在FCM算法的基础上结合邻域空间信息以增强对图像中噪声以及灰度不均匀的鲁棒性: Mohamed等[8]使用模糊逻辑估计强度不均匀性，利用邻域信息作为正则化项来优化FCM算法中的目标函数从而补偿图像强度不均匀性，该方法很好地克服了椒盐噪声的影响; Chen等[9]在Mohamed的基础上对算法作出计算优化并且提出了利用空间信息为约束、以内核诱导距离代替传统算法以欧氏距离为测度的FCM优化算法，从而达到抗噪声的效果; Zheng等[10]用自适应的局部窗口计算的邻域信息代替图像的全局信息优化了基于邻域信息的FCM算法，但是自适应窗口的实现复杂度较高; Li等[11]在FCM目标函数中增加了偏差场正则化项来解决图像灰度不均匀带来的影响，但是迭代过程中需要额外更新偏差场，增加了计算量。
医学图像处理的基本算法及实现方法
医学图像处理的基本算法及实现方法医学图像处理是指将医学图像进行数字化处理和分析，以获取更多有用信息，帮助医生做出准确的诊断和治疗决策。
在医学领域，图像处理的技术应用广泛，包括但不限于CT扫描、MRI、X光和超声图像等。
本文将介绍医学图像处理的基本算法及实现方法。
一、图像增强算法及实现方法图像增强是医学图像处理中最基本也是最常用的技术之一，它用于提高图像的质量，使人眼更容易观察和分析医学图像。
常用的图像增强算法包括线性和非线性滤波、直方图均衡化、空间滤波和频域滤波等。
1. 线性和非线性滤波线性滤波是将图像与一个滤波器进行卷积运算，通过滤波器的权值调整像素的亮度值，以达到图像增强的目的。
非线性滤波是根据像素与其周围像素的关系进行像素值的调整，例如中值滤波和最大最小滤波等。
2. 直方图均衡化直方图均衡化是通过调整图像的灰度分布，使其在整个灰度范围内达到均匀分布。
该方法能够增强图像的对比度，突出图像中的细节。
3. 空间滤波和频域滤波空间滤波是通过卷积运算对图像进行滤波处理，常用的空间滤波器有均值滤波器、高斯滤波器和锐化滤波器等。
而频域滤波是通过将图像转换到频域进行滤波处理，常用的频域滤波器有低通滤波器和高通滤波器等。
二、图像分割算法及实现方法图像分割是将医学图像中感兴趣的区域从背景中分离出来的过程，它是图像分析和模式识别的基础。
常用的图像分割算法包括阈值分割、边缘检测和基于聚类的分割等。
1. 阈值分割阈值分割是根据图像的像素灰度值进行分类，与预先设置的阈值进行比较，从而实现图像的分割。
它简单易行且计算效率高，适用于对比较明显的目标进行分割。
2. 边缘检测边缘检测是通过分析图像中像素值的变化来找到图像中的边缘。
常用的边缘检测算法有Sobel、Prewitt和Canny算法等。
边缘检测可以帮助医生找到重要的结构边界，如器官边界和病变区域。
3. 基于聚类的分割基于聚类的分割是根据图像上的相似性对像素进行聚类，将图像分成不同的区域。
移动通信中的盲均衡算法研究
移动通信中的盲均衡算法研究张薇薇【摘要】针对移动通信中的多径传播造成码间干扰而需要进行均衡补偿的问题，对当前盲均衡算法进行了分析，重点讨论了常用的固定步长恒模算法及变步长恒模算法，结果证明：变步长恒模算法在收敛速度和稳态剩余误差方面比恒模算法具有更好的性能。
%For inter--symbol interference caused by multipath propagation in mobile communication, the issue of isostatic compensation is needed. The blind equalization algorithm is analyzed, the commonly used fixed step size constant modulus algorithm and variable step size constant modulus algorithm are discussed. Results show that the variable step size constant modulus algorithm has better performance in convergence speed and steady--state residual error than that of the constant modulus algorithm.【期刊名称】《物联网技术》【年(卷),期】2011(001)009【总页数】3页(P73-74,78)【关键词】移动通信;多径传播;盲均衡;恒模算法【作者】张薇薇【作者单位】西安邮电学院,陕西西安710121【正文语种】中文【中图分类】TN9110 引言近年来，移动通信技术得到了迅猛发展和广泛应用，已成为信息与通信学科中最活跃的研究领域之一。
而移动通信也面临着自身特有的问题，其中主要是传输电磁波会在无线信道中受到建筑物的遮拦而产生反射、散射、绕射，结果会造成发送信号会由不止一条路径到达接收端，称之为多径传播。
基于空间约束的模糊c均值聚类肝脏ct图像分割
Abstract： Traditional Fuzzy C-Means (FCM) clustering algorithm only considers the characteristics of a single pixel when
Journal of Computer Applications 计算机应用,2019, 39(11): 3366 - 3369
ISSN 1001-9081 CODEN JYIIDU
2019-11-10 http://www. joca. cn
文章编号：1001-9081(2019)11-3366-04
关键词:模糊C均值算法；空间约束；图像分割；肝脏CT；灰度不均匀；边界泄露 中图分类号:TP317.4 文献标志码:A
Liver CT images segmentation based on fuzzy C-means clustering with spatial constraints
WANG Rongmiao1, ZHANG Fengfeng1'2*, ZHAN Wei3, CHEN Jun1, WU Hao1
applied to liver CT image segmentation, and it can not overcome the influence of uneven gray scale and the problem of boundary leakage caused by blurred liver boundary. In order to solve the problems, a Spatial Fuzzy C-Means ( SFCM) clustering segmentation algorithm combined with spatial constraints was proposed. Firstly, the convolution kernel was constructed by using two-dimensional Gauss distribution function, and the feature matrix could be obtained by using the convolution kernel to extract the spatial information of the source image. Then, the penalty term of spatial constraint was introduced to update and optimize the objective function to obtain a new iteration equation. Finally, the liver CT image was segmented by using the new algorithm. As shown in results, the shape of liver contour splited by SFCM is more regular when segmenting liver CT images with gray unevenness and boundary leakage. The accuracy of SFCM reaches 92. 8%, which is 2. 3 and 4. 3 percentage points higher than that of FCM and Intuitionistic Fuzzy C-Means (IFCM). Also, over-segmentation rate o£ SFCM is 4. 9 and 5. 3 percentage points lower than that o£ FCM and IFCM.
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
约束恒模医学CT图像盲均衡算法
孙云山;张立毅;段继忠
【期刊名称】《计算机应用》
【年(卷),期】2011(31)6
【摘要】In order to improve the Peak Signal-to-Noise Ratio (PSNR) of images, and to raise the reliability and restoration effects of the algorithm, the degradation and restoration process of image was transformed by a linear transform to be equivalent to one dimensional convolution. A constraint constant modulus cost function of blind equalization applied to medical CT images was founded, and its convexity was proved. A blind equalization algorithm based on dimension reduction was proposed. Computer simulations demonstrate the effectiveness of the algorithm. Matrix inversion is avoided to improve the efficiency of operations.%为了改善图像的峰值信噪比,提高算法的可靠性和恢复效果,利用线性变换将图像的恢复过程等效为一维盲均衡运算,建立了医学CT图像约束恒模代价函数,并分析了其凸性,提出一种基于信号降维处理的医学CT图像盲均衡算法.仿真结果验证了算法的有效性,新算法的迭代过程避免了矩阵逆运算,提高了运算效率.
【总页数】3页(P1575-1577)
【作者】孙云山;张立毅;段继忠
【作者单位】天津商业大学信息工程学院,天津300134;天津大学电子信息工程学院,天津300072;天津商业大学信息工程学院,天津300134;天津大学电子信息工程学院,天津300072;天津大学电子信息工程学院,天津300072
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于行列变换的恒模医学CT图像盲均衡算法 [J], 孙云山;张立毅;段继忠
2.时变步长恒模医学CT图像盲均衡算法 [J], 孙云山;张立毅;段继忠
3.均方误差控制步长恒模医学CT图像盲均衡算法 [J], 孙云山;张立毅;段继忠
4.医学CT图像恒模盲均衡算法性能分析 [J], 孙云山;张立毅;段继忠
5.改进恒模盲均衡在医学CT图像盲恢复中的应用 [J], 孙云山;张立毅;张锦;段继忠因版权原因，仅展示原文概要，查看原文内容请购买。