四川大学 计算机学院杨志成推荐的文章:
推荐文章标题:Fast and robust symmetry detection for brain images based on parallel scale-invariant feature transform matching and voting
推荐文章DOI:10.1002/ima.22066
推荐文章URL:http://onlinelibrary.wiley.com/doi/10.1002/ima.22066/full
文章简介:
对大脑扫描图像的称性分析是一种非常有前途的技术,在这篇文章中提出一种快速、健壮的对称性检测方法来自动提取大脑图像的对称轴。与现有的大脑对称性检测方法主要依赖于大脑图像的强度或边缘来确定对称轴不同, 本篇文章使用SIFT特征点检测算法进行匹配和筛选来对大脑图像进行分析,获得更为准确的结果。
如何发现这篇文章:
之前实验室在做一个三维重建的项目,我负责的部分主要是图像的配准。其中涉及图像特征点的检测与匹配。这里面的最有名的算法就是由David G. Lowe提出Distinctive Image Features from Scale-Invariant Keypoints算法。在查阅该算法的一些衍生算法及应运时,我在Wiley Online Library中发现了这篇文章。这是一篇非常有意思的跨学科文章,成功的将计算机图像处理领域内的一些技术应运到人体大脑的病理分析中,取得了非常理想的预期效果。在此推荐给大家。
为何要推荐此文章:
这篇文章行文流畅,逻辑清晰,有很多值得借鉴的地方。
1.他山之石,可以攻玉
之前在对大脑图像的处理过程中使用的主要方法是对大脑图像的边缘及亮度进行分析,这样做可以得到一些结果,但往往不稳地,易受环境的影响(比如大脑图像的清晰度,亮度,拍摄角度等)。而该篇文章引入SIFT算法,大大提高了图像处理的精度与鲁棒性。因此我们在平时的学习中应该广泛涉猎,拓宽自己的知识面。
Figure1 SIFT算法检测到的大脑图像特征点
2.精益求精,更上层楼
在采用SIFT算法后带来的一个显著的问题就是该算法的计算量较大,难以达到实时的处理。本篇文章的作者给出了几个解决方法,使该算法更具实用性。SIFT算法的主要计算量集中在特征点的匹配上,作者使用KD-Tree算法后将大大降低特征点的对比次数,缩短了算法运行时间。然而作者并没有止于此,为了充分利用计算资源,作者将算法从CPU迁徙到GPU上,使之可以并行执行,更进一步的缩短程序运行的时间。
行百里者半九十,很多时候当我们实现了某些功能之后,就止步于此,殊不知我们可以做的更好。手机里能够实现同一功能的软件多如牛毛,却只有做到极致,用户体验良好的能够流行起来。这种工匠精神很值得我们搞科研的人员学习。
3.内审自知,明智而行
上面的处理方法适用不同的图像,并没有针对大脑图像固有的属性做特别的处理,而本文的关键就是根据大脑的对称相似性筛选、改善图像检测的结果。这其中包括尺度相似性、方向对称相似性、形状对称相似性。
Figure2 方向对称性
figure3 形状对称性
事物都有其自身的规律,合理利用这些先验知识往往能取得事半功倍的效果。在文章的最后,原文作者使用线性Hough变换投票决定最终的大脑图形对称轴。
最后感谢Wiley online Library数据库给我们提供了这么多高水平、新颖的研究资料。