基于信息融合的目標檢測和PET目標重建方法.pdf

1、目標檢測和PET目標重建是當今計算機科學領(lǐng)域研究的兩個熱門問題。目標檢測是確定目標或者其成分的位置輪廓以及姿態(tài)的過程，因而成為很多重要計算機視覺問題的前提和基礎(chǔ)。PET通過接收γ光子達到確定核素分布的目的，因而PET目標重建可以為癌癥的前期診斷提供強有力的依據(jù)。由此可見，目標檢測和PET目標重建在計算機科學領(lǐng)域都起著舉足輕重的作用。
　　基于信息融合的目標檢測由于集成了多方面的信息從而達到了更好的檢測效果，本文的研究重點一基于部件

2、的目標檢測正是一類典型的利用信息融合來進行目標檢測的方法。然而目前基于部件的目標檢測方法的精度和魯棒性還有待提高，該方法還不能適用于更加復(fù)雜多變的環(huán)境，本文針對這些問題提出了一系列的改進方法，屬于特征級的信息融合方式。基于信息融合的PET目標重建大多采用旋轉(zhuǎn)的方式采集目標多個角度的投影來對目標進行精確重建，然而目前旋轉(zhuǎn)PET系統(tǒng)還存在著很難精確估計系統(tǒng)矩陣、旋轉(zhuǎn)精度要求過高等缺點，本文針對這些問題設(shè)計了一種新的旋轉(zhuǎn)PET系統(tǒng)，屬于數(shù)據(jù)級

3、的信息融合方式。因此，本文的研究內(nèi)容主要包括以下幾個部分:
　　1)針對基于部件的目標檢測模型依然受到目標遮擋影響的問題，提出了一種基于部件的目標檢測模型來專門處理部件遮擋問題。本文對傳統(tǒng)的形狀信息模型、局部紋理信息模型進行了改變以適用于遮擋的檢測環(huán)境，并對目標遮擋的先驗進行了建模，同時加入了懲罰項來更好地約束假設(shè)空間。在檢測階段，本文采用內(nèi)層推理和外層推理相互迭代方式來達到最小化目標函數(shù)的目的，且在此過程中加入了可用性驗證來避免

4、不正確的檢測結(jié)果。實驗結(jié)果表明，在沒有遮擋的情況下，本文方法可以在很少的迭代次數(shù)內(nèi)獲得不錯的檢測結(jié)果，在存在遮擋且大多數(shù)的部件被遮擋的情況下，本文方法仍然可以達到令人滿意的檢測精度。
　　2)針對目標旋轉(zhuǎn)的問題，提出了一種新的具有任意角度旋轉(zhuǎn)不變性的部件檢測模型。為了完全剔除目標旋轉(zhuǎn)對部件檢測帶來的影響，本文設(shè)計了一種新的形狀信息模型，這種模型采用部件之間的距離作為形狀特征。在檢測過程中采用置信度傳播算法進行推理，為了保證置信度的

5、計算可以在線性的時間復(fù)雜度內(nèi)完成，本文對泛化的距離變換進行了擴展。實驗結(jié)果表明，本文方法的性能在不同角度旋轉(zhuǎn)和不同形狀信息權(quán)重的情況下是恒定的。在不同旋轉(zhuǎn)角度的混合測試集上，即使已經(jīng)給稀疏形狀信息模型提供了很好的初始值，本文方法的性能仍然要優(yōu)于稀疏形狀信息模型的性能。對于非旋轉(zhuǎn)測試集，在部件個數(shù)多于兩個的情況下，本文方法的性能不比樹狀模型差，但是當部件個數(shù)等于兩個的時候，本文方法由于缺少角度信息，性能會降低。同時實驗結(jié)果也表明，本文提出

6、的形狀信息模型可以跟各種不同的紋理描述方法結(jié)合來達到部件檢測的目的。
　　3)針對現(xiàn)有形狀信息模型通常不能對部件位置形成有效約束的問題，提出了一種無向圖結(jié)構(gòu)的形狀信息模型來表示部件之間的位置關(guān)系，同時為了解決動態(tài)規(guī)劃算法不能應(yīng)用于帶有環(huán)路結(jié)構(gòu)的形狀模型的問題，本文提出了一種層次傳播算法，既能保證檢測結(jié)果的正確性，又能保證檢測過程為線性的時間復(fù)雜度。實驗結(jié)果表明，本文的方法在摩托車數(shù)據(jù)庫上和在飛機數(shù)據(jù)庫上的檢測性能要好于1-fan模

7、型和2-fan模型。
　　4)針對目前旋轉(zhuǎn)PET系統(tǒng)存在著很難精確估計系統(tǒng)矩陣、旋轉(zhuǎn)精度要求過高等缺點，本文設(shè)計了一種90°旋轉(zhuǎn)PET系統(tǒng)，大大增加了垂直于平板方向圖像的空間分辨率，同時也降低了工程復(fù)雜度和對機械精度的要求。這種旋轉(zhuǎn)方式使本文提出的平板PET系統(tǒng)達到了目前為止所了解到的最好的幾何對稱性，最大程度上縮短了使用蒙特卡羅方法估計系統(tǒng)矩陣所需要的時間，而且采集數(shù)據(jù)的冗余度較少。實驗結(jié)果表明，本文系統(tǒng)可以在探測距離為5cm、