您的位置： 专家智库 > >

周小军

作品数：3 被引量：3H指数：1
供职机构：上海大学更多>>
发文基金：国家自然科学基金国家高技术研究发展计划更多>>
相关领域：自动化与计算机技术更多>>

合作作者

文献类型

  • 2篇专利
  • 1篇期刊文章

领域

  • 2篇自动化与计算...

主题

  • 2篇特征降维
  • 2篇图像
  • 2篇周围神经
  • 2篇聚类
  • 2篇降维
  • 2篇HRCT
  • 2篇采样
  • 1篇信噪比
  • 1篇医学图像
  • 1篇医学图像去噪
  • 1篇英文
  • 1篇冗余
  • 1篇冗余信息
  • 1篇图像去噪
  • 1篇去噪
  • 1篇全变差
  • 1篇外点
  • 1篇下采样
  • 1篇非下采样CO...
  • 1篇峰值信噪比

机构

  • 3篇上海大学

作者

  • 3篇周小军
  • 3篇马秀丽
  • 1篇周峰

传媒

  • 1篇应用科学学报

年份

  • 1篇2019
  • 1篇2016
  • 1篇2014
共 3 条 记 录，以下是 1-3
全选 清除 导出
排序方式：
基于NSCT和全变差模型的医学图像去噪(英文)被引量：3
2014年
分析了非下采样Contourlet变换(nonsubsampled Contourlet transform,NSCT)和全变差模型的特点,提出将NSCT和全变差混合模型应用于医学图像去噪.首先,通过NSCT变换将含噪图像分解,运用Visu萎缩阈值将NSCT系数进行处理,得到初次去噪图像.然后,采用全变差模型对初次去噪图像进一步处理得到最终去噪图像.实验结果表明:该方法可以很好地保留图像细节,无论在客观上的峰值信噪比还是主观上的视觉效果都优于其他去噪方法.
马秀丽周峰周小军
关键词：非下采样CONTOURLET变换全变差医学图像去噪峰值信噪比
基于KECA特征降维和聚类的HRCT周围神经分割
本发明公开了一种基于KECA特征降维和聚类的HRCT周围神经分割方法，包括以下步骤：首先，利用非下采样Contourlet变换和广义高斯混合模型对神经HRCT图像进行增强；然后，基于Gabor小波对增强后的图像进行特征提...
马秀丽周小军何昌保
基于KECA特征降维和聚类的HRCT周围神经分割
本发明公开了一种基于KECA特征降维和聚类的HRCT周围神经分割方法，包括以下步骤：首先，利用非下采样Contourlet变换和广义高斯混合模型对神经HRCT图像进行增强；然后，基于Gabor小波对增强后的图像进行特征提...
马秀丽周小军何昌保
文献传递
全选 清除 导出
共1页<1>
聚类工具0